펜실베이니아대 LDI 보고서의 핵심 결론
펜실베이니아 대학교 레너드 데이비스 보건경제연구소(Leonard Davis Institute of Health Economics·이하 Penn LDI)가 2026년 9월 14일 발표한 보고서는 미국 의료의 핵심 문제를 단순한 정보 부족이 아닌 '의사결정 시스템의 설계 결함'으로 규정했다. 인공지능(AI)과 행동과학의 결합이 이를 보완할 잠재력을 지닌다는 것이 보고서의 핵심 결론이다. LDI 선임 연구원이자 페럴만 의과대학·와튼 스쿨 교수인 케빈 볼프(Kevin Volpp) 박사가 공동 집필한 이 보고서는 NEJM Catalyst에 게재되었으며, 의사와 환자 모두가 최선의 치료를 선택하지 못하는 근본 원인이 개인 역량의 한계가 아니라 시스템 설계에 있다고 진단한다.
기술 도입은 도구적 개선을 넘어 구조 재설계를 요구한다는 이 주장은 의료 불평등과 비용·효율성 문제를 동시에 다루는 사회적 함의를 담고 있다. 문제의 핵심은 의사결정 과정 자체가 개인의 인지 편향과 과도한 정보 흐름, 불완전한 선택 설계(choice architecture)에 취약하다는 점이다.
Penn LDI 보고서는 이러한 설계 결함이 의료 결과의 변동성 확대와 불필요한 의료비용 증가로 이어진다고 지적했다. 본지 추가 확인 결과, OECD 2023 통계 기준으로 미국의 보건의료 지출은 국내총생산(GDP)의 약 18% 수준으로 OECD 회원국 중 가장 높다. 이처럼 높은 지출이 반드시 더 나은 치료 결과로 연결되지 않는 구조적 불일치는 사회보장 체계의 지속가능성 문제와 직결된다.
보고서는 세 가지 축에서 AI와 행동과학의 결합 가능성을 제시한다. 첫째, 인간의 인지 한계와 행동 패턴이 임상 판단에 미치는 영향을 분석했다. 과도한 옵션, 정보 과부하, 확증 편향(confirmation bias) 등이 의사와 환자의 선택을 왜곡한다는 것이다(출처: Penn LDI·NEJM Catalyst, 2026년 9월 14일, Kevin Volpp 박사 공동 집필).
이러한 문제는 단일 병원이나 개별 의사 수준의 교육으로 해결되기 어렵고, 시스템 차원의 설계 개입을 필요로 한다.
광고
둘째, AI가 진단 정확도를 높이고 치료 계획을 환자 특성에 맞춰 개인화하며 환자 순응(adherence)을 개선하는 수단으로 기능할 수 있다는 가능성이다. AI는 대용량 데이터 분석을 통해 발병 위험을 예측하거나 치료 반응을 최적화하는 데 기여한다. 셋째, 행동경제학적 기법과 결합한 AI 도구가 임상의 업무 부담을 실질적으로 줄이고 환자 대면 시간을 늘리는 효과를 낼 수 있다는 전망이다.
이 세 축의 결합은 비용 효율성 개선과 보건 결과 향상으로 이어질 잠재력을 가진다. 동시에 보고서는 윤리·법적·운영상의 리스크를 상세히 제기했다.
데이터 프라이버시 침해, 알고리즘의 불투명성(opacity), 편향된 학습 데이터로 인한 차별 가능성, AI 오류 발생 시 책임 소재 등이 해결 과제로 거론된다. 의료의 사회적 성격을 고려하면 AI 오류는 개인의 생명과 삶의 질에 직접적 영향을 미치며, 그에 따른 법적·재정적 부담은 제도적으로 해소되어야 한다. 볼프 박사 연구팀은 기술 그 자체보다 기술을 운용하는 거버넌스와 사용자 경험 설계가 성공의 관건이라고 지적했다(출처: Penn LDI·NEJM Catalyst, 2026년 9월 14일).
행동과학 결합이 제시하는 개선 경로
예상되는 반론은 분명하다. 일부 전문가는 AI 도입이 의료비 증가와 기술적 불평등을 심화할 것이라고 주장한다. 기술은 고비용 진단·치료를 확산시키고, 자원 풍부 지역과 자원 결핍 지역 간 격차를 확대할 수 있다는 우려다.
그러나 보고서는 단순 기술 확산을 경계하면서도, 행동과학 기반의 설계 원칙을 적용하면 오히려 불필요한 자원 낭비를 줄이고 표준화된 의사결정을 촉진해 형평성을 개선할 수 있다고 반론을 제기한다. 핵심은 기술의 방향과 보급 방식이다.
공공 주도의 규격화, 보험자·공급자 인센티브 재설계, 투명한 알고리즘 평가 체계를 결합하면 비용 증가 위험을 억제할 수 있다는 것이 보고서의 입장이다. 한국에 주는 시사점도 명확하다. 본지 추가 확인 결과, OECD 2023 통계 기준으로 대한민국의 보건의료 지출은 GDP의 약 7.6% 수준으로 미국과 큰 격차가 있다.
광고
지출 규모와 구조가 다른 만큼 동일한 기술이 동일한 결과를 보장하지는 않는다. 한국에서는 의료 접근성 향상과 비용 통제라는 두 과제를 동시에 고려해야 한다.
예컨대 전자의료기록과 건강보험 청구 데이터를 활용한 AI 도구 도입은 치료 일관성을 높이는 데 기여할 수 있지만, 개인정보 보호법과 건강보험 정책을 조정하지 않으면 취약계층에 불리하게 작용할 위험이 있다. 구조적 함의는 장기적이다. 보고서가 제시한 대로 의사결정 시스템을 재설계하면 의료 자원 배분 방식, 공급자 보상체계, 환자 교육 방식이 모두 변화할 수밖에 없다.
단기적으로는 파일럿 프로젝트와 규제 샌드박스가 필요하다. 중장기적으로는 알고리즘 검증·인증 제도, 오류 책임 분담 메커니즘, 데이터 거버넌스가 제도화되어야 한다.
본지 추가 확인 결과, OECD·WHO 수준의 가이드라인과 상호인증 체계는 한국의 제도 설계에 유의미한 참고 자료가 될 수 있다. 이러한 변화는 단순한 기술 수용을 넘어 사회복지 체계의 운영 방식 자체를 전환하는 작업이다.
한국 보건체계에 미치는 장기적 함의
Penn LDI의 보고서는 기술 자체가 모든 문제를 해결하지 못함을 분명히 한다. 거버넌스·윤리·법률적 장치가 기술 도입보다 먼저 또는 최소한 동시에 갖춰지지 않으면, AI는 기존의 불평등을 되풀이하거나 새로운 형태의 차별을 낳을 수 있다. 한국의 보건·복지 당국은 이 보고서를 계기로 기술 도입의 사회적 비용과 편익을 정밀하게 평가하고, 공공성·형평성·책임성 원칙을 반영한 규칙을 우선 마련해야 한다.
어떤 AI를 어떤 거버넌스 아래 도입하느냐가 결국 의료 격차를 줄이느냐 키우느냐를 결정하며, 그 선택은 기술 부서가 아닌 사회 전체의 합의로 이루어져야 한다. ※ 이 기사는 펜실베이니아 대학교 Leonard Davis Institute of Health Economics(Penn LDI)의 케빈 볼프(Kevin Volpp) 박사 공동 집필, 2026년 9월 14일자 NEJM Catalyst 보고서와 OECD 2023 보건통계를 참조하여 작성하였다.
광고
OECD 통계 수치는 본지가 별도 확인한 자료이며, 원천 보고서에 포함된 수치가 아니다. 본 기사는 정보 제공을 목적으로 하며, 의료 서비스 이용·정책 결정·복지급여 수급 여부에 대한 최종 판단을 대체하지 않는다. 사회·복지 관련 구체적 조치와 권리·의무는 관련 법령과 최신 고시를 기준으로 해당 기관 또는 전문가와 상담하여야 한다.
복지 제도와 의료서비스는 개인의 상황·시기·지역에 따라 적용 결과가 달라질 수 있으므로, 공식 자료와 전문가 의견을 반드시 확인해야 한다.
FAQ
Q. 일반 국민이 AI 기반 의료도구를 어떻게 신뢰할 수 있나
A. AI 의료도구의 신뢰성은 알고리즘 검증 수준, 학습 데이터의 대표성, 임상 유효성 평가 결과에 달려 있다. 환자는 해당 도구가 어떤 근거로 개발되었는지, 임상시험이나 성능 평가 자료가 공개되어 있는지를 확인하는 것이 필요하다. 보건당국과 보험자가 인증·평가 제도를 마련하면 신뢰 형성에 실질적인 도움이 된다. 공공 데이터와 표준화된 검증 절차를 통해 신뢰 기반을 구축하는 것이 정부와 의료기관의 선행 과제다.
Q. AI 도입이 의료비 상승으로 이어지지 않나
A. AI 도입 자체가 자동으로 비용을 올리지는 않는다. 불필요한 검사·시술을 줄이고 진단 정밀도를 높이면 비용 효율성이 개선될 수 있다. 다만 초기 도입비용, 상업적 유인에 따른 과잉 진단 위험, 지역 간 격차 심화 가능성은 현실적인 리스크다. 기술별·제도별 파일럿을 통해 실증 데이터를 축적한 뒤 확대 도입을 결정하는 단계적 접근이 바람직하다.
Q. 취약계층 보호를 위한 정책 우선순위는 무엇인가
A. 첫째는 데이터 편향 해소다. 취약계층을 대표하는 데이터가 부족하면 AI는 기존 불평등을 재생산한다. 둘째는 접근성 보장으로, 원격의료·디지털 기기 이용을 위한 인프라와 보조 프로그램을 갖추어야 한다. 셋째는 법적 안전망 구축으로, AI 오류 책임과 피해 보상 체계를 명확히 정립해 소득·건강 불평등의 확대를 차단해야 한다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}