J Korean Med Assoc Search

CLOSE


J Korean Med Assoc > Volume 69(4); 2026 > Article
인공지능 시대, 의사의 역할 재정의: 프롬프트 엔지니어가 아닌 컨텍스트 엔지니어

Abstract

Purpose: The adoption of artificial intelligence (AI) in clinical practice is accelerating. Many physicians perceive effective AI use as requiring unfamiliar technical skills. This paper reexamines that assumption and proposes a reinterpretation of physicians' existing competencies for AI collaboration.
Current concepts: Recent AI discourse has moved from prompt engineering toward the broader practice of context engineering. These concepts are not mutually exclusive: prompt engineering may be understood as one component of context engineering, which involves the deliberate collection, structuring, and integration of contextual information to improve AI output quality. In 2025, Gartner identified context engineering as a core AI competency. A 2026 Nature Medicine paper proposed context engineering as an emerging physician role across four axes: data, task, tool, and norm contexts. Whereas that paper framed this as a competency to develop, this paper argues that physicians have already been trained in all four axes. History taking structures subjective context; physical examination generates primary data inaccessible to AI; clinical reasoning defines task context; and guideline adherence with patient preferences constitutes norm context. Furthermore, patients increasingly bring AI-generated health conversation logs—a novel semi-structured context—to clinical encounters, expanding physicians’ context engineering scope with clinical and medicolegal implications.
Discussion and conclusion: The challenge is less acquiring a novel technical skill than reframing existing competencies and adopting tools capable of handling rich clinical context. Future research should examine which forms of physician-supplied context most improve AI-assisted decisions and how patient-generated AI logs should be incorporated into clinical documentation.

서론

배경

최근 임상 현장에서는 생성형 인공지능(artificial intelligence, AI)의 도입에 대한 기대와 함께, 이를 효과적으로 활용하기 위해서는 이른바 ‘프롬프트 엔지니어링’이라는 별도의 기술을 익혀야 한다는 인식이 확산되고 있다. 이러한 인식은 AI 활용 역량을 지나치게 질의 문구 설계에 한정하는 경향이 있으며, 동시에 해당 역량이 의료인이 이미 보유한 임상적 숙련과 별개라는 오해를 낳는다.

목적

이 글은 이러한 인식을 재검토하고자 한다. 첫째, 최근 AI 활용의 실무적 초점은 단일 프롬프트의 정교화만이 아니라, 모델에 제공되는 정보 환경 전반을 설계하는 컨텍스트 엔지니어링으로 확장되고 있으며, 나아가 2026년에는 AI 에이전트의 운영 환경 전반—제약조건, 피드백 루프, 검증 체계—을 설계하는 ‘하네스 엔지니어링’이라는 표현도 일부 실무자 사이에서 등장하고 있다[1]. 그러나 이러한 개념들의 공통 기반은 여전히 ‘모델에 어떤 맥락을 어떻게 제공하고 감독할 것인가’라는 문제로 수렴한다. 둘째, 이러한 컨텍스트 엔지니어링의 핵심 요소는 의사가 이미 문진, 진찰, 임상추론, 진료지침 적용 과정에서 수행해 온 역량과 깊이 연결되어 있다. 이 논문에서 컨텍스트 엔지니어링이란, AI 시스템에 제공되는 맥락 정보를 의도적으로 수집·구조화·통합하여 AI의 출력 품질을 높이는 행위를 말하며, 이 개념을 IT 분야의 원래 정의에서 임상 영역으로 확장하여 사용한다. 이 논문은 이 점을 중심으로, AI 시대 의사의 역할을 새로운 기술 습득의 문제가 아니라 기존 임상 역량의 재해석이라는 관점에서 논의한다.

프롬프트 엔지니어링과 컨텍스트 엔지니어링: 대립이 아닌 확장

개념의 정의와 관계

프롬프트 엔지니어링과 컨텍스트 엔지니어링은 상호 배타적인 개념이 아니다. 전통적 의미의 프롬프트 엔지니어링은 지시문, 역할 설정, 예시(few-shot), 추론 유도(chain-of-thought) 등 질의 내부의 설계에 초점을 둔다[2–4]. 반면 컨텍스트 엔지니어링은 이러한 프롬프트 자체를 포함하되, 그 밖에 AI에 제공되는 환자 데이터, 검색된 문헌, 도구 출력, 메모리, 규범적 제약조건을 어떻게 수집·구조화·연결할 것인가를 다루는 보다 넓은 개념이다[5,6]. 따라서 최근의 변화는 프롬프트 엔지니어링이 폐기되었다기보다, 더 넓은 컨텍스트 엔지니어링의 틀 안으로 흡수·확장되고 있다고 이해하는 편이 타당하다.
이 점에서 생성형 AI의 출력 품질은 프롬프트 문구 자체에만 의해 결정되는 것이 아니라, 모델이 참조할 수 있는 맥락의 범위, 구조, 신뢰도, 그리고 과업 정의의 명료성에 의해 좌우된다.

AI 활용 담론의 변화

Gartner는 2025년 컨텍스트 엔지니어링을 AI 활용의 차세대 핵심 역량으로 지목하며, “맥락을 설계하고 구조화하여 AI 시스템이 의도를 이해하고, 더 나은 의사결정을 내리며, 맥락에 부합하는 결과를 도출할 수 있게 하는 것”으로 정의했다[5]. 이 정의에서 ‘맥락을 설계하고 구조화하는 행위’는 의료계에서는 이미 친숙한 과정이다—의사가 환자의 호소를 subjective, objective, assessment, plan (SOAP) 형식으로 정리하고 감별진단 목록을 구성하는 것이 바로 그것이기 때문이다. CIO 보도에 따르면, 컨텍스트 엔지니어링이 향후 12–18개월 내에 기업 AI 인프라의 기초 요소가 될 것이라는 전망이 제시되었다[7].
소프트웨어 개발 영역에서도 유사한 변화가 관찰된다. OpenAI 창립 멤버 Andrej Karpathy는 2026년 2월 “바이브 코딩의 시대는 지나갔으며, 이제 에이전틱 엔지니어링—즉 AI 에이전트를 감독하는 구조화된 접근이 필요하다”고 선언했다[8]. 이 발언은 소프트웨어 개발 생태계에서의 AI 에이전트 감독 방식에 관한 것이며, 의료에 대한 직접적 근거는 아니다. 그러나 여러 전문 영역에서 AI 활용의 초점이 단일 프롬프트의 정교화에서 더 넓은 워크플로와 맥락의 설계·감독으로 이동하고 있음을 보여주는 간접적 사례로 이해할 수 있다. 의료 영역에서는 이 감독 기능이 환자 안전, 진단 과업의 정의, 적절한 도구 선택, 결과 검증의 책임과 맞닿는다.
이러한 변화의 흐름을 Table 1에 정리하였다[1–8]. 이 범주들은 상호 배타적이거나 순차적으로 대체되는 단계가 아니라, 중첩되고 공존하는 실천 양식으로 이해해야 한다.

Nature Medicine의 컨텍스트 엔지니어링 프레임

2026년 2월, Nature Medicine에 게재된 Nenadic 등[6]의 논문은 의사의 미래 핵심 역할이 컨텍스트 엔지니어링이라고 주장했다. 이들은 의사가 AI에 제공해야 하는 맥락을 데이터 맥락(data context), 태스크 맥락(task context), 도구 맥락(tool context), 규범 맥락(norm context)의 4개 축으로 구조화했다.
Nenadic 등[6]은 컨텍스트 엔지니어링을 의사가 ‘미래에 갖춰야 할 새로운 역할’로 제안하였다. 이 논문은 여기서 한 발 더 나아가 다른 관점을 제안한다: 의사는 이미 이 역할을 수행하고 있다. 문진·진찰·임상추론·규범 적용 등 기존 임상 역량이 이미 그 4축을 수행하고 있으며, 이를 AI 인터페이스에 맞게 재해석하고 도구만 업그레이드하면 된다는 것이 이 논문의 차별화된 관점이다.

의사는 이미 컨텍스트 엔지니어다

의학교육의 본질: 맥락의 구조화 훈련

의사가 전문직 생활 동안 수행하는 환자 면담은 10만–20만 건에 이르는 것으로 추정된다[9에서 재인용]. 의학교육에서 문진(history taking)은 핵심 역량으로 훈련되는데, Engel과 Morgan [10]은 의료 면담을 “의사에게 가장 강력하고 다용도적인 도구”라고 표현한 바 있다. 이 과정의 본질은 환자의 비구조화된 호소를 구조화된 임상 맥락으로 변환하는 것이다[9]. Weed [11]가 반세기 이상 전에 제안한 SOAP 노트 체계는 이 맥락 구조화의 대표적 방법론으로, 주관적 데이터와 객관적 데이터를 분리하여 수집하고, 이를 종합하여 임상적 평가와 계획으로 통합하는 인지적 프레임워크다[12].
이를 AI 시대의 언어로 재해석하면, 의사가 매일 수행하는 임상 활동 자체가 곧 컨텍스트 엔지니어링의 실행이다(Table 2) [6].
Table 2가 보여주듯, 의사의 개별 임상 행위는 Nature Medicine 논문[6]이 제시한 4축 프레임워크에 체계적으로 대응한다. 의사는 문진과 신체진찰을 통해 데이터 맥락을 직접 수집하고 구조화한다. “이 환자에서 급성 관상동맥증후군을 배제해야 한다”와 같이 임상 질문을 정의하는 것은 태스크 맥락의 설정이다. HEART score와 Wells criteria 중 어떤 도구를 적용할지 선택하는 것은 도구 맥락이며, 진료지침, 보험 급여 기준, 환자의 가치관과 선호를 고려하는 것은 규범 맥락이다. Nenadic 등[6]이 이 4축을 의사가 “앞으로 갖춰야 할” 역량으로 제시한 반면, 이 논문은 의사가 이미 이 4축 모두에서 훈련받고 실행하고 있음을 지적한다. 두 논문이 동일한 핵심 개념에 주목했다는 점은, 의사-AI 협업에서 맥락 제공 능력의 중요성이 시대적 필연임을 시사한다.

의사만의 결정적 우위: 1차 데이터 생성

여기서 의사의 결정적 우위가 드러난다. AI는 인터넷에서 정보를 수집하고, 환자가 입력한 증상을 분석할 수 있다. 그러나 AI가 할 수 없는 것이 있다: 1차 데이터의 생성이다.
환자가 AI에게 “가슴이 아프고 무서워요”라고 말할 때, 의사는 같은 AI에게 “52세 남성, 흉골하 압박감, 활동 시 악화, 안정 시 호전, 혈압(blood pressure) 148/92 mmHg, 심박수(heart rate) 88 bpm, S3 gallop 청진, 심전도에서 ST 하강 V4-V6, 트로포닌(troponin I) 0.08 ng/mL”이라고 말할 수 있다. 신체진찰 소견, 활력징후, 검사 수치는 AI가 인터넷 검색이나 데이터베이스 조회로 획득할 수 없는, 의사만이 생성할 수 있는 1차 데이터다.
같은 AI라도, 환자의 맥락과 의사의 맥락에서 나오는 답은 질적으로 다르다. AI 출력의 품질은 모델 성능뿐 아니라 제공되는 맥락의 풍부함에 의해 결정된다. 의사가 이 우위를 살리기 위해서는 풍부한 임상 맥락을 온전히 처리할 수 있는 전문가 수준의 도구가 필요하다.

한국 의사의 현실적 적용

한국 의료 현실을 고려한 실천적 제안은 다음과 같다.
첫째, 기존 진료 워크플로에 AI를 덧붙이는 것이 아니라, 기존 워크플로 자체가 컨텍스트 엔지니어링이었음을 인식할 필요가 있다. 문진은 구조화된 맥락 수집이고, SOAP 노트는 맥락의 체계화이며, 감별진단 과정은 맥락 기반 추론이다. 이 과정의 결과물을 AI에 입력하는 것만으로 이미 수준 높은 컨텍스트 엔지니어링이 이루어진다.
둘째, 짧은 진료 시간의 한계를 AI 협업으로 보완할 수 있다. 한국 1차 의료의 짧은 평균 진료 시간은 잘 알려진 문제다. 그러나 의사가 진료 중 수집한 핵심 맥락(주소, 주요 소견, 검사 결과)을 AI에 입력하면, AI가 감별진단 목록, 추가 검사 제안, 환자 교육 자료 등을 수 초 내에 생성할 수 있다. 이것은 진료 시간을 늘리는 것이 아니라, 같은 시간 내에 더 충실한 임상 의사결정을 가능하게 하는 것이다.
셋째, 도구를 업그레이드할 필요가 있다. 의사가 풍부한 임상 맥락을 보유하고 있으면서 무료 일반 소비자 모델을 사용하는 것은, 전문가의 맥락 제공 능력을 충분히 활용하지 못하는 것이다. 전문가용 AI 모델은 더 긴 컨텍스트 창(context window)을 가지고 있어, 의사가 제공하는 풍부한 맥락을 온전히 처리할 수 있다.

컨텍스트 엔지니어링의 범위 확장: 환자의 AI 대화 기록

AI 대화를 가져오는 환자의 등장

위에서 의사의 컨텍스트 엔지니어링 역량을 논의했다면, 여기서는 그 역량의 대상이 확장되고 있음을 논의한다. 의사의 컨텍스트 엔지니어링은 전통적으로 환자의 구두 호소, 신체 소견, 검사 결과를 대상으로 했다. 그런데 최근 새로운 유형의 맥락이 등장하고 있다: 환자가 진료 전 AI와 나눈 건강 대화 기록이다. 이 기록은 기존의 어떤 환자 정보와도 다른 특성을 갖는데, 환자의 증상·우려·질문이 대화 형식으로 정리된 반구조화된 맥락(semi-structured context)으로 존재한다는 점이다. 기존 인터넷 검색보다는 체계적이지만 의사의 SOAP 노트처럼 구조화되어 있지는 않은, 새로운 형태의 맥락이다.
Kaiser Family Foundation (KFF) 조사에 따르면 미국 성인의 17%가 월 1회 이상 AI 챗봇에서 건강 정보를 탐색하고 있으며, 30세 미만에서는 이 비율이 25%에 달한다[13]. 다만 이 수치를 한국 현실에 직접 일반화할 수는 없으며, 국내 인구집단 수준의 직접 자료는 아직 제한적이다. 따라서 이하의 논의는 미국에서 관찰된 현상을 한국에 그대로 적용하려는 것이 아니라, 환자-생성 AI 건강 대화가 의료 접점 바깥에서 이미 형성되고 있다는 선행 징후를 바탕으로, 한국에서도 유사한 상호작용이 임상 현장에 유입될 가능성에 대비하려는 것이다. KFF Health News 역시 환자들이 MyChart 검사 결과를 AI 챗봇(ChatGPT, Claude 등)에 입력하여 해석을 구하는 사례를 보도한 바 있다[14].
이 현상은 의사의 컨텍스트 엔지니어링 대상에 새로운 층위를 추가한다. 환자의 AI 대화 기록은 과거의 “인터넷에서 봤는데요”와 근본적으로 다르다(Table 3).

임상적 태도: 새로운 컨텍스트의 통합

환자가 AI에서 받은 정보를 제시할 때, 의사에게 필요한 태도는 이를 곧바로 신뢰하거나 배척하는 것이 아니라, 추가적인 임상 맥락으로 검토하고 선별하여 통합하는 것이다. 방어적이거나 무시하는 태도는 오히려 중요한 임상적 단서를 놓치게 할 수 있다. 환자의 AI 대화 기록을 활용하는 것은 AI의 의학적 정확성을 맹신하는 것이 아니라, 환자가 병원을 방문하기 전 가졌던 구체적인 우려와 증상의 궤적(trajectory)을 파악하는 유용한 임상적 문진의 연장선으로 이해해야 한다.
“AI에서 어떤 이야기를 나누셨어요?”라는 질문은 환자의 추가 컨텍스트를 수집하는 행위—즉 컨텍스트 엔지니어링의 확장이다. 환자와 AI 사이의 대화 기록은 정보의 정확성과 별개로 환자의 우려, 질문, 증상 경험, 감정적 맥락을 담고 있으므로, 적절히 해석될 경우 임상 판단을 보완하는 자료가 될 수 있다.

법적 함의: 컨텍스트 통합의 당위성

이 법적 논의는 본 논문의 주제와 분리된 부수적 쟁점이 아니다. 환자의 AI 대화 기록이 컨텍스트 엔지니어링의 새로운 대상이 된다면, 이를 임상적으로 어떻게 검토하고 문서화할 것인가는 단지 효율성의 문제가 아니라, 합리적인 진료과정의 일부가 될 수 있기 때문이다.
의료 AI 관련 의료과오법은 아직 초기 단계이나, 방향은 명확해지고 있다. 2025년 JAMA에 실린 Aaron 등[15]의 논문은 미국법학회(American Law Institute)의 첫 의료과오 리스테이트먼트(restatement)를 분석하며, 의료 과실 판단 기준이 관행(custom) 중심에서 근거 기반 합리적 돌봄(evidence-based reasonable care) 중심으로 이동하고 있음을 확인했다. Dai와 Singh [16]의 연구는 이론적 모형 분석을 통해, 의사들이 불확실성이 낮은 상황에서는 AI를 과잉 활용하되, 불확실성이 높은 복잡한 상황에서는 과오 소송 우려로 AI를 회피하는 행동 패턴이 나타날 수 있음을 제시하여, 의료과오 책임 체계가 AI 활용 행태를 왜곡할 수 있음을 시사했다.
여기서 핵심은 의사가 AI의 결론을 수용해야 한다는 뜻이 아니다. 오히려 중요한 것은 환자가 제시한 AI 로그에 포함된 증상, 질문, 우려, 진단 가설 중 임상적으로 의미 있는 요소를 검토하고, 필요 시 추가 문진과 진찰을 통해 이를 재구조화하며, 수용 또는 배제의 근거를 기록으로 남기는 일이다. 다시 말해, 향후 주의의무 판단에서 문제될 수 있는 것은 ‘AI를 따르지 않았다’는 사실 자체보다, 환자가 제공한 관련 맥락을 합리적인 진료과정에서 충분히 검토하고 문서화했는가의 문제일 수 있다[15,16]. 이러한 의미에서 환자-생성 AI 로그의 통합은 선택적 친절이 아니라, 확대된 임상 맥락을 다루는 컨텍스트 엔지니어링의 실천으로 이해할 수 있다. 다만 이러한 연결은 현행 법리의 확정된 해석이 아니라, 이 논문이 제시하는 해석적 전망임을 밝혀 둔다.
한국에서도 의료법상 주의의무(선량한 관리자의 주의) 기준에 따라, 환자가 제시한 합리적 근거(AI 대화 기록 포함)를 의사가 검토하지 않고 악결과가 발생한 경우 주의의무 충족 여부가 쟁점이 될 가능성이 있다. 현재까지 직접적 판례는 없으나, Table 3에서 비교한 바와 같이 환자의 AI 대화 기록은 기존 인터넷 검색과 질적으로 다른 특성을 가지며, 향후 증거력 판단에서도 다르게 취급될 가능성을 배제하기 어렵다. 올바른 대응은 방어적 의료(defensive medicine)가 아니다. 환자의 AI 대화를 경청하고 진료 기록에 반영하되(“환자가 AI 상담에서 ○○ 가능성을 우려하여 내원”), 동의하든 반박하든 임상적 근거를 기록으로 남기는 것이다. 이것은 곧 환자가 가져온 새로운 맥락을 합리적인 진료과정 안에서 검토·문서화하는 컨텍스트 엔지니어링의 실천이다.

결론

AI 시대의 과제는 의사를 전혀 새로운 기술 직군으로 다시 훈련시키는 데 있지 않다. 보다 중요한 것은 의사가 이미 수행하고 있는 문진, 진찰, 임상추론, 규범 적용의 결과를 AI가 활용 가능한 형태로 연결하고, 환자-생성 AI 로그와 같은 새로운 맥락 자료를 안전하게 통합할 수 있는 워크플로와 문서화 원칙을 마련하는 일이다.
이러한 관점에서 의학교육은 프롬프트 기술의 습득보다, AI 도구를 활용한 임상추론 및 맥락 통합 중심으로 개편될 필요가 있다. 또한 한국의 짧은 진료 시간 환경에서 컨텍스트 엔지니어링을 실현하기 위해서는 전자의무기록(Electronic Medical Record)과 AI의 시스템적 통합이 핵심 과제가 될 것이다.
이 논문의 한계도 분명하다. “의사의 문진=컨텍스트 엔지니어링”이라는 등치는 개념적 재해석이지 실증적 검증은 아니다. 향후 연구는 어떤 유형의 의사-제공 맥락이 AI 보조 의사결정의 질을 실제로 향상시키는지, 한국의 진료 환경에서 이러한 협업이 어떤 효율성과 위험을 갖는지, 그리고 환자 AI 대화 기록에 대한 검토 및 기록 기준을 어떻게 표준화할 수 있는지를 평가해야 한다.
결국 AI 시대의 임상 경쟁력은 더 기발한 프롬프트 자체보다, 더 정확하고 책임 있게 맥락을 구성하고 감독하는 능력에 달려 있다.

Conflict of interest

Sanghyun Ahn serves as the Chief Medical Officer of Mobile Doctor Inc. (operator of the Yeolnayo app) and as the Medical Algorithm Director for MoDoc AI Inc., USA. No other potential conflicts of interest relevant to this article were reported.

Funding

This work was supported by the Ministry of SMEs and Startups' 2024 Startup Growth Technology Development Program (TIPS Program, No. RS-2024-00468985).

Data availability

Not applicable.

Table 1.
Representative shifts in emphasis in AI utilization discourse
Framing Main locus of optimization Representative techniques Relevance to physicians
Prompt-centered optimization [2–4] Wording and structure of the query Role prompting, explicit instructions, few-shot examples, chain-of-thought Useful, but often perceived as an unfamiliar technical vocabulary
Context-centered optimization [5–7] Information environment surrounding the model Structured patient data, retrieved documents, prior notes, tool outputs, constraints Closely aligned with history-taking, examination, and clinical reasoning
Agent-supervised or harness-based workflows (emerging) [1,8] Oversight of multi-step AI systems that retrieve context and use tools Workflow design, tool orchestration, output monitoring, constraint enforcement, feedback loops The physician’s role expands toward supervision, validation, and governance

These categories overlap and represent shifts in emphasis rather than discrete historical stages.

AI, artificial intelligence.

Table 2.
Physicians’ existing competencies and their AI-era equivalents
What physicians already do AI-era equivalent Context axis [6]
“When did your symptoms start?” Temporal context injection Data
“Where exactly does it hurt?” Spatial context injection Data
“Have you experienced this before?” Historical context injection Data
“Are you taking any medications?” Medication context relevant to drug interactions Data
Abdominal palpation→“RLQ tenderness with rebound” Primary data generation and structuring Data
“Ruling out ACS in this patient” Clinical question definition Task
Selecting the HEART score vs. Wells criteria Score and test selection Tool
“Integrating CBC, CRP, and UA results…” Multi-source data integration briefing Data+task
SOAP note documentation Systematic context-structuring method Data+tool
Applying clinical guidelines and patient preferences Normative constraint setting Norm

Based on [6].

AI, artificial intelligence; RLQ, right lower quadrant; ACS, acute coronary syndrome; HEART, history, ECG (electrocardiogram), age, risk factors, troponin; CBC, complete blood count; CRP, C-reactive protein; UA, urinalysis; SOAP, subjective, objective, assessment, plan.

Table 3.
Comparison of past internet searches and current AI health conversations as patient-generated context
Past patient behavior Current patient behavior (AI health conversations)
“I read it on the internet” Multi-turn dialogue with AI, with the full log potentially available
Source unclear Timestamped record of which AI was consulted, when it was consulted, and what was asked
Fragmented information Semi-structured conversation containing symptoms, concerns, and questions
Often undocumented and difficult to verify Preservable record with potentially greater evidentiary relevance if presented in clinical or legal review

AI, artificial intelligence.

References

1. Hashimoto M. My AI adoption journey. Accessed April 4, 2026. https://mitchellh.com/writing/my-ai-adoption-journey

2. White J, Fu Q, Hays S, et al. A prompt pattern catalog to enhance prompt engineering with ChatGPT. arXiv:2302.11382 [Preprint]. https://doi.org/10.48550/arXiv.2302.11382
crossref
3. Brown T, Mann B, Ryder N, et al. Language models are few-shot learners. Adv Neural Inf Process Syst 2020;33:1877–1901.

4. Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models. Adv Neural Inf Process Syst 2022;35:24824–24837.
crossref
5. Litan A. Context engineering is the new prompt engineering. Accessed February 15, 2026. https://www.gartner.com/en/articles/context-engineering

6. Nenadic I, Fudim M, Loring Z, et al. Physicians as context engineers in the era of generative AI. Nat Med 2026 Feb 4 [Epub]. https://doi.org/10.1038/s41591-026-04215-x
crossref pmid
7. Gross G. Context engineering: improving AI by moving beyond the prompt. Accessed February 15, 2026. https://www.cio.com/article/4080592/context-engineering-improving-ai-by-moving-beyond-the-prompt.html

8. Taft DK. Vibe coding is passé. Karpathy has a new name for the future of software. Accessed February 15, 2026. https://thenewstack.io/vibe-coding-is-passe/

9. Keifenheim KE, Teufel M, Ip J, et al. Teaching history taking to medical students: a systematic review. BMC Med Educ 2015;15:159.
crossref pmid pmc pdf
10. Engel GL, Morgan WL. Interviewing the patient. WB Saunders; 1973.

11. Weed LL. Medical records, medical education, and patient care: the problem-oriented record as a basic tool. Press of Case Western Reserve University; 1970.

12. Podder V, Lew V, Ghassemzadeh S. SOAP notes. StatPearls Publishing; 2023.

13. Presiado M, Montero A, Lopes L, Hamel L. KFF Health Misinformation Tracking Poll: artificial intelligence and health information. Accessed February 15, 2026. https://www.kff.org/public-opinion/kff-health-misinformation-tracking-poll-artificial-intelligence-and-health-information/

14. Ruder K. An AI assistant can interpret those lab results for you. Accessed February 15, 2026. https://kffhealthnews.org/news/article/electronic-medical-records-patients-ai-chatbots-diagnosis-privacy-accuracy/

15. Aaron DG, Robertson CT, King LP, Sage WM. A new legal standard for medical malpractice. JAMA 2025;333:1161–1165.
crossref
16. Dai T, Singh S. Artificial intelligence on call: the physician's decision of whether to use ai in clinical practice. J Mark Res 2025;62:854–875.
crossref pdf
TOOLS
Share :
Facebook Twitter Linked In Line it
METRICS Graph View
  • 0 Crossref
  •   Scopus
  • 2,436 View
  • 66 Download
Related articles in
J Korean Med Assoc

The Role of medical doctor in the era of artificial intelligence2019 March;62(3)



ABOUT
BROWSE ARTICLES
EDITORIAL POLICY
FOR CONTRIBUTORS
Editorial Office
37 Ichon-ro 46-gil, Yongsan-gu, Seoul 04427, Korea
Tel: +82-2-6350-6565    Fax: +82-2-792-5208    E-mail: office@jkma.org                

Copyright © 2026 by Korean Medical Association.

Developed in M2PI

Close layer
prev next