OpenAI가 ChatGPT for Clinicians에 PubMed, ClinicalTrials.gov, DailyMed 등 공공 의료 데이터 9종을 읽기 전용 플러그인으로 붙였습니다. 한국 제약·의료기기 직군의 활용처와 교육 커리큘럼, 민감정보 주의점을 정리합니다.
OpenAI가 2026년 9월 1일 ChatGPT 릴리스 노트에 Healthcare Public Data in ChatGPT for Clinicians 항목을 올렸습니다. 같은 날 openai.com에는 Epic EHR 연동과 함께 이 플러그인을 소개하는 발표문이 실렸습니다. 코텍시스는 이 항목을 기업교육 관점에서 읽습니다. 공개 의료 데이터 9종을 한 대화창에서 검색하는 기능은 미국 임상의만의 이야기로 끝나지 않습니다. 한국 제약사와 의료기기 회사의 허가, 메디컬 어페어, 약물감시 직군이 매일 보는 소스가 그대로 들어 있기 때문입니다.
추가된 것
플러그인 하나에 읽기 전용 앱 9개가 묶여 있습니다. 환자 차트에는 접근하지 않습니다. 원문은 소스마다 한계 문장을 붙여 두었는데, 이 문장들이 그대로 검증 체크리스트가 됩니다.
| 소스 | 내용 | 원문이 붙인 한계 |
|---|---|---|
| PubMed | 논문 초록과 인용, 공개 전문 | 적용 전 원문 검토 |
| ClinicalTrials.gov | 임상시험 목록, 모집 상태, 선정 기준 | 현재 모집 여부는 연구팀에 확인 |
| DailyMed | 공식 의약품 라벨, 성분, 식별자 | 임상 해석 필요 |
| RxNorm | 표준 약물명과 식별자 | 용량과 대체 가능성을 정하지 않음 |
| openFDA | 리콜, 이상사례 집계 | 인과관계와 빈도를 뜻하지 않음 |
| CMS Coverage | 메디케어 급여 정책 | 개별 환자 급여를 결정하지 않음 |
| CMS Open Data | Part B, Part D, 입원 지불 데이터 | Open Payments와 메디케이드 미포함 |
| Medicare Care Compare | 의료기관 품질 지표 | 같은 정의와 기간끼리만 비교 |
| NPI Registry | 의료인과 기관 식별 기록 | 면허 유효성과 품질을 보증하지 않음 |
출처: OpenAI, Healthcare organizations can now connect EHR and additional industry data to ChatGPT
대상은 미국의 ChatGPT for Clinicians 이용자(검증된 의사, NP, PA, 약사)와 ChatGPT for Healthcare, HIPAA가 활성화된 Enterprise 워크스페이스입니다. 관리자는 플러그인 설치 정책과 앱별 접근을 따로 관리하며, 플러그인을 설치해도 앱이 자동으로 연결되지는 않습니다.
우리나라 기업에서 쓰는 직군
우리나라 직원은 ChatGPT for Clinicians 대상이 아니므로 Enterprise 워크스페이스에서 관리자가 열어 주어야 합니다. 그 조건이 갖춰지면 쓰임새는 분명합니다. 약물감시 담당자가 특정 성분의 openFDA 리콜 기록과 DailyMed 최신 라벨을 한 대화에서 비교하고, 근거 링크를 붙인 보고서 초안을 만드는 식입니다.
교육 커리큘럼에 반영할 것
웹 검색과 구조화 소스 검색은 다른 기술입니다. 식별자, 버전, 필드 단위로 묻는 법을 가르쳐야 결과가 달라집니다. OpenAI 자체 평가에서 연결 소스 5종 각각의 응답 93% 이상이 "good" 이상 정확도를 받았습니다. 나머지를 사람이 잡아야 한다는 뜻이므로 위 표의 한계 문장을 검토 단계로 커리큘럼에 넣습니다.
데이터와 보안에서 확인할 것
원문은 공개 소스로 보내는 검색어에 보호 대상 건강정보를 넣지 말라고 명시합니다. 우리나라에서는 개인정보보호법상 민감정보인 건강 정보가 같은 자리에 놓입니다. 환자와 시험 대상자를 식별할 수 있는 값은 검색어에서 제외하는 규칙을 교육 첫 시간에 두는 편이 안전합니다. 관리자 화면의 헬스케어 경고를 수락해도 앱이 보호 대상 정보에 적합해지는 것은 아니라는 원문 문장도 그대로 전달할 필요가 있습니다.
원문은 ChatGPT 릴리스 노트와 Using Healthcare Public Data in ChatGPT and Codex에서 확인할 수 있습니다.
코텍시스 창업자로 AX 컨설팅과 기업 AI 교육, AI 에이전트 개발을 직접 수행합니다.
코텍시스 AI 인사이트 최신 논문 리뷰
AWQ 양자화: 활성값을 보고 가중치를 지키는 4비트 양자화
MIT 연구진의 AWQ는 활성값 분포를 기준으로 중요한 가중치 1%만 보호해도 저비트 양자화 오류가 크게 줄어든다는 관찰에서 출발해 재학습 없는 4비트 양자화를 구현했고 전용 커널 TinyChat으로 FP16 대비 3배 이상의 추론 속도를 달성했습니다. 온프레미스 sLLM을 소수의 GPU로 서빙해야 하는 기업에게 정확도 손실 없이 메모리와 비용을 동시에 줄이는 사실상의 표준 기법입니다.
Mixtral 8x7B로 읽는 MoE 아키텍처: 13B의 연산으로 70B급 성능 내기
총 47B 파라미터 중 토큰당 13B만 활성화하는 희소 MoE 모델 Mixtral 8x7B는 Llama 2 70B와 GPT-3.5를 대부분의 벤치마크에서 따라잡거나 능가했습니다. 추론 연산량은 소형 모델 수준으로 유지하면서 품질을 끌어올리는 MoE의 실용성을 입증한 사례로, 기업의 자체 호스팅 모델 선정 기준에 직접 영향을 줍니다.
DPO가 바꾼 선호 정렬 학습: 보상 모델 없이 RLHF를 대체하는 방법
DPO는 보상 모델의 재매개변수화를 통해 최적 정책을 닫힌 형태로 유도하고, 선호 데이터에 대한 단순 분류 손실만으로 RLHF와 같은 목적을 달성하는 기법입니다. 강화학습 파이프라인을 운영할 여력이 없는 기업 프로젝트에서 선호 정렬을 현실적인 작업 범위로 만들어 준 논문입니다.
AI 솔루션이 필요하신가요?
cortexys.team에서 맞춤 AI 개발 서비스를 확인하세요.
