Connor Christou의 이야기는 “AI가 암을 고쳤다”는 식의 쉬운 문장으로 소비하면 안 된다. TechCrunch가 전한 이 사례에서 주인공은 Claude가 아니라 환자와 의료진이다. 다만 환자가 자기 데이터를 다루는 방식이 달라졌다는 점은 분명하다.
Christou는 원래도 수면과 건강 지표를 집요하게 추적하던 35세 창업자였다. Whoop과 Oura를 쓰고, 매년 100개 가까운 바이오마커를 확인했다. 그런데 운동 뒤 팔이 붓는 증상으로 병원을 찾았다가 흉골 뒤 11×11×8cm 종양을 발견했다. 진단은 공격적인 비호지킨 림프종. 생활습관 문제가 아니라 무작위 유전 변이에 가까운 희귀 케이스였다.
첫 번째 큰 갈림길은 치료 선택이었다. 한 전문의는 비교적 가벼운 항암요법을 권했고, 다른 전문의는 더 힘든 입원 지속 주입 요법을 권했다. Christou가 확인한 수치로는 그의 케이스에서 전자는 성공률이 약 60%, 후자는 약 85%였다. 그는 이틀 동안 12명의 의견을 모았고, 11명이 더 강한 치료를 권했다. 이 과정에서 Claude는 결정을 대신하지 않았다. 혈액 결과, 스캔 데이터, 웨어러블 출력, 증상 일지를 한곳에서 비교하며 무엇을 물어봐야 하는지 정리하는 도구에 가까웠다.
치료 막판의 PET 스캔은 더 상징적이다. 결과가 애매해 방사선 치료가 논의됐지만, Christou는 이 림프종의 치료 종료 PET 위양성률이 약 60%라는 점을 찾았다. 세 번의 PET와 MRI를 Claude에 넣자, 모델은 40세 미만 환자에게서 항암 뒤 흉선이 다시 활성화되어 병변처럼 보일 수 있는 thymus rebound 가능성을 짚었다. 이후 네 번째 의사가 이를 확인했고, 방사선 치료는 피할 수 있었다.
여기서 제품적 시사점은 꽤 선명하다. 환자용 의료 AI가 더 자신 있게 진단을 말하는 챗봇이어서는 곤란하다. 오히려 웨어러블, 혈액검사, 영상, 복약, 증상 일지를 시간축으로 묶고, 의사에게 가져갈 질문을 만드는 개인 건강 데이터 작업대가 필요하다. 민감한 데이터는 가능한 한 로컬에서 처리하고, 외부 모델로 보낼 때는 사용자가 명확히 알고 통제해야 한다.
범용 챗봇은 틀릴 수 있다. 개인 진단 도구로 충분히 검증되지도 않았다. 하지만 환자들이 이미 이런 도구를 쓰고 있다는 사실도 무시할 수 없다. 안전한 방향은 AI가 최종 판단자처럼 말하게 하는 것이 아니라, 환자가 진료실에서 더 정확한 질문을 하도록 돕는 것이다. 이 사례의 진짜 의미는 거기에 있다.