데이터분석 준전문가(ADsP)
기초 통계와 분석 방법을 확인하는 국가공인 민간자격이다. 신입 서류의 보조 신호는 되지만 의료 데이터 프로젝트나 연구설계 경험을 대신하지는 못한다.
한국의 임상 데이터 과학자는 상급종합병원 연구센터, 제약사와 임상시험수탁기관(CRO), 건강보험 데이터 연구, 디지털헬스 기업 사이에서 일한다. 통계·산업공학·컴퓨터공학 전공자가 의료 도메인을 익히거나, 보건학·간호학·약학 전공자가 R·SAS·Python과 연구설계를 보강해 들어오는 경로가 흔하다. 일반 데이터 직무와 달리 병원 IRB 심의, 개인정보보호법상 가명정보 처리, 임상시험관리기준(GCP), 분석계획서와 감사 추적을 이해해야 결과가 연구나 허가 자료로 쓰인다.
채용은 서울의 이른바 빅5 병원과 판교·강남의 디지털헬스 기업, 송도 바이오 클러스터에 집중된다. 심평원·국민건강보험공단 표본자료나 병원 EMR을 다뤄 본 경험, KCD 질병분류와 처방·검사 코드에 대한 문해력이 강한 신호다. 남성 연구자는 석박사 과정에서 전문연구요원을 선택하기도 하지만 지정기관과 편입 요건을 먼저 확인해야 하며, 자격증보다 재현 가능한 분석 코드와 연구윤리 기록이 실제 채용에서 더 무겁다.
한국의 숫자
심평원·건보공단 자료핵심 공공 데이터
IRB·가명정보 심의주요 규제 관문
서울·판교·송도주요 산업 거점
SAS·R·Python·SQL대표 분석 도구
한국에서의 진입 경로
-
1
통계·데이터 전공 후 의료 특화
학사·석사통계학·산업공학·컴퓨터공학에서 회귀, 생존분석, SQL을 익힌 뒤 병원 연구실 인턴이나 보건의료 데이터 공모전으로 임상 맥락을 보강한다. 첫 취업에서는 모델 화려함보다 코호트 정의와 결측 처리 설명이 중요하다.
-
2
보건·간호·약학에서 분석 전환
도메인 경력 활용임상 용어와 진료 흐름을 아는 전공자가 R·SAS·Python을 추가해 연구지원센터나 제약 데이터팀으로 옮긴다. KCD 코드, 검사 기준치, 이상반응 기록을 실제 의미와 연결할 수 있다는 점이 강점이다.
-
3
병원 연구실·임상연구지원센터
RA·계약직 입문대학병원 과제의 데이터 정리, 통계분석, IRB 변경 문서부터 시작해 다기관 연구 경험을 쌓는다. 계약직 비중이 높으므로 담당 분석의 저자 기여, 코드 보관 방식, 후속 고용 조건을 확인해야 한다.
-
4
제약사·CRO 데이터 직무
GCP·CDISC 경로임상 데이터 관리나 바이오통계 지원으로 입사해 쿼리 관리, SAS 프로그램, CDISC 표준과 규제 제출 흐름을 배운다. 병원 운영 분석과 달리 프로토콜 일탈 및 감사 가능한 변경 기록이 핵심이다.
국내 자격·면허
SQL 개발자(SQLD)
병원 CDW와 청구자료를 직접 조회하는 직무에서 실용적이다. 자격 취득보다 복잡한 환자 단위 종단 데이터를 중복 없이 구성한 사례를 함께 보여주는 편이 효과적이다.
임상시험 종사자 교육
임상시험 자료를 다루는 제약사·CRO·병원 역할에서는 GCP와 연구자 교육 이수가 요구될 수 있다. 자격증이라기보다 연구 참여 전 반드시 갖춰야 하는 규제 실무 교육에 가깝다.
국내 학과와 대학
서울대학교 보건대학원
역학·보건통계와 건강 자료 분석을 연결하며 병원·공공 연구기관으로 이어지는 대표적인 대학원 경로다.
연세대학교 보건대학원
임상 현장과 가까운 보건통계·역학 교육을 제공해 병원 기반 연구 경험을 쌓기 좋다.
성균관대학교 삼성융합의과학원
삼성서울병원과 연계해 디지털헬스, 임상연구, 의료 AI를 융합하는 대학원 교육을 운영한다.
아주대학교 의료정보학과
병원 정보시스템과 의료 데이터 연구를 잇는 교육·연구 기반이 있어 EMR 분석 경로와 맞닿아 있다.
주요 취업처
서울아산병원 빅데이터센터
대규모 EMR과 임상연구를 지원하며 의료진과 협업해 코호트 구축, 통계분석, 의료 AI 검증을 수행하는 대표 현장이다.
삼성바이오에피스
임상개발과 바이오통계, 데이터 관리 인력이 규제 제출을 전제로 다기관 시험 데이터를 다룬다.
씨젠의료재단·진단기업
대량 검사 결과와 품질 데이터를 분석하며 진단검사의학 맥락, 기준치 변경, 검사 장비 편차를 이해하는 인력을 필요로 한다.
루닛
암 진단·치료 관련 AI를 개발하는 국내 기업으로, 임상 성능 검증과 실제 병원 도입을 연결할 데이터 인력을 채용한다.
현실적으로 알아둘 것
IRB와 데이터 반출이 일정의 주인
좋은 분석 아이디어가 있어도 IRB 승인, 데이터 이용계약, 가명처리와 안전한 분석실 반출 심사를 통과하기 전에는 한 행도 볼 수 없다. 병원마다 절차와 허용 환경이 달라 분석 기간보다 접근 준비가 길어지는 일도 흔하다.
병원 코드는 임상 현실과 다르다
KCD 진단코드는 보험 청구와 진료 편의를 위해 입력되므로 질환의 생물학적 진실과 일치한다고 가정할 수 없다. 처방 중단, 전원, 장비 교체 같은 맥락을 의료진과 확인하지 않으면 그럴듯한 가짜 효과를 만들기 쉽다.
계약직 연구 인력 의존
대학병원과 국책과제는 연구비 단위 계약직으로 데이터 인력을 채용하는 경우가 많다. 논문 실적은 쌓을 수 있지만 과제가 끝나면 고용도 끝날 수 있어, 분석 소유권과 경력 인정 범위를 입사 전에 확인할 필요가 있다.
SAS 전통과 Python 전환의 공존
규제 임상시험과 제약 바이오통계는 SAS 비중이 여전히 높고, 의료 AI·병원 빅데이터팀은 Python과 SQL을 선호한다. 어느 한 도구의 유행보다 분석계획서부터 재현 가능한 결과표까지 전 과정을 설명하는 능력이 이동성을 만든다.
한국에서 이 직업에 들어가는 가장 확실한 방법은 자격증을 모으는 것이 아니라, 의료 질문을 적절한 코호트와 분석계획으로 바꾸고 그 과정을 IRB와 개인정보 규칙 안에서 재현 가능하게 남긴 경험을 만드는 것이다.
판교의 의료 AI와 송도의 바이오 산업이 일자리를 넓히고 있지만, 현장의 신뢰는 여전히 병원 기록이 왜 그렇게 생겼는지를 이해하고 과장 없이 설명하는 사람에게 돌아간다.