전공의 시절 연구를 하면서 가장 오래 걸리는 일 가운데 하나는 자료를 모으고 형태를 맞추는 작업이었습니다. 논문을 읽고, 표를 정리하고, 통계 결과를 다시 문장으로 옮기는 과정입니다. AI 도구가 늘어나면서 이런 작업을 줄일 여지가 커졌습니다. 강의와 「Integrating AI into the Research Workflow」 원고에서 강조한 것은 도구의 개수보다 연구자가 먼저 정해야 할 질문입니다.
연구에서 사용하는 영상 분석 도구
영상 분석 도구에서 측정 항목을 선택하는 연구용 화면입니다.
노두현 · APKASS 강의 그림
첫 단계는 연구 질문을 좁히는 일
어떤 환자의 어떤 문제를, 무엇과 비교하고, 어떤 결과로 판단할지 적습니다. AI가 여러 아이디어를 제시하더라도 실제 자료로 답할 수 있는 질문인지는 연구자가 확인해야 합니다. 가지고 있는 자료를 먼저 보여주고 그럴듯한 결과를 골라 연구 질문을 거꾸로 맞추면 해석이 흔들릴 수 있습니다. 가설과 평가 지표, 대상과 제외 기준을 가능한 한 분석 전에 정하는 이유입니다.
문헌을 찾는 일과 근거를 확인하는 일
AI는 긴 원문에서 내용을 찾고 연구별 대상·방법·결과를 표로 정리하는 데 도움이 됩니다. 하지만 논문 제목과 DOI가 실제로 존재하는지, 정리한 숫자가 본문이나 표의 어느 위치에 있는지는 직접 확인합니다. 원문을 읽지 못했다면 초록까지 확인했다고 표시합니다. 서로 다른 모델이 같은 답을 냈다는 사실만으로 검증을 끝내지 않습니다. 정리 도구가 같거나 다르더라도 확인의 기준은 실제 원문입니다.
설계와 분석에서는 결정을 기록합니다
대상 선택, 결측치 처리, 공변량, 여러 무릎이 한 환자에 속하는 자료의 상관성을 어떻게 다룰지 정합니다. AI와 통계 방법을 의논할 수 있지만 나온 코드가 실행되는 것과 분석이 적절한 것은 다릅니다. 변수의 단위와 방향, 표본 수, 중복 행과 제외된 환자를 확인합니다. 주요 결과를 다른 계산이나 표에서 다시 대조하고, 분석 방법을 바꿨을 때 결론이 얼마나 달라지는지도 살핍니다.
그림에는 질문과 분모를 남깁니다
좋은 그림은 읽는 사람이 무엇을 비교했는지 알 수 있게 합니다. 축과 단위, 분석 대상의 수, 불확실성, 비교군을 표시합니다. AI로 설명용 모식도를 만들 수 있지만 원문 figure와 구분해 적습니다. 실제 영상과 실험 결과를 생성 이미지로 대신하지 않습니다. 평균만 그리면 분포를 놓칠 수 있고 정확도만 보이면 실패 사례를 놓칠 수 있습니다. 저희 홈페이지에서도 원문 그림의 출처와 해설을 함께 보이도록 한 이유입니다.
글을 다듬어도 결과의 범위는 늘리지 않습니다
문장이 매끄러워질수록 결과보다 큰 주장이 숨어들기 쉽습니다. 연관성을 원인으로, 내부 검증을 다른 병원에서의 효과로, 연구용 모델을 검증된 치료로 바꾸지 않았는지 봅니다. 연구 설계에 맞는 보고 지침을 확인하고 방법과 제한을 함께 정리합니다. 서론과 토론을 빨리 만드는 것보다 어떤 질문에 실제로 답했는지를 정확히 남기는 편이 중요합니다.
사람의 책임과 자료의 보호
ICMJE는 AI를 저자로 기재하지 않고 사용 목적을 투명하게 밝히며, 생성 내용의 정확성과 적절한 출처에 대한 책임을 사람에게 둡니다. 환자 정보와 비공개 원고는 이름만 지웠다고 안전해지는 것은 아닙니다. 기관 규정과 서비스의 자료 처리 조건을 확인한 환경에서 필요한 범위만 다룹니다. AI가 시간을 줄여준 만큼 검토를 생략하는 대신, 근거와 분석을 확인하는 데 시간을 돌리는 편이 연구에 도움이 됩니다.