People of Kai는 카이헬스의 구성원들이 각자의 자리에서 어떤 문제를 마주하고,

어떤 방식으로 제품과 조직을 만들어가고 있는지 소개하는 인터뷰 시리즈입니다.

카이헬스의 제품은 AI 모델, 제품 기획, 디자인, 개발, 고객 지원, 사업개발, 마케팅, 데이터 분석 등 여러 직무의 협업을 통해 만들어집니다.

이번 시리즈에서는 각 구성원의 이야기를 통해, 난임 의료 AI 제품이 실제 임상 현장에 닿기까지 어떤 고민과 과정이 있는지 들여다보고자 합니다.

데이터를, 행동으로 이어지는 인사이트로 바꿉니다.

Data Intelligence 김현진님

Q. 현재 어떤 역할을 맡고 계신가요?

“저는 Data Intelligence 팀에서 Vita Embryo와 관련된 데이터를 분석하고, 제품 사용 현황과 임상·연구 관점의 인사이트를 도출하는 역할을 맡고 있습니다.

주기적으로는 Vita Embryo가 실제 병원에서 어떻게 사용되고 있는지 확인하기 위해 usage report를 작성하고, 국가별·병원별 사용 흐름, 데이터 축적 현황, 결과 기록률 등을 분석하고 있습니다. 단순히 사용량을 집계하는 것에 그치지 않고, 어떤 병원에서 어떤 흐름으로 제품이 사용되고 있는지, 데이터 기록이 충분히 이루어지고 있는지, 제품 개선이나 고객 커뮤니케이션에 참고할 만한 지점은 무엇인지 함께 살펴보고 있습니다.

또한 임상 데이터 기반의 통계 분석과 연구 결과 정리도 함께 수행하며, ESHRE, ASRM과 같은 주요 난임 학회를 통해 공유할 수 있는 연구 자료를 준비하고 있습니다.

Vita Embryo의 임상적 의미를 데이터로 설명하고, 제품이 실제 임상 환경에서 어떤 가능성을 보여줄 수 있는지 분석하는 것도 중요한 업무 중 하나입니다.”

Q. 난임 의료 AI에서 특히 중요하게 봐야 하는 데이터는 어떤 것들이라고 생각하시나요?

“난임 의료 AI에서는 배아 이미지 자체도 중요하지만, 그 이미지가 어떤 임상적 맥락에서 생성되었는지를 함께 보는 것이 매우 중요하다고 생각합니다.

예를 들어 배아가 언제 촬영되었는지, 어떤 주기의 배아인지, 신선 배아인지 해동 배아인지, 어떤 방식으로 이식되었는지, 이후 임신 관련 결과가 어떻게 기록되었는지에 따라 같은 이미지 데이터라도 해석이 달라질 수 있습니다. 따라서 단순히 데이터가 많이 쌓이는 것보다, 분석 가능한 형태로 잘 연결되어 있는지가 중요합니다.

특히 의료 AI에서는 모델 결과만 보는 것이 아니라, 그 결과를 해석할 수 있는 임상 정보와 outcome 데이터가 함께 관리되어야 합니다.

그래야 제품의 사용 현황을 파악하는 것뿐 아니라, 임상적 효용이나 연구적 근거를 검토하는 데까지 이어질 수 있다고 생각합니다.”

Q. 주기적으로 발간하시는 Usage Report는 어떤 목적의 자료라고 볼 수 있을까요?

“Usage Report는 Vita Embryo가 실제 병원 현장에서 어떻게 사용되고 있는지를 확인하기 위한 자료입니다.

분석된 배아 수, 병원별 사용 흐름, 월별 변화, 데이터 기록률, 결과 데이터 축적 현황 등을 통해 제품 사용과 데이터 축적의 흐름을 함께 살펴보고 있습니다.

중요한 것은 단순히 숫자를 모아 보여주는 것이 아니라, 그 숫자가 어떤 의미를 갖는지 해석하는 것이라고 생각합니다.

예를 들어 특정 병원에서 사용량이 증가했다면 그것이 일시적인 변화인지, 지속적인 사용 패턴인지, 혹은 고객 커뮤니케이션이나 제품 개선과 연결될 수 있는 변화인지 살펴봐야 합니다.

이런 리포트는 내부적으로 BD, CS, 제품팀, AI팀이 각자의 의사결정을 할 때 참고할 수 있는 공통 자료가 됩니다.

병원별 사용 전략을 세우거나, 데이터 입력 및 기록 흐름을 개선하거나, 향후 연구 분석의 기반을 확인하는 데 활용될 수 있다고 생각합니다.”

Q. 최근 리포트에서 기억에 남는 패턴이나 인사이트가 있었다면?

“최근 Usage Report를 작성하면서 가장 인상적이었던 부분은 단순 사용량뿐 아니라, 병원별로 데이터가 축적되는 방식과 기록률에 차이가 있다는 점이었습니다.

어떤 병원은 Vita Embryo 사용량이 꾸준히 증가하고 있지만, 후속 결과 기록이나 분석에 필요한 데이터 연결이 충분하지 않은 경우도 있고, 반대로 사용량은 크지 않더라도 데이터가 비교적 일관되게 쌓이는 경우도 있습니다. 이런 차이는 단순히 ‘많이 사용하고 있다’는 지표만으로는 파악하기 어렵습니다.

그래서 리포트를 볼 때는 사용량뿐 아니라, 제품 사용 흐름과 데이터 품질, outcome 기록률을 함께 보려고 합니다.

이를 통해 어떤 병원에서 추가적인 커뮤니케이션이 필요한지, 어떤 부분에서 데이터 수집 방식이나 제품 사용 흐름을 개선할 수 있을지 판단할 수 있습니다.”

Q. 실제로 인사이트를 도출할 때 현진님만의 방식이 있다면?

“먼저 전체적인 흐름을 봅니다. 월별 사용량이나 병원별 사용량이 어떻게 변하고 있는지 확인한 뒤,

그 변화가 특정 국가, 특정 병원, 특정 기간에 의해 발생한 것인지 나누어 봅니다.

그 다음에는 데이터의 완성도를 함께 확인합니다. 단순히 분석 건수가 많더라도,

임상 정보나 outcome 데이터가 충분히 연결되어 있지 않으면 해석에 한계가 있을 수 있기 때문이죠.

그래서 사용량, 기록률, 병원별 차이, 결과 데이터의 연결성을 함께 보면서 실제로 의미 있는 변화인지 판단하려고 합니다.

연구 분석을 할 때도 비슷한데요, 먼저 데이터 구조와 inclusion criteria를 명확히 확인하고, 어떤 단위로 분석해야 하는지 정리합니다.

이후 통계 분석을 통해 결과를 확인하되, 단순히 성능 지표만 보는 것이 아니라, 그 결과가 실제 임상적 맥락에서 어떻게 해석될 수 있는지를 함께 고민합니다.”

Q. 다른 팀들과는 어떤 식으로 협업하시나요?

“Data Intelligence 팀의 역할은 데이터를 분석하는 것에서 끝나는 것이 아니라, 각 팀이 필요한 의사결정을 할 수 있도록 데이터를 해석 가능한 형태로 전달하는 것이라고 생각합니다.

BD나 CS팀과는 병원별 사용 흐름이나 데이터 축적 현황을 공유하면서 고객 커뮤니케이션에 참고할 수 있는 포인트를 정리합니다.

제품팀과는 사용 과정에서 보이는 패턴이나 데이터 기록 흐름을 바탕으로 개선이 필요한 부분을 논의하기도 합니다.

AI팀이나 임상 관련 논의에서는 분석 기준, 데이터 품질, outcome 정의, 연구 결과 해석 등을 함께 검토하는 경우가 많습니다.

특히 학회 abstract나 연구 자료를 준비할 때는 분석 결과가 과도하게 해석되지 않도록 통계적 근거와 임상적 해석의 균형을 맞추는 것이 중요합니다.

그래서 데이터를 단순히 전달하기보다, 각 팀이 실제로 이해하고 활용할 수 있는 형태로 정리하는 것을 중요하게 생각하고 있습니다.”

Q. 데이터를 다루면서 가장 어려운 점은 무엇인가요?

“가장 어려운 점은 의료 데이터가 단순한 숫자처럼 보이지만, 실제로는 많은 임상적 맥락을 포함하고 있다는 점입니다.

같은 항목이라도 병원마다 기록 방식이 다를 수 있고, 어떤 데이터는 충분히 쌓여 있지만 어떤 데이터는 누락이 많을 수 있습니다.

또한 분석 단위를 배아 단위로 볼지, 환자 단위로 볼지, 이식 주기 단위로 볼지에 따라 결과 해석이 달라질 수 있습니다.

그래서 분석 전에 데이터가 어떤 조건에서 생성되었고, 어떤 기준으로 해석해야 하는지를 명확히 하는 과정이 중요합니다.

또 하나의 어려움은 많은 지표 중에서 실제로 의미 있는 신호를 구분하는 일입니다.

숫자가 많아질수록 모든 것을 보여주기보다, 어떤 결과를 강조하고 어떤 부분은 조심스럽게 해석해야 하는지 판단하는 것이 중요하다고 생각합니다.”

Q. 이 일을 하시면서 예전과 달라졌다고 느끼는 부분이 있나요?

“예전에는 데이터를 정확하게 정리하고 분석하는 것 자체에 더 집중했다면, 지금은 분석 결과가 실제 논의와 의사결정으로 이어질 수 있도록 전달하는 방식까지 많이 고민하게 된 것 같습니다.

같은 분석 결과라도 BD, CS, 제품팀, AI팀, 임상 연구 관점에서 필요로 하는 해석이 다를 수 있습니다.

그래서 단순히 표나 그래프를 만드는 것보다, 이 결과가 각 팀에게 어떤 의미가 있는지, 어떤 액션으로 이어질 수 있는지를 함께 생각하게 되었습니다.

또 연구 분석을 하면서는 결과를 더 보수적이고 정확하게 해석하는 태도도 중요하다는 것을 많이 느끼고 있습니다.

특히 의료 AI 영역에서는 좋은 결과를 보여주는 것만큼이나, 어떤 데이터에서 나온 결과인지, 어떤 한계가 있는지, 어디까지 해석할 수 있는지를 명확히 하는 것이 중요하다고 생각합니다.”

Q. 어떤 분이 이 역할에 잘 맞는다고 생각하시나요?

“숫자나 그래프를 보는 것에서 끝나지 않고, 그 안에서 의미를 찾는 것을 좋아하는 분이 잘 맞는 것 같습니다.

왜 이런 패턴이 나왔는지, 이 변화가 실제 제품 사용이나 임상 흐름에서 어떤 의미를 가지는지 궁금해하는 태도가 중요하다고 생각합니다.

또 Data Intelligence 업무는 혼자 분석하는 데서 끝나는 역할은 아닙니다.

여러 팀과 이야기하면서 각 팀이 필요로 하는 관점을 이해하고, 데이터를 실제로 활용 가능한 형태로 바꾸는 과정이 많습니다.

그래서 분석 역량뿐 아니라 커뮤니케이션 능력도 중요하다고 생각합니다.

특히 의료 AI 분야에서는 데이터와 임상 맥락을 함께 이해하려는 태도가 필요합니다.

단순히 지표가 좋아 보이는지보다, 그 지표가 어떤 기준에서 계산되었고 실제로 어떤 의미를 갖는지 고민할 수 있는 분이라면 이 역할에 잘 맞을 것 같습니다.”

Q. 앞으로 Vita Embryo의 데이터가 어떤 역할을 하게 되면 좋겠다고 생각하시나요?

“앞으로 Vita Embryo의 데이터는 단순한 사용 기록을 넘어, 제품의 임상적 가치와 개선 방향을 설명하는 중요한 근거가 되었으면 합니다.

병원별·국가별로 사용 데이터와 outcome 데이터가 꾸준히 쌓이면, Vita Embryo가 어떤 환경에서 잘 활용되고 있는지, 어떤 부분에서 제품이나 데이터 수집 흐름을 보완해야 하는지 더 명확하게 볼 수 있습니다.

또한 이러한 데이터는 학회 발표나 연구 분석을 통해 제품의 임상적 가능성을 설명하는 근거로도 활용될 수 있다고 생각합니다.

장기적으로는 Vita Embryo의 데이터가 제품 개선, 병원 사용 활성화, 글로벌 확장 전략, 그리고 임상적 효용 검토를 함께 뒷받침하는 기반이 되었으면 합니다.

결국 중요한 것은 데이터가 많이 쌓이는 것뿐 아니라, 그 데이터가 실제 판단을 가능하게 하는 형태로 정리되고 활용되는 것이라고 생각합니다.”