다제 약물(polypharmacy) 복용의 복잡한 문제를 해결하는 데 AI는 중요한 역할을 한다. 다제 약물 복용은 보통 5가지 이상의 약을 동시에 복용하는 것을 의미하며, 특히 노인 환자에게 흔하게 나타나는데, 이로 인해 약물 상호작용, 부작용, 그리고 복약 순응도 저하와 같은 다양한 위험이 발생한다. AI는 이러한 위험을 관리하고 완화하기 위해 다양한 방식으로 활용될 수 있다.

AI는 방대한 양의 의료 데이터와 약물 정보를 분석하여 인간의 능력으로는 파악하기 어려운 패턴과 위험을 식별할 수 있다.

AI 알고리즘은 환자의 전자 건강 기록(EHR), 유전자 정보, 복용 중인 모든 약물 데이터를 종합적으로 분석하여 잠재적인 약물-약물 상호작용 및 약물-질병 상호작용을 찾아낼 수 있다. 이를 통해 의사와 약사는 환자에게 부작용을 일으킬 수 있는 약물 조합을 사전에 인지하고, 약물 처방을 최적화할 수 있다.

AI는 환자의 특정 건강 상태, 나이, 생활 습관, 유전적 특성 등을 고려하여 가장 안전하고 효과적인 약물 조합을 추천할 수 있다. 이는 단순히 상호작용을 피하는 것을 넘어, 환자 개개인에게 최적화된 치료 계획을 수립하는 데 도움을 준다.

또한, 스마트폰 앱이나 웨어러블 기기와 연동된 AI 기반 시스템은 환자에게 약 복용 시간을 알려주고, 복용 여부를 추적하며, 복용을 잊었을 경우 알림을 보내는 등 복약 순응도를 높이는 데 기여할 수 있다.

그리고 AI는 환자에게 더 이상 필요하지 않거나 잠재적으로 해로운 약물을 식별하여 의료 전문가에게 약물 중단 또는 용량 조절을 제안할 수 있다. 이는 특히 만성 질환이 있는 노인 환자의 다제 약물 부담을 줄이는 데 매우 중요하다.

AI는 수많은 변수를 동시에 고려하여 약물 처방의 정확성을 향상시킬 수 있으며, 의료진이 수동으로 약물 상호작용을 검토하는 데 드는 시간을 획기적으로 줄여준다. 또한, 잠재적 위험을 사전에 예측하고 방지함으로써 환자의 안전을 크게 향상시킬 수 있으며, 불필요한 약물 처방을 줄이고 약물 부작용으로 인한 입원을 예방하여 의료 비용을 절감하는 효과도 있다.

하지만 AI는 의료 전문가의 역할을 대체하는 것이 아니라, 복잡한 의료 결정을 지원하는 보조 도구로서 활용되어야 하며, AI가 제공하는 정보는 의학적 판단의 보조적 자료가 될 수 있지만, 전문가의 임상적 판단과 환자와의 직접적인 소통은 여전히 필수적이다.

AI가 Polypharmacy에서 활용되는 방식
1. 약물 상호작용 예측 🔹 AI 모델(특히 딥러닝, 그래프 신경망)을 활용해 신약 + 기존 약물 간 상호작용을 사전에 예측 🔹 예: ① 화학 구조, 약리작용, 대사 경로 데이터 → DDI 예측 모델 ② 실제 전자의무기록(EHR) 기반 약물 조합 위험성 평가
2. 개인 맞춤형 약물 추천 🔹 환자의 유전 정보(약물유전체학, Pharmacogenomics), 건강검진 데이터, EHR을 AI가 분석 🔹 가장 적절한 약물 조합을 추천하고 불필요한 처방을 줄여줌
3. 부작용 탐지 🔹 자연어처리(NLP)로 환자 진료 기록, 약물 복용 후 보고된 증상에서 이상반응 패턴을 자동 감지 🔹 다약제 복용 환자의 ADR 조기 경고 시스템 역할
4. 의사·약사 보조 시스템 (CDSS: Clinical Decision Support System) 🔹 AI가 복약지도, 처방 검토 단계에서 위험 약물 조합을 실시간 알림 🔹 예: “이 환자, 와파린 + NSAID 병용 위험 → 출혈 가능성 ↑”
5. 복약 순응도 관리 🔹 AI 챗봇·모바일 앱이 복약 스케줄 관리, 복용 여부 확인, 환자 피드백을 수집 🔹 특히 노인·치매 환자 관리에 유용
🔴 실제 사례 🔹 IBM Watson for Drug Discovery: 약물 상호작용 및 재창출(drug repurposing) 연구에 활용 🔹 DeepDDI (딥러닝 기반 DDI 예측 모델): 수십만 개 약물 조합의 상호작용 가능성을 예측 🔹 스마트 약물 관리 앱: AI가 환자 복약 패턴을 학습해 알람 및 경고 제공

기존의 약물 상호작용 데이터베이스는 주로 '알려진' 상호작용에 초점을 맞추지만, AI는 빅데이터를 기반으로 숨겨진 패턴을 찾아낸다.
환자의 방대한 임상 데이터(EHR, 처방 내역, 검사 결과 등)를 학습한 머신러닝(ML) 모델은 약물의 복합적인 조합이 특정 환자에게 미치는 예상치 못한 부작용이나 치료 반응 저하를 예측할 수 있다. 예를 들어, 특정 유전형을 가진 환자에게는 A약물과 B약물의 조합이 C약물과 D약물의 조합보다 심각한 부작용을 일으킬 확률이 높다는 것을 AI가 학습하여 경고할 수 있다.

자연어 처리(NLP) 활용으로 환자의 진료 기록에 포함된 비정형 데이터(의료진의 메모, 환자의 증상 호소 등)를 분석하여 약물 관련 문제의 원인을 파악할 수 있다. NLP는 단순히 '구토'라는 증상 단어만 인식하는 것이 아니라, "약을 먹을 때마다 속이 불편하다"와 같은 자연스러운 문장에서 약물 부작용의 가능성을 추론할 수 있다.

AI는 환자의 다양한 변수를 종합적으로 고려하여 개인 맞춤형 약물 관리(Personalized Pharmacotherapy)를 지원하여 약사들이 환자 맞춤형 복약 상담을 제공하도록 도울 수 있다. AI는 나이, 기저 질환, 신장/간 기능, 유전적 특성, 생활 습관, 복약 순응도 등 여러 요소를 고려하여 약물 복용 위험도를 점수화하며 이 점수를 통해 약사들은 고위험군 환자를 우선적으로 관리하고, 약물 처방에 대한 정성적인 판단을 보강할 수 있다.

또한, 약물 중단(Deprescribing)을 최적화하는데 도움이 될 수 있는데, 다제 약물 복용 환자 중 상당수는 더 이상 필요하지 않은 약을 복용하고 있으므로 AI는 환자의 현재 상태와 치료 목표를 분석하여 중단 가능한 약물 후보군을 제안할 수 있다. 예를 들어, 혈압이 안정된 환자의 경우, AI는 혈압약 용량 감량이나 중단을 고려할 수 있다고 제안하며, 약사는 이를 바탕으로 의사와 협력하여 약물 중단 계획을 세울 수 있다.

AI는 업무 효율성 및 임상 의사결정을 지원할 수 있는데, AI 기반 시스템은 처방전 입력 시 실시간으로 잠재적인 약물 상호작용, 용량 오류, 중복 처방 등을 자동으로 식별하여 경고하며, 이는 약사가 일일이 수작업으로 확인해야 했던 부담을 크게 줄여준다. 또한, AI는 최신 연구 논문, 임상 시험 결과 등을 실시간으로 학습하여 약사에게 새로운 약물 조합이나 치료 가이드라인을 제안할 수 있다. 이는 약사들이 끊임없이 변화하는 약물 정보에 대한 최신 지식을 습득하고 환자에게 더 나은 상담을 제공하는 데 도움이 된다.

결국, AI는 약사의 전문성을 대체하는 것이 아니라, 방대한 데이터를 신속하고 정확하게 분석하여 임상적 판단의 질을 높이는 '디지털 보조자' 역할을 수행한다. 이를 통해 약사는 단순 반복 업무에서 벗어나, 환자와의 소통과 복약 상담에 더 집중하여 환자 안전과 치료 효과를 극대화하는 데 기여할 수 있다.

---

AI (인공지능)와 일반 프로그램의 가장 큰 차이는 동작 방식과 문제 해결 접근법에서 나타난다.
동작 원리에서 일반 프로그램은 사람이 미리 작성한 규칙(알고리즘, if-else, 수학 공식 등)에 따라 그대로 동작하며 입력이 주어지면 정해진 절차대로 결과를 내지만(규칙 기반), AI는 사람이 일일이 규칙을 짜지 않고, 데이터를 학습해 스스로 규칙이나 패턴을 찾아내며 새로운 입력에도 학습한 경험을 바탕으로 결과를 추론한다(학습 기반).

또한, 일반 프로그램은 입력이 규칙에서 벗어나면 오류가 발생하거나 처리가 불가능하지만 AI는 예측·추론 능력이 있어서 처음 보는 입력이라도 비슷한 경험을 근거로 답을 내놓을 수 있다.

결과에서도 일반 프로그램은 결과가 항상 정확하고 동일하지만(예: 계산기 2+2=4), AI는 결과가 확률적·추정적이다. 즉, 같은 입력에도 조금씩 다른 답을 내거나, 100% 정확하지 않을 수 있다.

개발 방식의 경우, 일반 프로그램은 개발자가 직접 로직을 설계하고 구현(규칙을 사람이 다 정의)하나 AI는 개발자가 모델 구조와 학습 방법을 제공하면 AI가 데이터를 통해 스스로 규칙을 습득한다.

기술적 관점에서 일반 프로그램은 구조상 '입력(Input) → 규칙(알고리즘, 조건문, 수학 공식) → 출력(Output)'의 형태이지만, AI 프로그램 (특히 머신러닝)은 '입력(Input) → 모델(가중치·수학적 함수) → 출력(Output)'의 형태이다. 모델은 사람이 직접 규칙을 짜지 않고, 데이터 학습을 통해 가중치를 최적화하여 규칙을 스스로 형성한다.

AI는 데이터 자체가 규칙을 결정하며 모델의 성능은 데이터 품질에 직접적으로 의존한다.

또한, 확률적/통계적 모델 기반이므로 같은 입력이라도 약간 다른 결과가 나올 수 있다 (확률론적 시스템). 예를 들면, 이미지 분류 모델이 고양이를 97% 확률로 "고양이", 3% 확률로 "개"라고 출력하는 경우이다.

일반 프로그램이 규칙 밖 입력이 들어오면 "오류(Error)" 발생을 하는 것과는 다르게 AI의 에러 처리 방식은 학습한 범위 안에서 가장 가능성 높은 답을 출력(완벽하지 않아도 근사치 제공)한다.

복잡성 처리에서 일반 프로그램은 복잡한 문제(예: 음성인식)를 풀려면 규칙을 사람이 모두 정의해야 해서 불가능에 가깝지만, AI는 신경망(딥러닝 등)을 사용해 고차원 데이터 패턴을 스스로 학습하여 해결이 가능하다.

이미지 인식의 경우 일반 프로그램은 "고양이"를 정의하려면 귀 크기, 꼬리 길이, 털 무늬 등 규칙을 사람이 다 써야하므로 사실상 불가능하다. 그러나 AI 프로그램은 수많은 고양이/개 사진을 학습하여 신경망의 파라미터가 자동으로 조정하므로 새 이미지를 보고도 "고양이일 확률"을 계산한다.

기술적 관점에서 가장 큰 차이는 일반 프로그램은 사람이 "규칙"을 코딩하지만, AI는 "데이터"로부터 규칙을 스스로 학습한다는 점이다

프로그램 구조
python # 일반 프로그램 예시 def 절댸값(x): if x >= 0: return x else: return -x → 절댸값은 "음수면 부호를 바꾼다"라는 명확한 규칙으로 동작
python # AI 예시 (단순화) # y = w*x + b, 학습 과정에서 w와 b가 데이터로부터 결정됨 → 규칙이 아니라 파라미터(w, b)를 데이터 기반으로 학습

일반 프로그램은 규칙이 고정되어 있고 데이터가 단순 입력되지만 AI 프로그램은 데이터가 규칙을 만든다 (모델 파라미터 학습).

AI 프로그램의 기술적 차이
🔵 일반 프로그램 (규칙 기반) 규칙은 사람이 직접 정의 입력이 같으면 항상 같은 출력 예: 계산기, 은행 ATM, 엑셀 수식 scss 입력 데이터 ──▶ 사람이 만든 규칙(코드, 알고리즘) ──▶ 출력
🔴 AI 프로그램 (학습 기반) 규칙은 사람이 코딩하지 않고, 데이터 학습을 통해 자동 형성 확률적, 추론적 결과 예: 이미지 인식, 음성 인식, 챗GPT 입력 데이터 + 정답(훈련 데이터) ──▶ 학습(모델 훈련) ──▶ 규칙(모델 파라미터 자동 생성) 새로운 입력 데이터 ──▶ 학습된 모델 ──▶ 예측/추론 결과

AI 프로그램에서 입력된 정보가 저장되는 위치는 시스템 설계 방식에 따라 다르다. 개인 PC에서 실행되는 AI는 로컬 디스크/메모리, 온라인 AI 서비스는 클라우드 서버(DB + 임시 메모리), 그리고 기업용 AI는 보안 서버(DB)나 일부 로컬 캐시를 활용한다.

AI 프로그램의 기술적 차이
1. 로컬 저장 (Local Storage) 🔹 사용자의 PC, 서버, 또는 기기 내부에 데이터를 저장. 🔹 예: 오프라인 AI 소프트웨어, 개인 서버에서 돌리는 챗봇. 🔹 특징: 개인정보 보안이 유리하지만, 저장공간·연산 능력이 한정됨
2. 클라우드 서버 (Cloud Storage) 🔹 입력된 정보가 인터넷을 통해 원격 서버(예: AWS, Azure, GCP)에 저장. 🔹 예: ChatGPT, Google Bard 같은 클라우드 기반 AI. 🔹 특징: 대규모 데이터 저장과 연산 가능, 여러 기기에서 접근 가능. 하지만 보안·프라이버시 관리가 중요.
3. 임시 메모리 (RAM, 캐시) 🔹 AI가 대화 중에만 데이터를 임시 저장. 🔹 세션이 종료되면 삭제되는 경우가 많음. 🔹 예: "대화 기록을 저장하지 않습니다"라고 밝히는 AI 서비스.
4. 데이터베이스 (DB) 🔹 AI 시스템이 학습이나 기록을 위해 별도의 DB(MySQL, MongoDB 등)에 저장. 🔹 예: 의료 AI → 환자 기록 DB에 저장 후, 필요 시 AI가 조회. 🔹 특징: 구조화된 정보 저장, 장기적 보존 가능.

ChatGPT 같은 클라우드 AI는 입력을 서버에서 처리하고, 세션 중에는 임시 저장하며, 장기 저장 여부는 서 비스 정책에 따라 달라진다.
모델 자체(신경망 가중치)는 고정되어 있고, 사용자가 입력한 정보가 즉시 “학습”되는 것은 아니다. 다만, 일부 AI 서비스에서는 사용자의 입력 데이터를 수집·가공해 추후 모델 업데이트 시 학습 데이터로 활용할 수 있다. 기업/기관 전용 AI 솔루션(예: 의료 AI, 은행 AI)은 보안 규정에 따라 클라우드 대신 내부 서버(DB)에 저장하도록 설계되기도 한다.

클라우드 AI 입력 정보 처리 과정
1. 입력 (사용자 → 클라이언트) 🔹 사용자가 브라우저나 앱에서 텍스트를 입력 🔹 이 정보는 암호화(HTTPS)되어 AI 서버로 전송됨
2. 처리 (서버 → 모델 실행) 🔹 서버에서 AI 모델이 입력을 받아 추론(inference)을 실행 🔹 이 과정은 GPU/TPU 같은 고성능 연산 장비에서 처리됨 🔹 모델은 학습된 가중치(weight)를 기반으로 확률적으로 출력을 생성
3. 임시 저장 (세션 메모리/캐시) 🔹 대화의 맥락을 유지하기 위해 입력과 출력을 RAM 같은 임시 메모리에 보관 🔹 세션이 끝나면 대부분 삭제
4. 로그/데이터베이스 저장 (선택적) 🔹 일부 서비스는 품질 개선·오류 분석·안전성 검증을 위해 입력을 로그 서버(DB)에 저장 🔹 이 저장 여부와 기간은 서비스 정책(프라이버시 정책/이용약관)에 따라 다름
5. 출력 (서버 → 사용자) 🔹 생성된 답변이 네트워크를 통해 다시 사용자에게 전달됨

인공지능(AI)의 학습 과정은 데이터 수집 및 전처리, 모델 훈련, 그리고 모델 평가 및 개선 등 크게 세 가지 주요 단계로 나눈다.

AI가 학습하기 위해서는 정제된 데이터가 필요하다. 이 단계는 AI 학습의 가장 기본적인 부분이다. 데이터의 수집을 통해 AI가 학습할 문제를 해결하기 위한 충분한 양의 데이터를 모은다. 예를 들어, 고양이 사진을 구분하는 AI를 만든다면 다양한 고양이 사진을 수집해야 한다.

데이터 전처리 좌정에서 수집된 데이터를 AI가 이해할 수 있는 형태로 가공한다. 이 과정에는 데이터의 누락된 부분을 채우거나, 오타를 수정하거나, 데이터의 크기를 통일하는 작업 등이 포함된다.

AI는 모델 훈련과정에서 실제로 데이터를 보며 학습한다.문제의 종류에 따라 적합한 학습 알고리즘(예: 지도 학습, 비지도 학습, 강화 학습)을 선택하며, 훈련과정에서 전처리된 데이터를 AI 모델에 입력하여, 데이터의 패턴과 규칙을 스스로 찾아내도록 만든다. 이 과정은 마치 어린아이에게 수많은 예시를 보여주며 정답을 가르치는 것과 유사하다.

훈련 과정에서 AI는 데이터의 특징에 따라 가중치(Weight)와 편향(Bias)을 조절하며 정답에 더 가까워지도록 노력한다. 이 과정은 모델의 정확도를 높이는 핵심적인 부분이다.

모델 평가 및 개선 과정에서는 훈련에 사용되지 않은 새로운 데이터를 사용하여 AI가 얼마나 정확하게 예측하는지 평가한다. 이를 통해 모델이 새로운 상황에도 잘 작동하는지 확인하게 된다. 평가 결과가 만족스럽지 않으면, 모델의 매개변수를 조정하거나, 더 많은 데이터를 추가하거나, 다른 알고리즘을 시도하는 등의 방법으로 모델을 개선한다. 이 과정은 AI의 성능을 최적화하는 데 필수적이다.

AI 학습 과정 (Machine Learning Training)
1. 데이터 수집 🔹 AI는 데이터에서 규칙을 배운다. 🔹 이미지 인식 AI라면 고양이·개 사진, 언어 모델이라면 텍스트 데이터가 필요. 🔹 데이터는 많을수록, 그리고 품질이 높을수록 좋은 모델을 만들 수 있다.
2. 데이터 전처리 🔹 원시(raw) 데이터에는 잡음(노이즈), 오류, 불필요한 값이 많다. 🔹 전처리 작업: 결측값 제거, 정규화(normalization), 토큰화(tokenization), 증강(augmentation) 등 🔹 학습 효율과 성능을 높이는 필수 단계
3. 모델 설계 🔹 AI 모델 = 수학적 함수 + 가중치(파라미터) 🔹 딥러닝의 경우 신경망(Neural Network) 구조를 설계 👉 예: CNN(이미지), RNN/LSTM/Transformer(텍스트), GNN(그래프 데이터)
4. 순전파(Forward Propagation) 입력 데이터를 모델에 넣어 예측값(Output)을 계산 👉 예: “고양이 사진 → 고양이일 확률 0.85, 개인 확률 0.15”
5. 손실 함수 계산 (Loss Function) 🔹 예측값과 실제 정답(Label) 비교 → 오차(에러) 계산 🔹 손실 함수 예시: ① 회귀: MSE (평균제곱오차) ② 분류: Cross Entropy
6. 역전파(Backpropagation) & 최적화 🔹 오차를 줄이기 위해 모델의 가중치(weight)를 업데이트 🔹 경사하강법(Gradient Descent)과 같은 최적화 알고리즘을 사용 🔹 핵심: 오차를 뒤로 전파(backpropagation)하며 모든 파라미터를 조금씩 수정.
7. 반복 (Epoch) 🔹 전체 데이터셋을 여러 번 반복 학습 🔹 매 epoch마다 모델의 예측력이 점점 개선됨
8. 검증 & 테스트 🔹 학습에 쓰지 않은 데이터(Validation/Test set)로 모델 성능을 평가 🔹 오버피팅(Overfitting: 학습 데이터에만 과적합되는 현상) 방지 필요
🔵 요약 (AI 학습 파이프라인) 🔹 데이터 수집 → 전처리 → 모델 설계 → 순전파 → 손실 계산 → 역전파 & 최적화 → 반복(Epoch) → 검증/테스트 👉 결국 AI의 학습은 정답과 비교하면서 모델의 가중치를 조금씩 조정해, 오차를 줄여가는 과정이다.

---

📚 References

Yan Xia, An Xiong, Zilong Zhang, Quan Zou, Feifei Cui, A comprehensive review of deep learning-based approaches for drug–drug interaction prediction, Briefings in Functional Genomics, Volume 24, 2025, elae052.
Gheorghita FI, Bocanet VI, Iantovics LB. Machine learning-based drug-drug interaction prediction: a critical review of models, limitations, and data challenges. Front Pharmacol. 2025 Jul 30;16:1632775. doi: 10.3389/fphar.2025.1632775. PMID: 40808680; PMCID: PMC12344460.
A Elhosseiny Elsayed, S Eldawlatly, E Ramadan, A Börsch-Supan, M Salama, Optimizing elderly care: a data-driven AI model for predicting polypharmacy risk using SHARE data, European Journal of Public Health, Volume 34, Issue Supplement_3, November 2024, ckae144.1170.
Akyon SH, Akyon FC, Yılmaz TE. Artificial intelligence-supported web application design and development for reducing polypharmacy side effects and supporting rational drug use in geriatric patients. Front Med (Lausanne). 2023 Mar 8;10:1029198. doi: 10.3389/fmed.2023.1029198. PMID: 36968816; PMCID: PMC10030839.
Socrates V, Wright DS, Huang T, Fereydooni S, Dien C, Chi L, Albano J, Patterson B, Sasidhar Kanaparthy N, Wright CX, Loza A, Chartash D, Iscoe M, Taylor RA. Identifying Deprescribing Opportunities With Large Language Models in Older Adults: Retrospective Cohort Study. JMIR Aging. 2025 Apr 11;8:e69504. doi: 10.2196/69504. PMID: 40215480; PMCID: PMC12032504.