AI 의료상담, 어디까지 맡겨도 될까? 진단·응급판단·검사결과 설명을 나눠 보니
"AI에게 건강을 물어봐도 될까?"라는 질문에는 하나의 정확도로 답할 수 없습니다. 2025년 메타분석에서 생성형 AI의 진단 정확도는 전체 52.1%로 전문의보다 낮았고, 2026년 ChatGPT Health 연구에서는 실제 응급상황의 52%를 필요보다 낮게 분류했습니다. 반면 한국 건강검진 수치 1만 건을 해석한 2026년 연구에서는 상위 모델이 98~99%의 분류 정확도를 보였습니다. AI의 의료 능력은 '무엇을 시키느냐'에 따라 크게 달라집니다.
- 진단(증상 → 병명): 전체 정확도 52.1% (npj Digital Medicine 메타분석, 83개 연구)
- 응급도 판단: 실제 응급 사례의 52% 과소분류 (Nature Medicine, ChatGPT Health)
- 건강검진 수치 분류: 상위 모델 98
99%, 단순 항목은 거의 100%(0.991.00) (npj Digital Medicine, 한국 데이터 1만 건) - 혈압 분류: 상위 모델도 88~91% (수축기·이완기를 함께 판단해야 해서 낮아짐)
- 영상판독문 쉬운 설명: 환자 이해도 2.16 → 4.04점, 전체 오류 7.2% · 임상적으로 중요한 오류 0.9% (Lancet Digital Health, 38개 연구·12,922건)
서로 다른 연구·모델·과제의 수치이므로 52%와 99%를 같은 시험 성적처럼 직접 비교하면 안 됩니다. 이 글은 어떤 종류의 의료 작업에서 AI가 상대적으로 안정적이었는지 위험했는지를 비교하며, DERIQO가 계산한 값은 없습니다.
진단(증상 → 병명): '후보 정리'까지만
2025년 npj Digital Medicine에 발표된 메타분석은 생성형 AI의 의료 진단 성능을 평가한 83개 연구(2018년 6월~2024년 6월)를 종합했습니다. 전체 진단 정확도는 52.1%였습니다. AI와 의사 전체를 비교하면 통계적으로 명확한 차이는 없었지만(비전문의와 약 0.6%p 차, p=0.93), 전문의와 비교하면 AI가 유의하게 낮았습니다(전문의가 약 15.8%p 높음, p=0.007).
이 수치에는 여러 모델과 서로 다른 질환·연구설계가 섞여 있고 2024년 6월까지의 연구만 대상입니다. 그래서 "최신 AI는 병명을 절반밖에 못 맞힌다"고 읽는 것도 정확하지 않습니다. 다만 분명한 것은, 증상 몇 개를 입력하고 AI가 말한 첫 병명을 확정진단처럼 받아들일 근거는 부족하다는 점입니다. AI가 상대적으로 유용한 방식은 "내 증상에서 의료진에게 확인할 만한 가능성을 몇 가지 정리해 달라", "각 가능성을 구분하려면 어떤 정보가 필요한가"처럼 진료 전 생각을 정리하는 용도입니다.
응급실에 갈지 판단: 가장 위험한 영역
2026년 Nature Medicine 연구에서 ChatGPT Health는 임상의가 만든 60개 시나리오·960개 응답 중, 즉시 응급실이 필요하도록 설계된 사례의 52%를 낮은 단계로 분류했습니다. 당뇨병성 케톤산증이나 임박한 호흡부전을 24~48시간 이내 진료로 안내한 사례도 있었고, 전형적인 뇌졸중·아나필락시스는 정확히 응급으로 분류했습니다. 즉 모든 응급을 놓치는 것이 아니라 덜 전형적이거나 판단이 어려운 응급에서 과소평가할 수 있습니다.
같은 연구에서 "가족·친구가 대수롭지 않게 여겼다"는 맥락을 넣자 경계 사례 판단이 덜 긴급한 쪽으로 크게 흔들렸습니다(오즈비 11.7). 이 앵커링 편향 부분은 별도 글에서 자세히 다룹니다.
이 영역은 오류의 비용도 다릅니다. 검사결과 용어를 잘못 설명하면 다시 확인하면 되지만, 응급실에 가야 할 사람에게 "하루 이틀 지켜보라"고 잘못 안내하면 치료 자체가 늦어집니다. 그래서 응급도 판단은 AI에게 맡기기 가장 어려운 영역입니다.
이미 나온 결과를 읽는 일: 검진 수치와 판독문
숫자와 기준이 이미 정해져 있는 작업에서는 결과가 크게 달랐습니다.
2026년 npj Digital Medicine 연구는 한국 국가건강검진 데이터를 활용한 1만 건의 구조화된 검진 사례를 Claude Sonnet 4·Gemini 2.5 Pro·GPT-4o·LLaMA 3.1-70B에 입력했습니다. 적절한 프롬프트를 적용했을 때 Claude Sonnet 4와 Gemini 2.5 Pro의 평균 정확도는 0.99, GPT-4o는 0.98이었습니다. 공복혈당·총콜레스테롤·중성지방·간수치 같은 단순 항목은 거의 100%(0.991.00)였습니다. 다만 혈압은 수축기·이완기 값과 여러 기준을 함께 판단해야 해서 상위 세 모델도 정확도가 8891%로 떨어졌습니다. "검사결과 설명을 잘한다"와 "질병을 정확히 진단한다"는 다른 능력입니다.
영상판독문을 쉽게 바꾸는 작업도 AI가 상대적으로 잘하는 편입니다. 2026년 Lancet Digital Health 메타분석(38개 연구, AI가 단순화한 판독문 12,922건)에서 환자가 평가한 이해도는 원 판독문 2.16점에서 AI 단순화본 4.04점으로 높아졌습니다. 하지만 AI가 만든 문장의 전체 오류율은 7.2%, 임상적으로 중요한 오류도 0.9% 있었습니다. CT·MRI 결과지를 AI에게 보여주고 "이 문장을 일반인이 이해할 수 있게 풀어 달라"고 요청하는 것은 합리적이지만, "그러니까 나는 암이냐"로 질문이 바뀌는 순간 설명이 아니라 진단 영역으로 넘어갑니다.
DERIQO가 도출한 핵심 구분
연구들을 한데 모으면, AI 의료상담을 하나의 능력으로 평가하는 것 자체가 잘못된 질문에 가깝습니다. 더 실용적인 구분은 다음과 같습니다.
| AI에게 맡기는 작업 | 활용 판단 | 이유 |
|---|---|---|
| 검사 용어 쉽게 설명 | 적극 보조 활용 | 구조화된 수치·용어 해석에서 높은 성능 |
| 이전 검사와 변화 비교 | 보조 활용 | 데이터를 정리하고 차이를 찾는 작업에 적합 |
| CT·MRI 판독문 쉽게 풀기 | 보조 활용 | 이해도 크게 향상, 다만 오류 가능 |
| 의사에게 물어볼 질문 만들기 | 보조 활용 | 판단보다 정보정리 작업 |
| 가능한 병명 후보 정리 | 주의해서 활용 | 진단 정확도의 변동성이 큼 |
| "이 병이 확실한가?" 결정 | 맡기지 않기 | 확정진단에는 진찰·검사·맥락 필요 |
| 약을 끊거나 바꿀지 결정 | 맡기지 않기 | 치료 결정 영역 |
| 응급실에 갈지 최종 결정 | 맡기지 않기 | 과소분류가 직접적인 안전문제로 이어짐 |
이 구분은 OpenAI가 현재 ChatGPT의 Health 기능을 설명하는 방식과도 맞닿아 있습니다. OpenAI는 Health를 새 검사결과와 지난 검사 비교, 지난 진료 이후 변화 확인 등에 활용할 수 있다고 안내하지만, 진단이나 치료를 위한 기능이 아니며 긴급 증상이나 응급상황에서는 즉시 전문적인 도움을 받아야 한다고 명시합니다.
'약을 같이 먹어도 되는지' 묻는 약물상호작용 질문도 비슷합니다. 2026년 연구에서 AI는 위험 후보를 넓게 찾아내는 데는 강했지만 그 위험이 실제로 중요한지 걸러내는 단계에서 한계를 보였습니다. 자세한 내용은 AI에게 약 같이 먹어도 되냐고 물어봤더니에서 다룹니다.
질문의 형태도 달라져야 합니다. 검사결과를 받았다면 "이거 무슨 병이야?"보다 "정상범위를 벗어난 항목을 구분하고 각각 무엇을 의미하는지 설명하되, 이 결과만으로 확정할 수 없는 부분은 따로 표시하고, 의사에게 물어볼 질문을 만들어 달라"가 더 적합합니다. 증상이 있을 때도 시작시간·지속시간·악화 여부·측정값·기저질환·복용약을 함께 주고 "가능성을 정리하되 확정진단하지 말고, 어떤 위험신호가 있으면 즉시 진료해야 하는지 구분해 달라"고 묻는 편이 낫습니다.
무엇을 의미하지 않는가
- 현재 모든 ChatGPT 모델이 응급의 52%를 놓친다는 뜻이 아닙니다. 특정 시점의 ChatGPT Health를 구조화된 가상 사례로 시험한 결과입니다.
- 52%와 99%는 같은 시험의 성적이 아닙니다. 모델·데이터·평가방법·과제가 모두 다른 별개의 연구입니다.
- 어느 것도 실제 환자를 대상으로 한 대규모 임상시험이 아닙니다.
- AI 시스템은 계속 업데이트되므로 현재 성능이 연구 당시와 다를 수 있습니다.
- 이 수치들은 특정 개인에 대한 진단 정확도를 의미하지 않습니다.
DERIQO가 도출한 결론
AI 의료상담에서 중요한 질문은 "AI 의료 정확도가 몇 %인가"가 아닙니다. 연구결과를 업무별로 나누면 방향이 분명해집니다. 이미 나온 검사·판독 결과를 읽기 쉽게 설명하고 정리하는 작업에서는 AI가 높은 성능을 보였습니다. 반면 증상만으로 병명을 결정하는 진단은 성능 변동이 컸고, 지금 응급실에 가야 하는지 결정하는 응급분류에서는 실제로 위험한 과소분류가 확인됐습니다.
따라서 현재 연구에 가장 가까운 사용법은, 판단을 대신 시키는 것이 아니라 이미 가진 의료정보를 이해하고 다음 진료를 준비하는 데 쓰는 것입니다. AI에게 맡겨도 되는 범위의 경계는 '설명'에서 '결정'으로 넘어가는 순간입니다. 다만 명확한 응급 신호가 이미 있다면 AI 답변을 기다릴 이유가 없습니다. 질병관리청은 갑작스러운 한쪽 마비·언어장애·시각장애·심한 두통(뇌졸중 의심)이나 지속되는 심한 흉통·호흡곤란·식은땀(심근경색 의심)이 나타나면 즉시 119 또는 응급진료를 이용하도록 안내합니다.
계산 기준
이 글에는 DERIQO가 계산한 파생 수치가 없습니다. 서로 다른 연구의 정확도를 성능순위로 직접 비교하지 않았으며, 연구마다 모델·데이터·평가방법·의료과제가 다르기 때문입니다.
- 진단: 83개 연구를 종합한 2025년 npj Digital Medicine 메타분석 (전체 52.1%, 온라인 2025-03-22)
- 응급 판단: 2026년 Nature Medicine ChatGPT Health 스트레스 테스트 (60개 시나리오·960개 응답, 응급 52% 과소분류)
- 건강검진 수치 해석: 한국 국가건강검진 데이터 1만 건을 이용한 2026년 npj Digital Medicine 연구 (상위 모델 0.98
0.99, 혈압 0.880.91, 온라인 2026-07-22) - 영상판독문 설명: 2026년 Lancet Digital Health 메타분석 (38개 연구·12,922건, 오류율 7.2%·임상적 중요 오류 0.9%, 온라인 2026-02-16)
- ChatGPT Health의 용도·한계는 OpenAI 도움말 센터, 응급 증상 기준은 질병관리청 국가건강정보포털에서 확인
- Nature·Lancet·OpenAI 페이지는 봇 차단으로 자동 접속 시 오류가 날 수 있으나 일반 브라우저에서 확인함
- 현재 AI 모델은 연구 당시보다 업데이트됐을 수 있으며, 이 수치들은 특정 개인의 진단 정확도를 의미하지 않음
공식 원문 및 검증 자료
npj Digital Medicine — 생성형 AI와 의사의 진단성능 메타분석 (2025)
83개 연구를 종합한 생성형 AI의 전체 진단 정확도 52.1%, 비전문의와는 유의한 차이 없음, 전문의보다는 유의하게 낮음(p=0.007)을 확인했습니다.
Nature Medicine — ChatGPT Health 응급분류 스트레스 테스트 (2026)
60개 시나리오·960개 응답, 실제 응급의 52% 과소분류, 뒤집힌 U자 정확도 패턴을 확인했습니다.
npj Digital Medicine — 건강검진 결과 해석 연구 (2026)
한국 국가건강검진 데이터 1만 건에서 상위 모델(Claude Sonnet 4·Gemini 2.5 Pro) 0.99, GPT-4o 0.98, 혈압 0.880.91, 단순 검사항목 0.991.00을 확인했습니다.
The Lancet Digital Health — AI 영상판독문 단순화 메타분석 (2026)
38개 연구·12,922건에서 환자 이해도 2.16 → 4.04점, 전체 오류율 7.2%(95% CI 5.110.0), 임상적으로 중요한 오류 0.9%(95% CI 0.61.5)를 확인했습니다.
OpenAI 도움말 센터 — Health in ChatGPT
검사결과 비교·의료기록 이해 등의 용도와, 진단·치료 대체가 아니며 응급상황에서는 즉시 전문적인 도움을 받아야 한다는 현재 공식 안내를 확인했습니다.
질병관리청 국가건강정보포털 — 뇌졸중·심근경색 응급증상
AI 판단을 기다리지 않고 즉시 응급진료가 필요한 대표적 심뇌혈관 응급신호(한쪽 마비·언어장애·시각장애·심한 두통, 지속되는 심한 흉통·호흡곤란·식은땀)를 확인했습니다.
마지막 검증: 2026-09-10