ChatGPT에게 건강상담을 받아도 될까? 의사가 보는 가능성과 한계

ChatGPT에게 건강상담을 받아도 될까? 

몸이 불편할 때 증상을 검색하는 대신 ChatGPT에게 바로 물어보는 사람이 많아졌습니다.

“이 증상은 왜 생겼을까?”
“병원에 가야 할까?”
“이 약을 계속 먹어도 될까?”

겉으로는 비슷한 질문이지만 AI에게 맡겨도 되는 정도는 서로 다릅니다.

ChatGPT는 건강정보를 쉽게 설명하고, 증상을 정리하고, 진료 전에 질문을 준비하는 데 유용할 수 있습니다.

하지만 개인의 병을 확정하거나, 응급실에 갈지 결정하거나, 약을 시작·중단하는 판단까지 맡기기에는 아직 한계가 있습니다.

기준은 간단합니다.

AI에게 ‘정리와 준비’는 맡길 수 있지만, 중요한 의료 결정까지 넘기지는 않는 것입니다.

의학문제를 잘 푼다면 내 병도 잘 맞히지 않을까?

최근 대형언어모델(LLM)은 의학시험이나 정형화된 임상문제에서 상당히 높은 성능을 보입니다.

그래서 “의학문제를 그렇게 잘 맞힌다면 내 증상도 잘 진단하지 않을까?”라는 생각이 들 수 있습니다.

그런데 실제 사람이 AI를 이용할 때는 이야기가 달라집니다.

2026년 Nature Medicine에 발표된 무작위 연구에서는 임상 시나리오의 정보를 모두 AI에게 제공했을 때 LLM이 질환을 평균 94.9%에서 맞혔습니다.

하지만 일반인이 직접 AI와 대화하면서 문제를 해결했을 때는 적절한 질환을 알아낸 비율이 34.5% 미만, 적절한 진료 수준을 판단한 비율도 44.2% 미만이었습니다.

일반적인 인터넷 정보원을 사용한 사람보다 뚜렷하게 나은 결과도 아니었습니다.

AI 자체의 의학지식과 사람이 AI를 이용해 자신의 건강문제를 해결하는 능력은 같은 것이 아닙니다.

실제 건강상담에서는 ‘말하지 않은 정보’도 중요합니다

진료실에서는 현재 말한 증상만 듣고 판단하지 않습니다.

언제 시작했는지, 어떻게 변했는지, 다른 증상은 없는지 묻습니다. 복용약과 기존 질환도 확인합니다.

필요하면 진찰을 하고 혈압이나 체온을 재거나 검사를 시행합니다.

반면 AI는 기본적으로 사용자가 입력한 정보에서 출발합니다.

예를 들어 이렇게 물었다고 해보겠습니다.

“어제부터 배가 아픈데 왜 그럴까요?”

실제 판단에는 통증 위치, 발열, 구토, 배변 변화, 과거 수술력, 복용약처럼 추가 정보가 필요할 수 있습니다.

문제는 사용자가 처음부터 어떤 정보가 중요한지 알기 어렵다는 것입니다.

그래서 의료 AI에서는 “AI가 정답을 알고 있는가?”뿐 아니라 필요한 정보를 사람과 AI가 제대로 주고받을 수 있는가도 중요합니다.

ChatGPT가 가장 유용한 것은 ‘진단 전 단계’입니다

현재 근거를 보면 비교적 활용하기 좋은 영역은 다음과 같습니다.

• 어려운 의학용어를 쉬운 말로 설명하기
• 질환이나 검사의 일반적인 의미 이해하기
• 여러 증상을 시간순으로 정리하기
• 복용약과 검사 내용을 목록으로 정리하기
• 진료 전에 의료진에게 말할 내용 정리하기
• 진료실에서 물어볼 질문 만들기

이런 작업에는 공통점이 있습니다.

AI의 답변 자체가 치료 결정이 아니라, 사람이 다음 판단을 더 잘하도록 돕는다는 점입니다.

2026년 Nature Medicine 연구에서는 전문진료 전에 LLM 챗봇으로 병력을 정리하고 진료 정보를 준비하도록 했을 때 진료 과정의 효율과 의사소통이 개선될 가능성이 확인됐습니다.

또 다른 2026년 무작위 연구에서는 LLM 상담에 적절한 사전 교육을 더했을 때 일반인의 건강 이해도가 향상됐습니다.

AI의 장점은 꼭 정답을 대신 내주는 데만 있는 것이 아닙니다.

내가 가진 정보를 정리해 다음 진료를 더 잘 준비하는 것도 충분히 가치 있는 사용법입니다.

질문의 종류가 바뀌면 위험도도 달라집니다

예를 들어 아래 질문은 같은 고혈압 이야기처럼 보이지만 성격이 다릅니다.

“고혈압이 무엇인지 쉽게 설명해줘.”

이것은 일반적인 건강정보 요청입니다.

“내 혈압이 이렇게 나왔는데 고혈압이 맞아?”

여기부터는 개인의 진단 문제에 가까워집니다.

“오늘 혈압이 높은데 병원에 안 가도 돼?”

“지금 먹는 혈압약을 끊어도 될까?”

이 단계에서는 실제 행동과 치료 결정에 영향을 줄 수 있습니다.

답이 틀렸을 때 피해가 커지는 질문일수록 AI에게 최종 판단을 맡기기 어렵습니다.

특히 “응급실에 가야 할까?”는 조심해야 합니다

2026년 Nature Medicine에는 소비자용 ChatGPT Health의 응급도 판단 능력을 시험한 연구가 발표됐습니다.

21개 임상분야의 60개 시나리오를 여러 조건에서 반복해 총 960개의 응답을 평가했습니다.

그 결과 실제 응급상황에 해당하는 사례 가운데 52%가 필요한 수준보다 낮게 분류됐습니다.

일부 사례에서는 즉각적인 응급평가가 필요한 상황인데도 24~48시간 안에 진료받는 식으로 안내됐습니다.

이 연구 하나로 모든 AI 상담을 일반화할 수는 없습니다. AI 모델과 서비스는 계속 바뀝니다.

하지만 적어도 “AI가 괜찮다고 했으니 응급실에 가지 않아도 된다”는 사용법이 안전하다고 입증된 것은 아닙니다.

갑작스러운 흉통이나 호흡곤란, 의식 변화, 마비 같은 신경학적 이상, 심한 출혈처럼 진료가 늦어질수록 문제가 될 수 있는 상황에서는 AI 상담을 먼저 거칠 이유가 없습니다.

답변이 자연스럽다고 정확하다는 뜻은 아닙니다

ChatGPT의 특징 중 하나는 틀린 내용도 매우 자연스럽게 설명할 수 있다는 점입니다.

AI가 사실과 다른 내용을 그럴듯하게 만들어내는 현상을 흔히 ‘환각(hallucination)’이라고 부릅니다.

2026년 의료 AI 환각에 관한 체계적 문헌고찰에서는 존재하지 않는 참고문헌, 잘못된 치료 정보, 환자 상태를 부정확하게 요약하는 문제 등이 실제 위험으로 정리됐습니다.

여러 보완 기술이 개발되고 있지만 오류가 완전히 사라진 것은 아닙니다.

더 어려운 점은 사용자가 틀린 부분을 알아차리지 못할 수 있다는 것입니다.

문장이 매끄럽고 설명이 자세하면 사실처럼 느껴지기 쉽습니다.

그래서 건강정보에서는 AI가 얼마나 자신 있게 말하는지보다 확인 가능한 근거가 있는지를 보는 습관이 더 중요합니다.

“ChatGPT 정확도 90%” 같은 숫자도 그대로 믿으면 안 됩니다

AI 의료 연구를 볼 때도 주의가 필요합니다.

어떤 연구에서 정확도가 90%였다고 해서 지금 내가 사용하는 ChatGPT가 내 건강문제에서도 90% 정확하다는 뜻은 아닙니다.

2025년 JAMA Network Open의 체계적 문헌고찰은 건강상담용 생성형 AI를 평가한 137개 연구를 분석했습니다.

그런데 상당수 연구에서 정확한 모델 버전이나 질문 조건이 충분히 기록되지 않았고, 약 65%는 성능의 정답 기준에 주관적 평가가 포함돼 있었습니다.

또 다른 JAMA 체계적 문헌고찰에서는 의료 분야 LLM 연구 519개 가운데 실제 환자진료 데이터를 이용한 연구가 5%에 불과했습니다.

시험문제나 가상 사례에서 좋은 성적을 냈다는 것과 실제 사람이 안전하게 건강상담에 사용할 수 있다는 것은 구별해야 합니다.

ChatGPT 건강상담은 3단계로 나누면 쉽습니다

건강문제를 AI에게 물어볼 때는 정리 → 판단 보조 → 결정의 세 단계로 나눠보면 편합니다.

1. 정리 → 적극 활용

• 증상을 시간순으로 정리하기
• 의학용어를 쉽게 설명받기
• 진료실에서 물어볼 질문 준비하기

이 단계에서는 AI를 비교적 적극적으로 활용할 수 있습니다.

2. 판단 보조 → 확인 필요

• 가능한 원인을 몇 가지 범주로 정리하기
• 판단에 필요한 추가정보 찾기
• 의료진에게 확인해야 할 내용을 정리하기

AI의 답을 결론으로 쓰기보다 생각할 재료로 사용하는 단계입니다.

3. 결정 → AI 단독 판단 X

• 질병 확정
• 응급실 방문 여부 결정
• 약 시작·중단·용량 변경

이 단계는 실제 병력, 진찰, 검사 결과를 함께 볼 수 있는 의료진의 판단이 필요합니다.

정리에는 적극 활용하고, 판단에는 확인을 붙이고, 결정은 넘기지 않는 것.

현재 AI 건강상담을 사용하는 가장 실용적인 기준입니다.

질문을 바꾸면 AI를 더 잘 사용할 수 있습니다

AI에게 건강상담을 할 때는 정답을 바로 요구하기보다 판단에 필요한 정보를 요청하는 방식이 좋습니다.

예를 들어,

“나 폐렴이야?”

보다는

“이 증상에서 고려할 수 있는 원인은 무엇이고, 구분하려면 어떤 정보를 추가로 확인해야 할까?”

라고 묻습니다.

“이 약을 끊어도 돼?”

보다는

“이 약을 중단하기 전에 의료진에게 확인해야 할 사항을 정리해줘.”

라고 묻는 편이 낫습니다.

“병원에 안 가도 되지?”

보다는

“이 증상에서 직접 진료가 필요한 위험신호에는 어떤 것이 있는지 알려줘.”

라고 질문할 수 있습니다.

질문의 목적을 ‘결론을 대신 내려줘’에서 ‘내가 확인할 것을 알려줘’로 바꾸는 것입니다.

검사결과를 보여줄 때는 개인정보도 확인해야 합니다

검사결과지나 진료기록을 AI에게 보여주면 더 구체적인 설명을 받을 수 있습니다.

하지만 검사결과지에는 이름, 연락처, 병원 등록번호처럼 의료적 해석에 필요하지 않은 개인정보가 함께 들어 있을 수 있습니다.

건강정보는 민감한 개인자료입니다.

업로드하기 전에 어떤 정보가 포함돼 있는지와 해당 서비스의 개인정보·데이터 이용 정책을 확인하는 것이 좋습니다.

검사결과를 AI에게 보여줬을 때 어디까지 해석할 수 있는지는 별도의 글에서 더 자세히 다루겠습니다.

결국 AI를 쓰느냐보다 어디에 쓰느냐가 중요합니다

의료계에서도 생성형 AI를 무조건 배척하거나 모든 판단을 맡기는 방향으로 보지는 않습니다.

미국 일반내과학회(Society of General Internal Medicine)는 생성형 AI를 임상 의사결정을 지원하는 도구로 활용하더라도 의료진과 환자의 관계와 최종적인 임상적 책임을 대체해서는 안 된다는 입장을 제시했습니다.

일반인이 ChatGPT를 사용할 때도 같은 기준을 적용할 수 있습니다.

AI를 사용할 것인가의 문제가 아니라, 의료 과정의 어느 위치에 둘 것인가의 문제입니다.

ChatGPT에게 건강문제를 묻기 전에 네 가지만 확인해보세요

1. 내가 원하는 것이 설명인가, 결정인가?
   설명과 정리는 AI를 활용하기 좋은 영역입니다.
2. 틀렸을 때 큰 피해가 생길 질문인가?
   응급도나 약물 변경처럼 결과가 큰 질문은 AI 답변만으로 결정하지 않습니다.
3. AI가 모르는 정보가 많이 남아 있는가?
   진찰 결과, 복용약, 이전 검사, 기저질환이 빠져 있다면 답변의 한계도 커집니다.
4. 답변을 다시 확인할 방법이 있는가?
   중요한 정보는 공식 가이드라인, 원문 논문 또는 의료진을 통해 확인합니다.

이 네 가지를 확인하면 ChatGPT의 답을 어디까지 활용할지 훨씬 판단하기 쉬워집니다.

AI 건강상담의 핵심은 ‘정답률’보다 역할을 정하는 것입니다

ChatGPT에게 건강상담을 하는 것 자체가 잘못된 것은 아닙니다.

복잡한 정보를 이해하고, 흩어진 증상을 정리하고, 병원에서 물어볼 질문을 준비하는 데에는 충분한 활용 가치가 있습니다.

하지만 진단을 확정하고, 진료 시기를 정하고, 치료를 바꾸는 최종 결정까지 AI에게 맡기면 역할이 달라집니다.

현재 근거에 가장 잘 맞는 사용법은 ChatGPT를 진료실의 대체재가 아니라 진료실에 들어가기 전에 내 정보를 더 잘 정리하는 도구로 사용하는 것입니다.

참고자료

• Bean AM, Payne RE, Parsons G, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nature Medicine. 2026;32:609–615.
• Ramaswamy A, Tyagi A, Hugo H, et al. ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. 2026;32:1671–1675.
• Huo B, Boyle A, Marfo N, et al. Large Language Models for Chatbot Health Advice Studies: A Systematic Review. JAMA Network Open. 2025;8:e2457879.
• Bedi S, Liu Y, Orr-Ewing L, et al. Testing and Evaluation of Health Care Applications of Large Language Models: A Systematic Review. JAMA. 2025;333:319–328.
• Basu S, Huynh B. Mitigating hallucinations in healthcare AI: a systematic review of evidence-based strategies. BMC Health Services Research. 2026;26:1115.
• Crowe B, Shah S, Teng D, et al. Recommendations for Clinicians, Technologists, and Healthcare Organizations on the Use of Generative Artificial Intelligence in Medicine. Journal of General Internal Medicine. 2025;40:694–702.