서론

인공지능은 더 이상 헬스케어 분야에서 실험적 기술이 아닙니다. 영상 의학과 진단부터 임상 의사결정 지원, 환자 리스크 계층화에 이르기까지, AI 시스템은 이제 환자의 치료 결과에 직접적인 영향을 미치는 고위험 업무 흐름 전반에 걸쳐 깊이 내재되어 있습니다. 이 변화는 거버넌스의 의미와 실패의 비용에 대한 모든 것을 바꾸어 놓았습니다.

AI 모델의 역량이 고도화될수록 허용 가능한 오류의 범위는 좁아집니다. 문서를 잘못 분류하는 언어 모델은 비교적 쉽게 수정할 수 있지만, 진료 배분 과정에서 인종적 편향을 영속시키거나, 데이터 드리프트로 인해 성능이 조용히 저하되거나, 환각된 치료 권고를 생성하는 AI 시스템은 누군가가 이를 인지하기 전에 이미 돌이키기 어려운 피해를 초래합니다. 이 환경에서 성과를 거두는 조직은 AI를 가장 빠르게 도입하는 곳이 아니라, 가장 책임감 있게 도입하는 곳입니다.

이 글에서는 헬스케어 AI 거버넌스가 왜 단순한 컴플라이언스 항목을 넘어 전략적 필수 과제로 부상했는지, 현재 리스크 환경이 어떤 양상을 띠고 있는지, 헬스케어 분야의 AI 거버넌스가 규제 기대치를 어떻게 재편하고 있는지, 그리고 의료 시스템이 AI 야망과 AI 책임(AI accountability) 사이의 격차를 좁히기 위해 무엇을 해야 하는지를 분석합니다.

생성형 AI는 예측적 의료 분석을 통해 조기 질병 발견을 개선할 수 있는가? 여기에서 최신 인사이트를 확인해 보세요! 

기회의 규모 - 그리고 그에 따른 위험

헬스케어 AI의 성장을 뒷받침하는 수치들은 거버넌스 논의를 막연한 개념이 아닌 시급한 현실로 만듭니다. Grand View Research에 따르면, 글로벌 헬스케어 AI 시장 규모는 2025년 기준 약 366억 7천만 달러로 평가되며, 연평균 성장률 약 39%를 기록하며 2033년에는 5,055억 9천만 달러에 달할 것으로 전망됩니다. Fortune Business Insights는 일부 전망치가 이보다 더 높아, 2034년에는 1조 달러를 초과할 수 있다고 예측합니다.

투자 규모는 이 같은 확신을 반영합니다. McKinsey의 2025년 기술 트렌드 전망에 따르면, AI는 2024년 모든 투자 부문을 선도하며 총 1,243억 달러의 글로벌 에쿼티 펀딩을 유치했습니다. 헬스케어 분야에서는 McKinsey 조사에 응한 임원의 92%가 향후 3년간 AI 투자를 늘릴 계획이라고 답했으며, 전체 조직의 약 80%는 하나 이상의 핵심 기능에 AI를 활용하고 있다고 밝혔습니다. 의사들의 도입률도 빠르게 상승해, 2024년에는 의사의 66%가 헬스케어 AI 도구를 사용한다고 응답해 전년 38%에서 크게 증가했습니다.

이처럼 광범위한 도입이 이루어지고 있기 때문에 거버넌스는 선택이 아닌 필수입니다. AI 도구가 실험적이고 범위가 제한적일 때는 오류가 국소적으로 발생합니다. 그러나 진단 영상, 임상 문서, 치료 프로토콜, 인구 보건 관리에 이르는 엔터프라이즈 워크플로 전반에 걸쳐 내재될 때, 거버넌스 실패는 연쇄적으로 확산됩니다. 엔터프라이즈 헬스케어 AI의 성숙도는 이를 관리하기 위한 프레임워크의 성숙도를 이미 앞질렀습니다.

이 같은 근본적인 전환을 단적으로 보여주는 것이 MIT NANDA의 2025년 7월 "State of AI in Business" 보고서입니다. AI 실험은 광범위하게 진행되고 있지만, 맞춤형 엔터프라이즈 AI 도구 중 측정 가능한 비즈니스 성과를 내며 실제 운영 환경까지 확장되는 것은 단 5%에 불과하다는 분석입니다. 보고서는 이를 경직된 워크플로와 일상 업무와의 정렬 미흡에서 비롯된 결과로 보았으며, 일부 분석가들은 연구의 표본 규모에 한계가 있다고 지적하기도 했습니다. 정확한 실패율은 논쟁의 여지가 있지만, 방향성만큼은 업계 전반에서 일관되게 확인됩니다. 파일럿 단계의 배포보다 실제 규모화 배포가 훨씬 어렵다는 것입니다.

생성형 AI는 인간 연구자보다 빠르게 의료 데이터를 분석할 수 있는가? 여기에서 전문가 분석을 읽어보세요! 

무엇이 잘못될 수 있는가: 실제 실패 사례

헬스케어 분야의 거버넌스 논의는 가상의 리스크가 아니라 실제 피해에 근거합니다. 2024년 중반 이후 헬스케어 환경에서 1만 건 이상의 AI 관련 안전 사고가 보고되었습니다. 이러한 사고들은 각각 고유한 거버넌스 함의를 지닌 세 가지 주요 실패 유형으로 수렴됩니다.

1. 알고리즘 편향(Algorithmic Bias) 

역사적으로 대표성이 부족한 데이터셋으로 학습된 AI 시스템은 기존의 불평등을 임상 결정에 그대로 반영합니다. 대표적인 사례는 의료비를 건강 필요도의 대리 지표로 활용한 널리 배포된 케어 관리 알고리즘입니다. 겉보기에 중립적인 이 설계 선택은 흑인 환자의 케어 복잡성을 체계적으로 과소평가하는 결과를 낳았습니다. 연구진이 실제 건강 지표를 기반으로 알고리즘을 수정했을 때, 추가 케어 대상으로 선별된 흑인 환자 비율은 17.7%에서 46.5%로 급증했습니다. 보다 최근에는 London School of Economics(LSE)가 BMC Medical Informatics and Decision Making(2025년 7월)에 발표한 연구에서 영국 성인 사회 케어 사례 기록 요약에 활용되는 Google의 Gemma 대형 언어 모델에서 측정 가능한 성별 편향이 발견되었습니다. 이 도구는 잉글랜드 지방 당국의 절반 이상이 사용하고 있습니다. 

연구진이 동일한 케어 기록을 환자 성별만 바꿔 모델에 입력하자, Gemma는 현저히 다른 요약문을 생성했습니다. 이동에 어려움이 있는 84세 환자를 남성으로 설정했을 때는 "복잡한 병력, 케어 패키지 없음, 이동 능력 저하"로 기술했으나, 동일한 여성 환자에 대해서는 "제약에도 불구하고 독립적이며 스스로 개인 케어를 유지할 수 있음"으로 기술했습니다.

2. 데이터 드리프트(Data Drift) 

AI 모델은 과거 데이터로 학습되지만, 시간이 지남에 따라 실제 환자 집단, 질병 패턴, 임상 워크플로가 변화하면서 모델 성능이 조용히 저하됩니다. 수백 개의 미국 병원에 배포된 Epic Sepsis Model은 외부 검증 과정에서 권장 임계값 기준 민감도가 33%에 불과한 것으로 나타났습니다. 

즉, 실제 패혈증 환자 3명 중 2명(67%)을 놓쳤으며, 동시에 전체 입원 환자의 18%에게 알림을 발송해 심각한 알림 피로(alert fatigue)를 유발함으로써 임상 신뢰도를 훼손했습니다. 이는 단순히 초기 모델 설계의 결함이 아닙니다. 배포 이후 지속적인 모니터링과 재보정 거버넌스가 부재할 때 발생하는 문제를 보여주는 전형적인 사례입니다.

3. 시스템 통합 실패(System Integration Failures) 

기존 임상 워크플로와 제대로 연동되지 않는 AI 도구는 마찰과 우회책을 만들거나, 결국 임상의들에게 외면받게 됩니다. 신뢰가 무너지면 해당 도구는 사용되지 않고, 투자는 사라집니다. 반면 신뢰가 잘못 형성되어 임상의들이 적절한 인간 감독 없이 AI 출력에 의존하게 되면 환자 피해로 이어집니다.

법적 환경도 이 같은 리스크 현실을 반영합니다. 2025년 중반 국제 병원법 저널에 발표된 연구에 따르면, AI는 이미 문서화된 환자 피해를 야기했음에도 불구하고, 어떠한 AI 시스템도 국내외 어느 법원에서도 기소되거나 법적 책임을 진 사례가 없습니다. 확립된 법적 선례가 없다는 사실은 의료 시스템을 보호하는 방패가 아닙니다. 오히려 이는 지금 전 세계적으로 진행되고 있는 규제 강화를 앞당기는 요인이 됩니다.

Deloitte 2026: 의료 임원 80%가 에이전틱 AI의 가치 실현을 기대한다. 여기에서 향후 동향을 확인해 보세요! 

강화되고 있는 규제 압박

명확한 규제가 마련될 때까지 AI 거버넌스를 미룰 수 있다는 가정 아래 운영되어 온 의료 시스템이라면, 그 여지는 사실상 닫혔습니다. 헬스케어 분야의 AI 거버넌스에 대한 요구는 이제 단순한 권고를 넘어 법적 의무로 전환되고 있으며, 규제 환경은 이미 실질적이고 빠르게 변화하고 있습니다.

EU AI Act는 세계 최초의 AI 포괄 법적 프레임워크로, 헬스케어 분야에 직접 적용됩니다. 임상 AI 시스템을 고위험(high-risk)으로 분류한 이 법은 다음과 같은 구체적인 규정 준수 의무를 수반합니다.

• 2025년 8월: 많은 임상 AI 도구의 기반이 되는 범용 AI 모델 및 파운데이션 모델에 대한 규정이 적용되기 시작했습니다.
• 2026년 8월: 고위험 AI 시스템에 대한 적합성 평가, 기술 문서화, 인간 감독 요건을 포함한 전면적인 규정 준수 의무가 발효됩니다.
• 2027년 8월: MDR 또는 IVDR에 따라 이미 의료기기로 규제받고 있는 AI 시스템에 대한 유예 기간이 종료됩니다.

특히 중요한 점은, Medical Device Coordination Group과 EU AI Board의 공동 지침(MDCG 2025-6)에 따라, 의료기기로도 분류되는 AI 시스템은 MDR/IVDR과 AI Act를 동시에 준수해야 한다는 것입니다. 이 두 의무는 순차적이 아닌 병행 적용이며, 하나를 준수한다고 해서 다른 하나를 대체할 수 없습니다.

미국에서는 FDA가 2025년 1월 AI 기반 기기 소프트웨어 기능에 관한 초안 지침을 발표하며, 수동적 기기 평가에서 능동적이고 지속적인 시스템 관리로의 결정적 전환을 예고했습니다. 여기에는 모델 아키텍처 투명성, 학습 데이터 특성 문서화, 편향 완화 프로세스, 시판 후 성능 모니터링에 대한 명시적 요건이 포함됩니다.

준비 격차는 수치로도 명확하게 드러납니다. 2025년 기준, 미국 의료 시스템의 88%가 AI를 도입하고 있다고 응답했음에도 불구하고, 성숙한 컴플라이언스 및 모니터링 프로그램을 갖춘 곳은 17%에 불과했습니다. 헬스케어 분야의 AI 규정 준수는 도입 속도를 따라가지 못하고 있으며, 도입률과 거버넌스 성숙도 사이의 이 격차가 바로 엔터프라이즈 리스크가 축적되는 지점입니다.

왜 AI는 의료 분야에서 확장에 실패하는가-그리고 어떻게 해결할 것인가. 여기에서 AI의 미래를 살펴보세요! 

신뢰할 수 있는 헬스케어 AI가 실제로 요구하는 것

"헬스케어 분야의 책임 있는 AI"라는 표현은 자주 사용되지만, 정의는 일관되지 않습니다. 엔터프라이즈 의료 시스템의 관점에서 운영적 신뢰성은 네 가지 불가분한 구성 요소로 이루어지며, 헬스케어 AI 안전성은 이 모든 요소를 관통합니다.

설명 가능성과 투명성

임상의들은 이해하지 못하는 AI 시스템을 의미 있게 감독할 수 없습니다. Journal of Medical Internet Research에 2025년 발표된 42개 동료 심사 연구를 분석한 체계적 문헌고찰에 따르면, 투명성과 사용 편의성이 AI 기반 임상 의사결정 지원 시스템에 대한 의료 종사자의 신뢰를 높이는 핵심 촉진 요인으로 확인되었습니다. 반면 알고리즘의 불투명성은 교육 부족이나 윤리적 우려보다도 일관되게 가장 큰 장벽으로 지적되었습니다.

설명 가능한 AI(XAI)는 단일 기술 솔루션이 아닙니다. 모델 개발, 인터페이스 설계, 임상의 교육 전반에 내재되어야 하는 설계 철학입니다. Healthcare(MDPI) 저널에 2025년 8월 발표된 62개 연구 메타 분석에 따르면, 방사선과, 종양학, 중환자 의학 등에서 설명 가능성 기법이 빠르게 발전하고 있음에도, 사용자 중심 평가와 실제 임상 환경에서의 사용성 검증에는 여전히 상당한 격차가 존재합니다. 기술적으로는 설명 가능하지만 이를 사용하는 임상의에게는 사실상 불투명한 모델은 거버넌스 측면에서 실질적인 가치를 제공하지 못합니다.

편향 탐지와 지속적 감사

편향 감사는 모델 배포 시점에 한 번만 수행하는 검증 작업이 아니라, 지속적인 운영 책임입니다. 환자 집단은 변화하고, 질병 패턴은 진화하며, 모델 행동은 집계 성능 지표에서는 보이지 않는 방식으로 표류할 수 있습니다. 헬스케어 분야에서의 효과적인 AI 리스크 관리는 다음을 요구합니다.

• 하위 그룹별 모델 성능의 인구통계학적 세분화 분석
• 업데이트된 집단 데이터 기반의 정기적 재검증
• 성능 저하 감지 시 명확한 에스컬레이션 경로 확보
• 감사 결과를 누가 소유하고 조치할지에 대한 책임 문서화

인간 감독 아키텍처

EU AI Act의 인간 감독 요건은 형식적인 규제 절차가 아닙니다. 이는 임상적 진실을 반영합니다. 헬스케어 분야의 AI 시스템은 임상적 판단을 대체하는 것이 아니라 보완해야 합니다. 진단, 치료 계획, 자원 배분과 같은 고위험 의사결정에는 반드시 의미 있는 인간 검토 지점이 유지되어야 합니다. 누가, 어느 단계에서, 어떤 권한으로 개입할 수 있는지를 포함한 감독 아키텍처의 설계 자체가 섬세한 엔지니어링을 요구하는 거버넌스 기능입니다.

데이터 거버넌스와 개인정보 보호 규정 준수

헬스케어 AI 시스템은 세상에서 가장 민감한 개인 데이터를 처리합니다. 미국의 HIPAA, 유럽의 GDPR, 그리고 분야별 데이터 보호 요건이 교차하는 환경에서, AI 거버넌스 프레임워크는 기존 데이터 거버넌스 인프라와 병렬로 운영되는 것이 아니라 그 안에 통합되어야 합니다. 전 세계적으로 헬스케어 기록 관련 보안 사고가 증가하고 있는 가운데, 데이터 접근을 확대하면서도 이에 상응하는 거버넌스 통제를 갖추지 못한 AI 시스템은 리스크 노출을 더욱 가중시킵니다.

헬스케어 CIO가 AI 확장을 위해 엔터프라이즈 아키텍처가 필요한 이유. 여기에서 기업들이 어떻게 변화하고 있는지 확인해 보세요! 

거버넌스 격차: 왜 대부분의 조직이 뒤처지는가

인식은 높아지고 있지만, 헬스케어 분야에서 AI 야망과 AI 거버넌스 성숙도 사이의 격차는 여전히 넓습니다. 2025년 시장 분석에 따르면, 미국 의료 시스템 중 AI 거버넌스 프레임워크를 도입한 비율은 2024년 약 40%에서 2025년에는 70%로 증가했습니다. 의미 있는 진전이지만, 규제 기한이 다가오는 현재에도 여전히 3분의 1에 가까운 기관이 공식 프레임워크를 갖추지 못한 상황입니다.

거버넌스 성숙도 측면에서 가장 어려움을 겪는 조직들은 공통적인 특징을 공유합니다.

• 파편화된 AI 구매: 엔터프라이즈 전반의 벤더 거버넌스 없이 개별 부서가 도구를 도입함으로써, 데이터 처리의 일관성 결여, 기능 중복, AI 책임(AI accountability) 공백이 발생합니다.
• 배포 후 모니터링 부재: 엄격한 사전 검증을 거쳐 모델을 배포했더라도, 실제 운영 환경에서의 성능 저하를 감지하는 체계적 프로세스가 없습니다.
• IT 부서 중심의 거버넌스: AI 책임(AI accountability)이 임상 리더십이 아닌 기술 팀에 귀속됨으로써, 임상 리스크를 이해하는 사람과 모델 운영을 관리하는 사람 사이에 단절이 발생합니다.
• 섀도우 AI 리스크: 임상의와 직원들이 공식 거버넌스 구조 밖에서 개인용 또는 부서용 AI 도구를 사용해, 문서화되지 않은 리스크 노출을 초래합니다.

반면 AI 거버넌스 프레임워크 성숙도가 높고, 이에 따른 AI 성과도 뛰어난 조직들은 거버넌스를 임상, 법무, 기술, 운영 이해관계자가 모두 참여하는 엔터프라이즈 차원의 기능으로 다룹니다. 이러한 조직들은 효과적인 AI 리스크 관리를 단순한 기술 팀의 소관이 아닌 전사적 전략 과제로 내재화하고, 자문 역할에 그치지 않고 실질적인 권한을 가진 AI 거버넌스 위원회를 구성합니다. 또한 NIST AI Risk Management Framework나 ISO 42001과 같은 공인된 프레임워크를 채택하고, 이를 조달 계약, 벤더 평가, 모델 생애주기 관리 프로세스에 통합합니다.

헬스케어에서의 Gemini: 멀티모달 지능이 임상 및 바이오메디컬 시스템을 재편합니다. 여기에서 업계 리더들이 어떻게 적응하고 있는지 알아보세요! 

엔터프라이즈 헬스케어 AI 거버넌스 프레임워크 구축

엔터프라이즈 의료 시스템을 위한 AI 거버넌스 프레임워크의 실질적 구조는 NIST, ISO, WHO의 헬스케어 AI 윤리 및 거버넌스 지침, 또는 International AI Governance in Healthcare 기관이 발표한 Healthcare AI Governance Standard(HAIGS)에서 도출된 몇 가지 핵심 기둥으로 수렴됩니다.

핵심 거버넌스 기둥은 다음과 같습니다.

• 인벤토리 및 분류: 사용 중인 모든 AI 시스템에 대한 실시간 레지스트리를 유지하며, 리스크 수준, 임상 영역, 규제 적용 여부에 따라 분류합니다.
• 배포 전 검증: 관련 환자 하위 그룹에 걸친 모델 성능 구조화 평가, 기존 워크플로와의 통합 테스트, 실제 배포 전 임상 이해관계자 검토를 수행합니다.
• 지속적 모니터링 및 재보정: 명확한 성능 임계값, 자동화된 드리프트 감지, 명확한 책임 소재를 갖춘 정기 재검증 주기를 수립합니다.
• 사고 대응: AI 관련 이상 사태를 식별, 에스컬레이션, 대응하는 프로토콜을 마련하고, 모델 행동까지 추적 가능한 추적 체계를 구축합니다.
• 벤더 거버넌스: 제3자 AI 벤더와의 계약에 투명성, 감사 가능성, 사후 시장 지원에 관한 요건을 명시하고, 지속적 모니터링에 필요한 데이터 접근 조항을 포함합니다.
• 교육 및 책임: AI 도구를 사용하는 임상 사용자에 대한 명확한 교육 요건과, 개인·팀·기관 차원의 명확한 책임을 정의합니다.

HAIGS 프레임워크는 거버넌스 지표를 최소 연 1회 이상 최고 경영진에게 보고하도록 권고하며, 그 내용에는 개인정보 보호, 규정 준수, 헬스케어 AI 안전성 성과, 형평성 성과가 포함되어야 합니다. 이러한 보고 주기는 거버넌스를 수면 아래의 운영 기능에서 임원 차원의 가시적인 전략 과제로 끌어올리며, 이것이 바로 지속적인 자원 투자를 이끄는 가시성 수준입니다.

생성형 AI와 자동화가 현대 헬스케어 시스템에서 간호사 번아웃을 어떻게 변화시키고 있는가. 여기에서 데이터와 조사 결과를 살펴보세요! 

전략적 필수 과제: 거버넌스는 경쟁 우위입니다

헬스케어 AI 거버넌스를 단순히 리스크 완화, 즉 AI를 책임감 있게 배포하는 데 드는 비용으로만 바라보려는 유혹이 있습니다. 그러나 이러한 시각은 거버넌스가 실제로 엔터프라이즈 헬스케어 AI 프로그램에 전달하는 가치를 과소평가하는 것입니다.

성숙한 AI 거버넌스 프레임워크를 갖춘 조직은 다음과 같은 측면에서 더 유리한 위치에 있습니다.

• 고가치 AI 배포의 신속한 추진: 새로운 이니셔티브마다 거버넌스를 처음부터 구성하는 대신, 사전에 확립된 평가·승인·모니터링 경로가 이미 갖춰져 있기 때문입니다.
• 임상의 신뢰 구축 및 유지: AI 도구가 실제로 임상적으로 활용될지, 아니면 배포 후 외면받을지를 결정짓는 가장 중요한 요소는 바로 임상의의 신뢰입니다.
• AI 파트너십 유치 및 유지: 기술 벤더들은 점점 더 검증된 거버넌스 성숙도를 엔터프라이즈 파트너십의 전제 조건으로 요구하고 있습니다.
• 운영 중단 없는 규제 변화 대응: 사후 대응이 아니라 거버넌스 인프라가 이미 갖춰져 있기 때문에 가능합니다.

기업 AI 거버넌스 연구에서 인용된 Forrester State of AI Survey(2024)에 따르면, AI 의사결정권자의 79%가 거버넌스를 통해 변화하는 시장 및 규제 환경에 신속하게 적응할 수 있다고 응답했습니다. EU AI Act 준수 일정이 계속 앞당겨지고, FDA 생애주기 지침이 진화하며, 환자들의 AI 투명성에 대한 기대가 높아지는 환경에서, 이 적응력은 단순한 부수적 이점이 아니라 직접적인 경쟁 우위입니다.

엔터프라이즈 헬스케어 리더들이 직면한 질문은 AI 거버넌스 인프라를 구축할지 여부가 아닙니다. 충분한 시간이 있을 때 체계적으로 선제적으로 구축할 것인지, 아니면 규제 압박 속에서, 또는 이미 집중력이 쏠리고 선택지가 제한된 사고 발생 이후에 반응적으로 구축할 것인지의 문제입니다.

한국의 AI 혁신을 세계에 알리다: 이탈리아 SIGIR 2025에서 공개된 메이크봇의 HybridRAG 프레임워크. 여기서 더 읽어보세요!

결론: 거버넌스는 강력한 AI가 신뢰를 유지하는 방법입니다

헬스케어 AI 역량의 발전 궤적은 의심할 여지가 없습니다. 모델은 더욱 강력해지고, 더욱 자율적으로 작동하며, 임상 의사결정에 더욱 깊이 내재되고 있습니다. 이 궤적은 분기를 거듭할수록 거버넌스 논의를 더 중요하게 만들 뿐, 덜 중요하게 만들지 않습니다.

핵심 통찰은 단순합니다. 헬스케어 분야에서 강력한 AI 시스템의 가치는 전적으로 그것이 신뢰받을 수 있는지에 달려 있습니다. 그리고 이 맥락에서 신뢰는 감정이 아니라, 설명 가능성, AI 책임(AI accountability), 인간 감독, 지속적 모니터링, 그리고 헬스케어 분야의 AI 규정 준수를 통해 구축되는 운영상의 속성입니다. 이것들은 AI의 잠재력에 대한 제약이 아닙니다. 이것들은 AI의 잠재력이 규모 있게, 그리고 안전하게 실현되기 위한 조건입니다.

신뢰할 수 있는 헬스케어 AI를 배포 시점에 한 번 해결하면 되는 공학적 문제로 다루는 의료 시스템은, 이를 조달부터 시판 후 모니터링에 이르는 모든 과정에서 문화, 프로세스, 거버넌스 아키텍처에 내재된 지속적인 기관 관행으로 다루는 의료 시스템에 뒤처질 것입니다.

모델은 계속해서 발전할 것입니다. 문제는 거버넌스 인프라도 그 속도에 맞춰 함께 발전하느냐입니다.

‍