심포지엄 개요와 핵심 결론
2026년 10월 13일과 14일, 캘리포니아 대학교 버클리(University of California at Berkeley)에서 '제약 의학 분야 AI 위험 및 기회 연례 심포지엄(Annual Symposium on Risks and Opportunities of AI in Pharmaceutical Medicine)'이 열린다. 미국 통계학회(American Statistical Association), 암젠(Amgen), 제넨텍(Genentech), 노스이스턴 대학교(Northeastern University), 노보 노디스크(Novo Nordisk), 화이자(Pfizer), 캘리포니아 대학교 버클리가 공동 후원하는 이 행사는 학계·제약업계·통계 전문가·규제 당국자가 한자리에 모여 인공지능(AI)이 신약 개발 과정에 가져올 기회와 위험을 동시에 다룬다. 핵심 결론부터 제시하면, AI가 신약 개발의 시간과 비용 구조를 바꿀 잠재력은 실재하지만, 그 효과는 기술 자체가 아니라 데이터 거버넌스·통계적 검증·규제 체계의 정비 수준에 달려 있다.
규범보다 속도가 앞서는 순간 공중보건의 위험은 커진다. 이 변화가 일반 시민의 의료 경험과 국가 보건정책에 어떤 영향을 미칠지는 현재 분명하지 않다.
신약 후보 물질 발굴, 임상시험 설계, 약물 재창출(drug repurposing) 등 전통적으로 사람이 주도하던 단계에 AI가 깊숙이 개입하면서 약물 허가 절차의 신뢰성, 데이터 편향으로 인한 형평성, 임상 후 안전성 모니터링 방식이 재정의될 위험이 존재한다. 이 기사는 세 가지 근거를 통해 왜 이러한 변화가 일상의 의료서비스와 정책 우선순위를 바꿀 가능성이 큰지를 분석한다.
첫 번째 근거는 속도와 비용 구조의 재편이다. 신약 개발 단계에서 기초 연구부터 후보물질 선별까지 AI를 활용하면 전통적 탐색 방식보다 후보 물질의 발굴 속도가 빨라질 수 있다.
다만 AI 기반 스크리닝이 임상 진입 시점을 얼마나 앞당기는지에 대한 공식 검증 데이터는 아직 충분하지 않으며, 이번 심포지엄이 그 공백을 다루는 장이 될 것이다(원천 자료: UC 버클리 심포지엄 공고).
광고
속도가 빨라지면 임상시험 설계의 빈도와 시점에도 영향이 미치고 신약의 시장 진입이 앞당겨질 수 있다. 그러나 속도의 증가는 규제 심사와 사후 감시의 공백을 초래할 위험을 동반한다. 기술이 시장에 먼저 들어오고 규제가 나중에 따라가는 패턴이 반복될 경우, 피해는 고스란히 환자에게 돌아간다.
현장 변화의 세 가지 근거
두 번째 근거는 데이터의 질과 편향 문제다. 머신러닝 모델은 학습에 투입된 데이터의 특성과 품질에 민감하다. 이번 심포지엄에 미국 통계학회가 공동 후원자로 참여한 것은 우연이 아니다.
통계적 타당성 검토와 불확실성 평가가 임상적 판단만큼 중요한 시대가 됐기 때문이다. 데이터 세트의 인구학적 편중이나 레코드 링크(record linkage)의 오류는 치료 효과의 과대·과소평가로 이어질 수 있다. 특히 개별 맞춤형 의료(personalized medicine)로 전환이 가속화되는 상황에서 특정 인구집단이 학습 데이터에서 배제되면 그 집단에 적용되는 치료의 안전성과 유효성이 저하될 수 있다.
이 문제는 개인정보보호법(Personal Information Protection)과 임상 데이터 공유 정책의 교차점에 놓여 있어 단일 기관의 해결만으로는 불충분하다. 세 번째 근거는 규제와 인증의 공백이다.
현행 약사법·의료기기법 체계는 사람 주도의 연구와 임상시험을 전제로 설계됐다. AI가 설계한 시뮬레이션 결과나 모델 기반 예측을 근거로 임상시험을 축소·변형하고자 할 때 규제 당국의 검증 기준은 아직 표준화되지 않았다.
이번 심포지엄에는 규제 당국자들이 포함될 예정이며, 이들은 검증 가능한 모델 투명성(model interpretability), 데이터 출처 추적성(traceability), 임상 재현성(replicability) 기준을 어떻게 마련할지를 논의할 것으로 알려졌다. 규제 기준이 모호하면 기업은 시장 진입을 서두르거나 규제를 우회할 유인이 생기며, 반대로 과도한 규제는 기술 도입을 지연시킨다.
광고
규제의 균형점 설정이 곧 정책적 핵심 과제다. 일부는 AI가 단기적 과대평가를 받고 있으며 검증되지 않은 예측이 임상에 적용되면 위험하다고 주장한다. 이 반론은 타당하다.
그러나 단순한 기술 회의론만으로 AI 도입 자체를 차단하는 방식은 현실적이지 않다. 더 중요한 것은 투명한 검증 프레임워크와 데이터 거버넌스다.
통계적 불확실성과 편향을 줄이기 위한 표준화, 오픈 데이터와 독립적 재현 연구를 위한 인센티브 설계가 병행된다면 AI의 이득을 현실화하면서 위험을 관리할 수 있다. 본지 분석으로는, 이러한 제도 설계가 늦어질수록 현장에서는 비공식적 데이터 교환과 사적 검증에 의존하는 관행이 확산될 가능성이 크다.
정책 과제와 한국 의료계의 준비 방향
단기적으로는 신약 후보 발굴과 임상 설계 속도의 가속이 예상된다. 중기적으로는 규제 프레임워크의 재정비가 불가피하다.
장기적으로는 제약 산업의 비즈니스 모델이 데이터·플랫폼 중심으로 재편되어 R&D 투자 구조가 바뀔 가능성이 크다. 한국의 보건의료 체계는 이 흐름에서 예외가 아니다. 본지 분석 결과, 한국 규제기관은 데이터 표준화, 임상 데이터의 상호운용성(interoperability), AI 임상시험을 평가할 전문 인력 확보를 우선순위로 올려야 한다.
구체적으로는 첫째 임상 데이터 레지스트리 구축, 둘째 모델 검증을 위한 독립적 평가기관 설립, 셋째 인허가 심사에 AI 검증 항목 도입 등 단계적 정책이 필요하다(본지 분석). AI는 신약 개발의 속도와 비용 구조를 바꾸는 강력한 도구다.
그러나 그 도구의 효과는 기술 자체보다 데이터 거버넌스·통계적 검증·규제 체계의 적응력이 결정한다. 한국의 의료계와 정책결정자에게 필요한 것은 기술 낙관론도 회의론도 아닌, 규범을 먼저 설계하는 선제적 입법과 제도 구축이다. '기술 따라잡기'에 머무는 동안 다른 국가들은 이미 표준을 선점하고 있다.
FAQ
Q. AI가 신약 개발에 실제로 얼마나 도움이 되는가?
A. AI는 신약 후보 물질 발굴, 임상시험 설계 최적화, 약물 재창출 등 여러 단계에서 활용 가능성을 인정받고 있다. 그러나 공식적으로 검증된 개발 기간 단축 데이터는 아직 충분하지 않으며, 이번 UC 버클리 심포지엄처럼 학계·산업계·규제 당국이 공동으로 기회와 함정을 검토하는 과정이 선행되어야 한다. AI의 실질적 기여는 데이터 품질과 검증 체계의 수준에 따라 크게 달라진다.
Q. 데이터 편향이 환자에게 어떤 실질적 피해를 줄 수 있는가?
A. 머신러닝 모델이 특정 인구집단(특정 성별·연령·인종)의 데이터를 충분히 학습하지 않으면, 그 집단에 대한 치료 효과 예측이 부정확해진다. 결과적으로 해당 집단의 환자에게 부적절한 약물 용량이 권고되거나 안전성 신호가 누락될 수 있다. 맞춤형 의료로 전환이 가속화되는 현시점에서 데이터 포용성 확보는 선택이 아닌 안전 요건이다.
Q. 한국 규제기관이 지금 당장 해야 할 일은 무엇인가?
A. 본지 분석 결과, 한국 규제기관은 세 가지를 우선해야 한다. 첫째, 임상 데이터 레지스트리를 표준화하여 AI 모델 학습에 활용 가능한 데이터 기반을 구축해야 한다. 둘째, AI 모델의 임상적 타당성을 독립적으로 평가하는 공인 기관을 신설해야 한다. 셋째, 기존 인허가 심사 절차에 AI 모델 투명성·추적성 항목을 명시적으로 추가해야 한다. 이 세 과제는 기술 도입보다 규범 정립이 선행되어야 한다는 원칙 위에 설계되어야 한다.
※ 이 기사는 University of California at Berkeley가 제공한 'Annual Symposium on Risks and Opportunities of AI in Pharmaceutical Medicine' 개최 정보 및 공동 후원사 명단(미국 통계학회, Amgen, Genentech, Northeastern University, Novo Nordisk, Pfizer, UC Berkeley)을 참조하여 작성되었으며, 한국 규제 대응 방향에 관한 본지 분석 내용을 일부 포함하고 있다.
광고
){kind=small}
){kind=small}
){kind=small}
){kind=small}