논문 리뷰.
의료 AI·디지털헬스 신간 논문을 골라 읽습니다. 요지·핵심 결과·임상적 의미를 짧게 정리합니다.
3편 누적 · 최근 업데이트 2026-08-03
선정 기준 — PubMed와 Consensus에서 새로 나온 논문 중 임상 적용 가능성과 파급력을 기준으로 매주 2~3편을 고릅니다. 호(號)로 나누지 않고 최신 리뷰가 위에 쌓이는 방식이며, 각 리뷰는 초록·본문 기반 요약과 원문 DOI를 함께 제공합니다.
LLM · 근거지형
체계적 문헌고찰
2026-03-03
LLM-assisted systematic review of large language models in clinical medicine
Chen SF, Alyakin A, …, Oermann EK. Nature Medicine 2026;32(3):1152-1159 · NYU Langone·Duke 등 · LLM 보조 체계적 문헌고찰, 4,609편
의학 LLM 논문 4,609편을 훑어보니, 실제 환자 데이터로 한 무작위 임상시험은 단 19편이었다
의학 분야 LLM 연구는 2022년 이후 폭발적으로 늘었지만, 그 근거의 질이 어떤지는 아무도 전체를 조망하지 못했습니다. 연구팀은 LLM 자체를 도구로 써서 2022년 1월–2025년 9월 사이 출판된 동료심사 논문 4,609편을 분류했습니다. 하루 3.2편꼴로 쏟아진 셈입니다.
결과는 냉정합니다. 실제 환자 데이터를 사용한 연구는 1,048편(23%)에 그쳤고, 그중 전향적 무작위 임상시험은 단 19편이었습니다. 대부분은 가상 시나리오(1,857편)나 시험문제 풀이(1,704편)였습니다. 평가 대상 모델의 65.7%가 ChatGPT 계열이었고, 표본 크기가 30명 미만인 연구가 최소 25%였습니다. 1,046건의 인간 대 LLM 직접 비교에서 LLM이 이긴 것은 33%였는데, 과제가 현실에 가까울수록·비교 대상의 숙련도가 높을수록 그 비율은 떨어졌습니다.
이 논문의 가치는 개별 성능 수치가 아니라 "근거의 지형도" 자체를 그렸다는 데 있습니다. 규제 측면에서도 시사점이 큽니다 — 식약처가 생성형 AI·LLM 가이드라인을 세계 최초로 내놓은 지금, 정작 그 심사의 토대가 될 임상근거는 아직 얇다는 뜻이기 때문입니다. 논문을 읽을 때 "실제 환자 데이터인가, 전향적인가"를 먼저 확인하라는 실용적 기준을 제공합니다.
TAKEAWAY
LLM 의학 논문은 하루 3편씩 쏟아지지만 전향적 RCT는 19편뿐 — 도입 논의보다 근거 생산이 한참 뒤처져 있다.
LLM · 성능평가
벤치마크
2026-04-01
Large Language Model Performance and Clinical Reasoning Tasks
Rao AS, Esmail KP, …, Succi MD. JAMA Network Open 2026;9(4):e264003 · Harvard Medical School·Mass General Brigham · 단면연구, 21개 모델 16,254건 응답
최신 LLM 21종을 진료 흐름대로 평가했더니, 최종진단은 잘하는데 감별진단에서 무너졌다
기존 LLM 평가는 대부분 객관식 시험 점수에 의존해 왔습니다. 실제 진료는 환자를 만나 감별진단을 세우고, 검사를 고르고, 최종진단을 내리고, 치료를 결정하는 순차적 과정인데 말이죠. 연구팀은 MSD 매뉴얼 임상 증례 29개를 이 5단계 진료 흐름대로 쪼개어 GPT-5, Claude 4.5 Opus, Gemini 3.0, Grok 4 등 21개 모델을 평가하고, 균형 정확도를 면적으로 환산한 PrIME-LLM 지표를 제안했습니다.
PrIME-LLM 점수는 0.64(Gemini 1.5 Flash)에서 0.78(Grok 4) 범위였고, 추론 최적화 모델이 일반 모델보다 우수했습니다. 흥미로운 것은 단계별 편차입니다 — 최종진단 실패율은 0.09~0.39에 그친 반면, 감별진단 실패율은 모든 모델에서 0.80을 넘었습니다(0.90~1.00). 답이 정해진 문제는 잘 맞히지만, 여러 가능성을 늘어놓고 불확실성을 다루는 일에는 약하다는 뜻입니다.
임상의에게 이 결과는 직관적으로 와닿습니다. 진료의 어려움은 진단명을 아는 데 있지 않고 "무엇을 놓치지 않았는가"를 점검하는 데 있기 때문입니다. 저자들의 결론은 단호합니다 — 버전이 올라가며 성능이 개선되고는 있으나, 기성 LLM은 아직 안전한 임상 배치에 필요한 수준에 이르지 못했다는 것. 벤치마크 점수만 보고 도입을 논하는 흐름에 제동을 거는 데이터입니다.
TAKEAWAY
LLM은 정답 맞히기에 강하고 감별진단에 약하다 — 임상 배치 논의는 "정확도"가 아니라 "불확실성을 다루는 능력"으로 옮겨가야 한다.
LLM · 인간-AI 협업
메타분석
2026-01-28
Human–large language model collaboration in clinical medicine: a systematic review and meta-analysis
Wang G, Zhang K, …, Yang X. npj Digital Medicine 2026;9(1) · 중국의학과학원·푸단대·홍콩중문대 · 체계적 문헌고찰 및 메타분석, 10편
"의사 + AI"가 의사 단독보다 나은가? 아직은 자신 있게 그렇다고 말할 수 없다
의료 AI 도입 논리의 핵심은 "AI가 의사를 대체한다"가 아니라 "의사와 AI가 함께하면 더 낫다"입니다. 이 메타분석은 그 전제를 실제로 검증했습니다. PRISMA 2020에 따라 네 개 데이터베이스를 검색해, 인간+LLM(H+AI) 워크플로와 인간 단독(H)을 직접 비교한 동료심사 연구 10편을 모았습니다.
진단·판독 정확도는 H+AI가 나은 경향을 보였지만 통계적으로 유의하지 않았고 신뢰구간이 극단적으로 넓었습니다(RR 1.59, 95% CI 0.08–32.74). 복합 진단·처치 점수는 유의한 개선을 보였으나(+4.88%p, 95% CI 0.65–9.12) 예측구간이 −31.65~41.42로, 실제 현장에서는 정반대 결과도 가능하다는 뜻입니다. 시간 효율은 차이가 없었고(+0.4분), 문서 작성 품질은 개선됐지만 사실 오류율이 26~36%로 남아 그 이득을 갉아먹었습니다. 세 팔 비교에서는 H+AI가 AI 단독을 늘 이기지도 못했습니다.
"인간-AI 협업이 최선"이라는 통념이 아직 근거로 뒷받침되지 않는다는 점을 보여주는, 불편하지만 중요한 결과입니다. 저자들은 실제 워크플로에 이식된 사전등록·실용적 다기관 시험과 안전성·오류 지표를 우선하는 표준화된 결과변수, 그리고 불확실성을 드러내고 검증을 돕는 인터페이스 설계를 요구합니다. 병원 도입을 검토 중이라면 "속도가 빨라지는가"보다 "오류가 줄어드는가"를 물어야 한다는 실무적 함의가 있습니다.
TAKEAWAY
"의사+AI가 낫다"는 전제는 아직 검증되지 않았다 — 문서 품질은 올라도 사실 오류 26~36%가 남고, 시간은 절약되지 않았다.