--- title: "ISPOR 2026, AI와 실제임상근거가 가치 기반 의료의 중심으로 들어옴" published: 2026-06-04T20:50:02.411Z canonical: https://jeff.news/article/3698 --- # ISPOR 2026, AI와 실제임상근거가 가치 기반 의료의 중심으로 들어옴 ISPOR 2026은 약가정책, 실제임상근거, 생성형 AI, 환자 중심 가치평가가 보건의료 의사결정의 핵심으로 올라왔다는 흐름을 보여준 행사였음. 개발자 관점에서는 의료 AI가 단순 자동화가 아니라 투명성, 재현 가능성, 거버넌스까지 요구받는다는 점이 포인트임. ## AI가 HEOR 실무 안으로 들어오기 시작함 - ISPOR 2026의 큰 메시지는 의료 경제성 평가(HEOR)가 더 이상 백오피스 분석 업무가 아니라는 거였음 - 올해 주제는 정책, 접근성, 가치의 최전선에 선 HEOR였음 - 약가정책, 실제임상근거(RWE), 생성형 AI, 환자 중심 가치평가가 핵심 축으로 다뤄짐 - 행사 기간은 5월 17일부터 20일까지, 장소는 미국 필라델피아였음 - 생성형 AI와 대규모 언어 모델(LLM)은 이제 “미래 기술”이 아니라 실무 도구로 들어오는 중임 - 경제성 평가 모델링 자동화 - 문헌 검토 자동화 - 실제 임상 데이터 분석 자동화 - 이런 작업에 AI를 붙이려는 흐름이 빠르게 확산됐다고 함 > [!IMPORTANT] > 의료 AI에서 핵심은 “빨리 뽑아준다”가 아니라 “의사결정에 써도 될 만큼 믿을 수 있냐”임. 학계와 산업계가 반복해서 강조한 키워드도 투명성과 재현 가능성이었음. - 다만 분위기가 마냥 낙관은 아니었음 - HTA와 경제성 평가 과정에서 생성형 AI 활용 사례가 소개됐지만, 재현성 부족과 설명 가능성 부족이 계속 지적됨 - 규제기관과 보험자가 결과를 믿으려면 “왜 이런 결론이 나왔는지”를 추적할 수 있어야 함 - 그래서 AI Governance와 Responsible AI가 새 연구 의제로 떠오르고 있음 ## RWE와 약가정책도 같이 흔들림 - 실제임상근거(RWE)는 이번 학회의 또 다른 중심축이었음 - 실제 진료 환경에서 생성되는 데이터가 규제기관, 보험자, 산업계 의사결정에 더 많이 쓰이고 있음 - 단순히 데이터가 많다는 것보다 “fit-for-purpose evidence”, 즉 목적에 맞는 근거를 만드는 게 중요하다는 논의가 이어짐 - 여러 데이터 소스를 통합할 때 품질 관리와 표준화를 어떻게 할지가 큰 과제로 제시됨 - 미국 약가정책 변화는 글로벌 제약 생태계 전체를 흔들 수 있는 이슈로 다뤄짐 - 약가 협상 확대, 최혜국 가격(MFN) 정책, 국제참조가격제(IRP)가 주요 논점이었음 - 연사들은 비용 통제보다 중요한 건 혁신을 유지하면서 지속 가능한 가격 구조를 설계하는 것이라고 봄 - 미국 정책 변화가 다른 국가의 가격 결정, 신약 출시 전략, 연구개발 투자 방향까지 바꿀 수 있다는 우려도 나옴 - 항암치료 비용 증가도 빠지지 않았음 - 항암제 비용은 계속 오르는데 의료 재원은 제한적임 - 단순 약가 인하만으로는 접근성과 지속 가능성을 동시에 잡기 어렵다는 의견이 많았음 - 환자 가치, 사회경제적 편익, 장기 의료비 절감 효과까지 포함하는 확장된 가치평가가 필요하다는 쪽으로 논의가 모임 ## 환자 중심 가치평가로 방향이 바뀌는 중 - 경제성 평가의 기준도 비용과 효과만 보던 시대에서 조금씩 벗어나는 중임 - 환자가 실제로 중요하게 여기는 결과를 측정해야 한다는 요구가 커지고 있음 - 건강 형평성, 사회적 건강결정요인(SDoH), 접근성 격차도 가치평가에 포함해야 한다는 흐름임 - ISPOR가 제시한 2026-2027 HEOR 트렌드도 이 변화를 뒷받침함 - AI - RWE - 가치 기반 의료 - 약가정책 - 이 네 가지가 최우선 과제로 제시됨 - 결국 결론은 세 가지 목표를 동시에 맞추는 새 프레임워크가 필요하다는 것임 - 혁신 유인 유지 - 환자 접근성 확대 - 지속 가능한 의료 시스템 구축 - 말은 쉬운데, 약가·데이터·AI·규제가 한꺼번에 얽혀서 꽤 빡센 문제임 --- ## 기술 맥락 - 이 기사에서 AI는 챗봇처럼 답변을 잘하는 도구가 아니라, 의료 의사결정에 들어가는 증거 생산 도구로 다뤄져요. 경제성 평가 모델링이나 문헌 검토를 자동화하면 속도는 빨라지지만, 결과가 왜 그렇게 나왔는지 설명하지 못하면 실제 정책에는 쓰기 어려워요. - RWE가 중요한 이유는 임상시험만으로는 현실의 환자군과 진료 환경을 다 담기 어렵기 때문이에요. 보험자나 규제기관은 실제 진료 데이터에서 나온 근거를 보고 싶어 하지만, 데이터 품질과 표준화가 안 되면 오히려 신뢰를 잃거든요. - 그래서 생성형 AI를 의료 HEOR에 붙일 때는 모델 성능보다 거버넌스가 먼저 문제가 돼요. 입력 데이터 출처, 분석 재현성, 설명 가능성, 검토 절차가 갖춰져야 decision-grade evidence라고 부를 수 있어요. - 개발자 입장에서는 의료 AI 프로젝트가 일반 업무 자동화와 다르게 보이면 돼요. 결과가 그럴듯한지보다, 누가 검증했고 어떤 데이터로 만들었고 같은 조건에서 다시 재현되는지가 더 큰 요구사항이에요. ## 핵심 포인트 - 생성형 AI와 대규모 언어 모델이 경제성 평가 모델링, 문헌 검토, 실제 임상 데이터 분석에 쓰이기 시작함 - 전문가들은 빠른 결과보다 투명성과 재현 가능성이 더 중요하다고 봄 - 실제임상근거는 데이터 양보다 목적에 맞는 증거 품질과 표준화가 핵심 과제로 떠오름 - 미국 약가정책 변화가 글로벌 신약 출시 전략과 연구개발 투자 방향까지 흔들 수 있다는 논의가 나옴 ## 인사이트 의료 AI는 ‘잘 맞히는 모델’만으로 끝나는 시장이 아님. 규제기관과 보험자가 믿을 수 있는 설명 가능성, 재현성, 데이터 품질 관리가 없으면 실무 채택이 막힘.