AI 희귀질환 진단 지원: 오랜 진단 방황을 줄일 수 있을까?

 

원인을 알 수 없는 증상으로 여러 병원을 찾아다니다가 수년이 지난 뒤에야 정확한 진단명을 듣게 됐다는 이야기가 있다. 희귀 질환 환자들이 겪는 이러한 과정을 흔히 '진단 방황(diagnostic odyssey)'이라고 부른다. 원인을 찾기까지 오랜 시간이 걸리는 이유는 무엇일까? 유전체 분석 기술이 발전하고 있는데도 진단이 늦어지는 경우가 있는 이유는 무엇일까?

 

최근에는 인공지능(AI)을 활용해 희귀 질환의 원인을 찾는 연구가 이어지고 있다. AI는 방대한 유전체 데이터에서 질환과 관련된 변이를 선별하고, 기존 분석에서 놓쳤을 가능성이 있는 단서를 찾는 데 활용될 수 있다. 다만 AI가 모든 희귀 질환을 진단할 수 있는 것은 아니다. 이번 글에서는 희귀질환 진단이 어려운 이유부터 AI를 활용한 주요 연구 사례, 검사 결과를 해석할 때 알아둘 점까지 살펴본다.

AI가 유전체 속 답을 함께 찾습니다

목차

• 1. 희귀질환 진단은 왜 그렇게 오래 걸릴까?
• 2. AI는 어떻게 희귀질환 진단을 도울까?
• 3. 연구 결과를 비교할 때 알아둘 점
• 4. 희귀질환이 의심된다면 참고할 점
• 5. 자주 묻는 질문(FAQ)

1. 희귀질환 진단은 왜 그렇게 오래 걸릴까?

희귀 질환의 진단이 어려운 이유 중 하나는 질환의 원인이 다양하고, 나타나는 증상도 환자마다 다를 수 있다는 점이다. 일부 희귀 질환은 유전적 원인과 관련이 있지만, 유전체에서 발견되는 모든 변이가 질병을 일으키는 것은 아니다.

 

한 사람의 유전체에는 수많은 변이가 존재한다. 이 가운데 실제 질환과 관련된 변이를 찾아내려면 환자의 증상과 검사 결과, 가족력 등 여러 정보를 함께 살펴봐야 한다. 유전체 분석 기술이 발전했더라도 분석 결과를 해석하고 질환과의 연관성을 판단하는 과정은 여전히 중요하다.

유전체 분석만으로 원인이 바로 밝혀지지 않는 이유

차세대 염기서열 분석(NGS)은 유전적 원인을 찾는 데 활용되는 검사 기술이다. 그러나 검사에서 변이가 발견됐다는 사실만으로 그 변이가 환자의 증상을 일으켰다고 단정할 수는 없다. 발견된 변이의 의미를 해석하고, 알려진 질환의 특징과 비교하는 과정이 필요하기 때문이다.

 

검사 시행부터 결과 보고까지 평균 3~6개월이 소요되는 것으로 알려져 있다는 점도 진단 과정을 이해할 때 고려할 부분이다. 다만 실제 소요 기간은 검사 종류와 의료기관, 분석 범위 등에 따라 달라지므로 모든 검사에 동일한 기간이 적용된다고 보기는 어렵다.

 

희귀질환은 임상 사례와 관련 전문 인력이 상대적으로 적을 수 있다는 점에서도 진단에 어려움이 생긴다. 익숙한 질환과 증상이 뚜렷하게 일치하지 않으면 여러 가능성을 검토해야 하며, 초기 진단 이후에도 추가 검사가 필요할 수 있다.

2. AI는 어떻게 희귀질환 진단을 도울까?

AI는 대량의 데이터를 분석하고, 질환과 관련이 있을 가능성이 있는 정보를 선별하는 데 활용될 수 있다. 희귀질환 분야에서는 유전체 데이터 분석뿐 아니라 환자의 임상 정보와 기존 검사 결과를 함께 해석하는 방향으로 연구가 진행되고 있다.

1) 전장 유전체 분석으로 원인 변이를 찾는다

서울대병원 임상유전체의학과 채종희·이승복·김수연 교수 연구팀은 쓰리빌리언과 함께 희귀 유전질환이 의심돼 진료받은 국내 1,452 가구, 총 3,317명을 대상으로 전장 유전체 분석을 시행한 연구 결과를 2026년 발표했다.

 

원문에 제시된 연구 결과에 따르면 전체 환자 가족의 46.2%에서 질환 원인이 규명됐으며, 기존 검사로는 발견하지 못했던 변이도 확인됐다. 이는 유전체를 폭넓게 분석하는 접근이 희귀 유전질환의 원인을 찾는 데 활용될 수 있음을 보여주는 결과다.

 

연구에서는 가족 전체 검사가 필요했던 경우가 진단 가구의 7.5%에 그쳤다는 내용도 제시됐다. 다만 이 수치를 모든 환자에게 단독 검사가 충분하다는 의미로 확대해서 해석해서는 안 된다. 가족 검사의 필요성은 질환의 특성과 가족력, 검사 목적에 따라 달라질 수 있기 때문이다.

 

전장 유전체 분석의 의미는 단순히 많은 데이터를 수집하는 데 있지 않다. 방대한 정보 가운데 질환과 관련된 변이를 찾아내고, 그 결과를 환자의 임상적 특징과 연결해 해석하는 과정이 중요하다. AI는 이 과정에서 분석 우선순위를 정하거나 관련 가능성이 있는 변이를 선별하는 데 도움을 줄 수 있다.

2) 소아 희귀 질환을 위한 AI 통합 솔루션 개발

소아 희귀 질환 분야에서도 AI를 활용한 통합 분석 체계를 개발하려는 움직임이 있다.

원문에 따르면 과학기술정보통신부와 서울대병원을 주축으로 분당서울대병원, 삼성서울병원, 서울성모병원, 양산부산대병원, 카카오헬스케어 등 11개 병원·기업이 참여해 소아 희귀 질환 AI 통합 솔루션 개발을 진행 중이다.

 

이 사업은 희귀 유전대사질환, 선천성 다발기형, 유전성심장질환 등 9개 질환군의 임상·유전체 정보를 통합 학습하는 방식으로 추진된다. 목표는 진단뿐 아니라 치료와 예후관리까지 지원할 수 있는 솔루션을 개발하는 것이다.

 

이러한 통합 접근은 유전체 정보만 따로 분석하는 방식에서 나아가 환자의 임상 정보와 관련 데이터를 함께 활용하려는 시도로 볼 수 있다. 여러 종류의 정보가 연결되면 의료진이 검토할 수 있는 단서를 체계적으로 정리하는 데 도움이 될 가능성이 있다.

 

연구진은 이 솔루션이 검사·치료 기간 단축과 진단 비용 절감 등을 통해 연간 약 429억 원의 경제적 효과를 가져올 것으로 추정했다. 다만 이는 연구진의 추정치이며, 실제 경제적 효과가 동일하게 나타난다고 확정된 결과와는 구분해서 이해해야 한다.

3) 기존에 원인을 찾지 못한 환자의 데이터를 다시 분석한다

AI의 활용 가능성은 처음부터 유전체를 분석하는 과정에만 국한되지 않는다. 과거에 검사를 받았지만 원인을 찾지 못했던 환자의 데이터를 다시 분석하는 방식도 연구되고 있다.

 

원문에 따르면 미국 보스턴아동병원 맨튼 희귀 유전질환연구센터는 오랫동안 원인을 찾지 못한 환자 376명의 유전체 데이터를 AI 분석 절차에 다시 적용했다. 그 결과 전체 진단 수율은 4.8%였으며, 일부 사례에서는 기존 분석 과정에서 놓쳤던 병원성 변이를 새롭게 찾아냈다.

 

이러한 접근은 기존 검사에서 원인을 찾지 못했다고 해서 보유한 데이터의 활용 가능성이 완전히 사라지는 것은 아니라는 점을 보여준다. 분석 방법이나 해석 과정이 달라지면 이전에 주목하지 않았던 변이가 새로운 검토 대상이 될 수 있다.

 

다만 재분석을 통해 발견된 후보 변이가 모두 최종 진단으로 이어지는 것은 아니다. 원문에서도 전문가 검토와 추가 검증을 거쳐 결과를 확정했다는 점을 강조하고 있다. AI는 진단 과정에서 유용한 단서를 제공할 수 있지만, 분석 결과의 임상적 의미를 판단하는 절차까지 대신하는 것은 아니다.

3. 연구 결과를 비교할 때 알아둘 점

희귀 질환 AI 연구를 살펴보면 원인 규명률이나 진단 관련 수치가 서로 다르게 나타난다. 하지만 숫자가 높다고 해서 반드시 모든 상황에서 더 우수한 기술이라고 판단할 수 있는 것은 아니다.

 

연구마다 대상 환자와 분석 목적, 데이터의 종류, 평가 지표가 다를 수 있기 때문이다. 전장 유전체를 분석해 질환의 원인을 찾는 연구와 이미 검사했지만 원인을 밝히지 못한 환자를 재분석하는 연구는 출발점부터 다르다.

원문에 제시된 연구 사례를 정리하면 다음과 같다.

연구·사례	대상 규모	원문에 제시된 주요 결과
서울대병원·쓰리빌리언 전장 유전체 분석	국내 1,452가구, 3,317명	원인 규명율 46.2%, 가족 검사가 필요했던 경우는 진단 가구의 7.5%
소아희귀질환 AI 통합 솔루션 개발 사업	9개 질환군, 11개 병원·기업 참여	연간 약 429억 원의 경제적 효과 추정, 3년간 80억 원 투입
보스턴아동병원 미진단 환자 재분석	원인 미상 환자 376명	전체 진단 수율 4.8%
미진단질환 네트워크 LLM 연구	미진단 환자 사례	GPT-4o 기반 모델 13.3%, Llama 3.1 8B 기반 모델 10.0%의 진단 정확도로 원문에 기재

표의 수치는 원문에 기재된 내용을 정리한 것으로, 각 연구의 원문과 평가 기준을 독립적으로 대조해 검증한 결과는 아니다. 특히 LLM 연구의 13.3%와 10.0%가 어떤 평가 지표와 실험 조건에 따른 수치인지 확인한 뒤 해석할 필요가 있다.

 

연구 결과를 정확하게 이해하려면 수치뿐 아니라 연구 대상, 분석 방법, 진단의 정의와 평가 기준을 함께 살펴봐야 한다. 서로 다른 연구에서 제시한 결과를 단순히 나열해 기술의 우열을 판단하는 것은 적절하지 않을 수 있다.

4. 희귀 질환이 의심된다면 참고할 점

AI 분석 기술이 발전하더라도 희귀 질환의 진단 과정에는 환자의 증상과 과거 검사 결과, 가족력 등 다양한 정보가 중요하게 활용된다. 진단 과정에서 참고할 만한 사항을 정리하면 다음과 같다.

 

첫째, 희귀 질환 전문 진료가 가능한 의료기관을 알아본다.

여러 병원에서 증상의 원인을 찾지 못했다면 희귀질환 진료 경험이 있는 전문센터에서 상담할 수 있는지 알아보는 방법이 있다. 다만 어떤 의료기관과 진료과가 적합한지는 증상과 기존 검사 결과에 따라 달라질 수 있다.

 

둘째, 과거 검사 결과를 보관한다.

이전에 시행한 유전자 검사와 관련 검사 결과는 이후 진료나 재분석 과정에서 참고 자료로 활용될 수 있다. 검사 결과가 있다는 사실만으로 재분석이 반드시 가능하거나 새로운 진단이 나온다는 의미는 아니지만, 기존 검사 이력을 정리해 두면 의료진과 상담할 때 도움이 될 수 있다.

 

셋째, 가족력이 있다면 진료 시 알린다.

가족 중 비슷한 증상을 경험한 사람이 있는지, 관련 진단을 받은 사람이 있는지 등은 의료진이 질환의 가능성을 검토할 때 참고할 수 있는 정보다. 가족력이 없다고 해서 유전질환의 가능성이 반드시 배제되는 것은 아니며, 가족력의 해석은 개별 상황에 따라 달라질 수 있다.

 

넷째, 검사 범위와 목적을 충분히 상의한다.

전장 유전체 분석은 검사 범위와 해석 과정 등을 고려해야 하는 검사다. 검사 비용과 소요 기간, 결과를 통해 확인할 수 있는 내용은 검사 종류와 의료기관에 따라 달라질 수 있다. 담당 의료진과 검사 목적 및 결과의 해석 방법을 충분히 상의하는 것이 중요하다.

5. 자주 묻는 질문(FAQ)

Q1. AI 유전체 분석으로 모든 희귀 질환을 찾아낼 수 있나요?

그렇지는 않다. 연구마다 대상 환자와 분석 방법, 평가 기준이 다르며, 모든 사례에서 질환의 원인이 밝혀지는 것은 아니다. AI가 찾아낸 변이나 분석 결과도 임상적 의미를 검토하고 필요한 추가 검증을 거쳐야 한다. 따라서 AI 분석은 진단을 지원하는 도구로 이해하는 것이 적절하다.

Q2. 희귀질환 검사를 받으려면 가족 전체가 검사해야 하나요?

반드시 그런 것은 아니다. 원문에 소개된 서울대병원 연구에서는 가족 검사가 필요했던 경우가 진단 가구의 7.5%로 제시됐다. 다만 이 결과를 모든 환자에게 그대로 적용할 수는 없다. 환자 단독 검사와 가족 검사의 필요성은 질환의 특성과 가족력, 검사 목적에 따라 달라질 수 있으므로 담당 의료진과 상의해야 한다.

Q3. 유전체 검사 결과가 나오기까지 얼마나 걸리나요?

원문에서는 일반적인 차세대 염기서열 분석(NGS)의 검사 시행부터 결과 보고까지 평균 3~6개월이 소요되는 것으로 소개하고 있다. 다만 검사 종류와 의료기관, 분석 범위 등에 따라 실제 기간은 달라질 수 있다. AI 통합 솔루션이 개발되면 검사와 분석 과정의 효율이 개선될 가능성이 있지만, 개발 목표와 실제로 확인된 성과는 구분해서 살펴봐야 한다.

---

희귀 질환 진단은 환자의 증상과 질환의 특성, 검사 결과에 따라 오랜 시간이 걸릴 수 있다. 유전체 분석 기술이 발전하더라도 수많은 변이 가운데 질환과 관련된 원인을 찾아내고, 그 의미를 정확하게 해석하는 과정은 여전히 중요하다.

 

AI는 방대한 유전체 데이터에서 관련 가능성이 있는 변이를 선별하고, 기존 분석에서 놓쳤던 단서를 찾는 데 활용될 수 있다. 처음부터 유전체를 분석하는 연구뿐 아니라 원인을 찾지 못한 환자의 데이터를 재분석하는 연구도 이러한 가능성을 보여준다.

 

그러나 연구에서 보고된 원인 규명률이나 진단 수율을 모든 환자에게 그대로 적용할 수는 없다. 연구 대상과 분석 방법이 다르고, AI가 제시한 결과는 전문가의 검토와 추가 확인이 필요할 수 있기 때문이다.

 

앞으로 AI가 희귀 질환 진단 과정에서 얼마나 실질적인 도움을 줄 수 있을지는 연구 결과와 실제 임상 적용 사례를 계속 살펴볼 필요가 있다. 중요한 것은 AI가 의료진의 판단을 대신한다고 보는 것이 아니라, 진단에 필요한 단서를 찾고 검토하는 과정을 지원하는 도구로 이해하는 것이다.

함께 보면 좋은 글

• AI 정밀 의학의 시대: 진단의 새로은 희망 (2026-05-29)
• AI 신약 개발 혁명: 10년 걸리던 신약이 1년으로 줄어드는 이유 (2026-07-05)

출처 및 참고 사이트

• 헤럴드경제, 서울대병원 전장 유전체 분석으로 희귀 유전질환 46.2% 원인 규명 
• 메디칼타임즈, 서울대병원 소아희귀질환 AI 통합 솔루션 개발 착수
• 코메디닷컴, 보스턴아동병원 AI 유전체 재분석으로 희귀질환 진단 돌파구 
• 메디게이트뉴스, AI 기술과 만난 유전자 검사, 희귀질환 진단 가속화 

면책 조항
본 포스팅은 정보 제공을 목적으로 하며, 의학적 진단이나 치료를 대신하지 않습니다. 건강 관련 결정은 반드시 전문 의료진과 상담하시기 바랍니다.