미국 네브라스카주 오마하(Nebraska Omaha, USA)에 위치한 CHI Health 소속 병원에서는 2021년부터 AI 기술을 도입하여 패혈증 위험을 식별 및 예측하고, 영상을 통해 뇌졸중을 식별한다(Diaz, 2024). 특히, CHI Health는 AI 기반의 패혈증 탐지 시스템을 통해 의료진이 환자의 패혈증 초기 징후를 더 빨리 감지할 수 있도록 지원하고 있는데, 과거 전통적인 진단 방법보다 평균 6시간 더 빨리 패혈증을 발견할 수 있게 해주며, 패혈증 환자의 사망률을 현저히 감소시킬 수 있는 것으로 나타났다. 기존의 진단 방법은 패혈증을 감지하는 정확도가 약 65%였으나, AI 기반 시스템 도입 후 90%로 향상되었다. 뇌졸중 진단 시간도 AI 도입 전 평균 60분에서 도입 후 20분으로 진단 시간을 약 67% 단축하였다. 패혈증과 뇌졸중 환자의 생존율은 각각 20% 및 25% 증가했다(https://www.chihealth.com/). 이와 유사하게 존스홉킨스대학교(Johns Hopkins University, 2021)에서도 AI 기반 시스템을 통해 환자가 패혈증으로 사망할 가능성을 20% 낮추었다고 설명하였다.

CHI Health는 AI 기반 영상 분석 기술을 통해 뇌졸중을 식별하고 있다. 이 기술은 의료진이 뇌졸중 환자를 신속하게 진단하고 적절한 치료를 제공할 수 있도록 도와 환자의 예후를 개선하며, 장기적으로 질병 치료 향상 및 건강관리에 기여하고 있다. 이러한 AI 기반 시스템은 의료진이 중증 환자를 더 정확하고 신속하게 관리할 수 있도록 지원하여, 환자의 생명을 구하고 치료 결과를 개선하는 데 중요한 역할을 수행한다.

미국 유타주 솔트레이크시(Utah Salt Lake City, USA)에 위치한 Intermountain Healthcare는 의사의 병상(입원한 환자) 진단을 돕기 위해 AI 기반 플랫폼을 임상의사결정지원(Clinical Decision Support) 시스템에 통합하였다. 이 플랫폼은 빠른 의료 상호운용성 리소스(Fast Healthcare Interoperability Resources)를 활용하여 임상 관련 데이터에 대한 실시간 액세스를 제공하는데, 의료진은 전자건강기록 시스템을 통해 환자의 질병 진단을 위한 정확성 및 적시성을 개선하여 환자의 안전과 진료의 질적 향상을 추구한다. 이 시스템은 ePneumonia 앱을 통해 특히 폐렴환자를 보다 효과적으로 식별하고 치료할 수 있도록 지원하고 있는데, 50개 이상의 데이터 요소를 분석하여 폐렴의 가능성과 심각도를 평가하고 필요할 경우 입원을 포함한 적절한 치료법을 추천한다. 이러한 시스템을 도입한 이후 이 병원 폐렴환자의 30일 내 사망률을 36% 감소시켰고, 응급실에서 외래 진료로의 전환율은 17% 증가하는 등 진료성과를 크게 개선하였다(Wicklund, 2023).

메이요 클리닉(Mayo Clinic, USA)은 심혈관 의학의 다양한 측면에 AI 기반 시스템을 통합하였는데, 이 시스템은 뇌졸중을 더 빨리 진단하기 위해 CT 스캔을 분석하고, 심전도를 사용하여 심부전을 예측하고, 증상이 나타나기 전에 심방세동을 감지하는 데 사용된다(Mayo Clinic, 2024). 뇌졸중 진단 시간은 평균 120분이었으나, 도입 후 30분으로 단축되었는데, 이는 진단 속도가 약 75% 향상된 것을 의미한다. 심방세동 감지는 무증상 심방세동을 감지하는 AI의 도입으로 조기 발견율이 30% 증가하는 성과를 보였다. 심부전 예측 정확도의 경우 AI 도입 전에는 약 70%의 정확도를 보였으나, 도입 후 90%로 향상되었다. AI 기반 예측은 수술 후 장기 생존율 향상과 상관관계가 있어 더 나은 환자관리 및 수술결정에 도움이 되었고, AI 분석을 통해 뇌졸중 진단을 신속하게 할 수 있어 치료 시간을 크게 단축한 것으로 보고되었다(Mayo Clinic, 2024).

특히, 이 통합시스템은 심장 수술 후 장기 사망률을 예측하여 환자의 위험을 평가하는 데 잠재적 가치가 있는 도구로 평가되었다. 1993년부터 2019년까지 로체스터의 메이요 클리닉에서 환자 20,627명을 대상으로 한 검토에서 17,125명은 AI 기반 심전도(Electrocardiogram) 검사가 정상이었고, 3,502명은 비정상으로 나타났는데, 이들의 5년 생존 확률은 정상 검진 환자의 경우 86.2%, 비정상 검진 환자의 경우 71.4%로 분석되었고, 이 두 그룹의 10년 생존확률은 각각 68.2%, 45.1%로 분석되었다(Furst, 2021). 특히 최근 메이요 클리닉은 Apple Watch와 같은 스마트워치에서 심전도를 사용하기 위해 AI 알고리즘을 수정했는데, 의료진은 비임상 환경에서도 심부전을 원격으로 감지할 수 있다. 환자는 스마트워치를 사용하여 심전도를 기록하고 전자건강기록과 통합되는 스마트폰 앱을 통해 데이터를 업로드할 수 있다. 이 접근 방식은 조기 심부전 감지를 위한 확장기능이며, 비용적인 측면에서도 효율성이 높은 것으로 평가된다(Mayo Clinic, 2024).

영국의 NHS는 2021년 1월부터 AI 기술을 통해 희귀질환 진단을 개선하고자 멘델리안(Mendelian) AI를 도입하였다. 이 시스템은 AI 기반 멘델스캔(MendelScan)을 통해 환자데이터와 증상을 분석하여 진단 가능성을 강조함으로써 주치의가 잠재적인 희귀질환을 식별하고 진단하는 데 도움을 준다. 멘델리안의 AI 기반 기술 도입 전 희귀질환 진단에 평균 5~7년이 소요되었으나, 도입 후 평균 1년으로 단축되었는데, 이는 진단 시간이 약 85% 단축된 것을 의미한다. 조기 개입을 통한 치료 성공률은 40% 증가했고, 희귀질환 진단 정확도는 약 25% 향상되었다. 예를 들어, 베체트병(Behcet's Disease)의 경우 멘델스캔은 베체트병의 임상적 특징을 가진 14명의 환자를 식별했는데, 이 중 단 2명만이 기존 방법으로 진단되었다. AI 기반 기술을 통해 진단 기간은 4년을 단축하였고, 진단 비용은 76%(13,079파운드) 절감하였으며, 불필요한 의뢰 3건과 오진 1건을 피할 수 있었다(Buendia et al., 2021, 2022; Mendelian: www.mendelian.co/solution). 엘러스-댄로스 증후군(Ehlers-Danlos Syndrome)의 경우에도 이 시스템을 통해 엘러스-댄로스 증후군 특징을 가진 환자 12명을 식별하였고, 진단 기간은 3년을 단축시켰으며, 진단 비용은 35%(4,739파운드) 절감하였다(Buendia et al., 2021, 2022; Mendelian: www.mendelian.co/solution).

의료산업은 오래전부터 AI 기반 시스템이나 기술, 로봇 등을 활용한 다양한 사례를 소개하였다. 국내는 1996년 최초의 로봇수술을 시작으로 2005년 5월 연세의료원에서는 다빈치로봇을 도입하였고, 그해 7월 전 세계로 실시간 생중계하며 로봇수술을 성공적으로 마쳤다.

애틀랜틱 종합병원(Atlantic General Hospital, USA)은 2022년 9월 관절 교체 수술을 위해 Mako SmartRoboticsTM 시스템을 도입하여 연조직 손상이 적고 뼈를 더 잘 보존할 수 있다는 수술 결과와 함께 무릎 굴곡과 연조직 보호 개선 효과, 환자의 입원기간 단축 등을 제시하였다(Atlantic General Hospital, 2022).

아폴로메딕스 슈퍼 스페셜티 병원(Apollomedics Super Specialty Hospital, India)도 유사하게 2023년 6월 무릎 인공관절 수술을 보조하는 첨단 AI 기반 로봇 시스템을 사용하여 무릎 교체 수술 서비스를 시작했다. 이 시스템은 수술 절개와 임플란트 삽입의 정밀도를 높였는데, 80~85% 정확도가 AI 기반 로봇수술 도입 후 95%~99%로 향상되었다. 특히 저렴한 비용으로 많은 환자가 더 쉽게 의료서비스를 받을 수 있다는 점에서 높게 평가되었다(Apollo Hospitals, 2023).

토론토 종합병원(Toronto General Hospital, Canada)은 2023년 4월에 메드트로닉 휴고^TM 로봇보조수술 시스템(Medtronic Hugo^TM Robotic-assisted Surgery System)을 사용하여 최초의 상업적 수술(Commercial Procedure)을 시행하였다. 이 시스템은 로봇의 정밀성과 AI 기반 데이터 인사이트를 결합하여 복잡한 수술을 더욱 정확하게 수행할 수 있도록 지원하며, 환자는 회복시간 단축 및 수술 후 합병증 감소로 전반적인 환자만족도 향상과 병원효율성 향상에 기여한 것으로 평가되었다(Medtronic, 2023).

국내 의료기관 중 서울아산병원은 영상데이터를 기반으로 구축한 AI 알고리즘으로 알츠하이머 질환(AD)과 경도성인지장애(MCI) 등 치매질환 예측 등에 활용하고 있다(Medical Newspaper, 2020). 세브란스병원은 디지털 병리 시스템을 통해 조직 슬라이드 이미지를 분석하는 AI 기술을 도입하여 병리학자들의 진단 시간을 크게 단축시키고, 진단의 일관성과 정확성을 높였다(Severance Hospital, 2021). 삼성서울병원은 응급실에 AI 기술을 도입하여 응급실에서 환자의 상태를 실시간 모니터링으로 응급상황 발생 시 신속한 대응이 가능해졌으며, 응급실 처치 추천 등에 AI 기반의 임상의사결정 시스템을 운영하고 있다(MedicalTimes, 2024).

미국 필라델피아 아동병원(Children’s Hospital of Philadelphia, USA)은 AI 기반 기술을 활용하여 게놈, 임상 및 영상데이터의 통합과 공유가 용이하도록 시스템을 구축하여 연구자들이 질병을 교차분석하여 보다 효율적으로 질병을 발견할 수 있도록 지원하고 있다. 또한 미국 시애틀에 있는 프레드 허친슨 암 센터(Fred Hutchinson Cancer Center, USA)는 자연어 처리 사용을 기반으로 구조화되지 않은 임상데이터를 선별하여 임상 암 연구 대상 환자를 신속하게 선정하여 암 임상시험 환자 모집 프로세스를 크게 간소화시켰다(Fred Hutchinson: https://www.fredhutch.org/en.html).

<표 1>과 같이 의료기관별 적용사례 성과를 요약하였는데, 많은 의료기관에서 환자 질병 진단, 치료, 수술 등의 의료서비스 제공 시 사용하고 있는 AI 기반 사례의 공통점은 환자의 질병 진단 및 치료의 정확성과 효율성을 높이고 의료진이 환자치료에 집중할 수 있도록 하는데 사용되고 있음을 알 수 있다. 따라서 <표 1>은 의료서비스 분야에서 AI 기반 시스템이나 기술 적용의 잠재적 가치의 가능성을 보여주는 사례라고 할 수 있다. 그러므로 의료서비스를 지원하는 AI 기반 시스템이나 기술은 환자치료의 정확성을 향상시켜 보다 신속하고 개인화된 치료로도 발전할 수 있을 것이다(Diaz, 2024; Siwicki, 2024).

미국 사우스캐롤라이나주 찰스턴(Charleston)에 있는 MUSC(Medical University of South Carolina, USA)는 AI 기반 시스템을 사용하여 응급실에서의 환자경험을 개선하기 위해 안도르 헬스(Andor Health)의 씽크안도르(ThinkAndor) 플랫폼을 통해 가상라운딩(Virtual Rounding), 주변 문서화(Ambient Documentation) 및 가상환자분류(Virtual Triage) 기능을 구현했다. 이 플랫폼은 환자가 특정상담실을 이용할 수 있도록 설계되어 있어 의료진은 원격으로 수술을 수행하고, 평가하며, 가상으로 진료서비스를 제공할 수 있다. 그런 다음 의료진은 ThinkAndor의 가상명령 센터를 통해 즉시 업데이트되는 환자정보를 기반으로 환자의 상태를 모니터링한다. 이 플랫폼 시행초기에는 씽크안도르의 가상라운딩 및 가상환자분류 기능을 통해 진료받지 않고 퇴원하는 환자 비율이 안정적으로 유지되는 것으로 나타났고, MUSC는 이 프로그램을 통해 생산성이 500% 증가한 것으로 평가되었다(Diaz, 2024).

미국 네브라스카주 오마하(Nebraska Omaha, USA)에 있는 CHI Health 소속 병원은 AI 기반 환자 노쇼 예측기술(No-show Prediction Technology)을 통해 환자 노쇼모델을 도입하였다. 이 모델은 필요한 치료를 제때 받을 수 있도록 환자 진료예약 관리뿐만 아니라 사전에 환자에게 연락함으로써 병원에 오는 데 장애가 되는 요소가 무엇인지를 파악할 수도 있다(Diaz, 2024). 존스 홉킨스 대학(Johns Hopkins University, 2021)은 의료데이터 분석시스템에 AI 기반 시스템을 도입하여 환자의 진료기록과 데이터를 분석하고 예측모델을 구축하여 환자 실시간 모니터링 및 위험 요소 조기 대응에 활용하고 있다. 메이요 클리닉(Mayo Clinic)도 AI 기반 시스템을 활용하여 환자 스케줄링 및 자원관리를 개선하고 있는데, 환자일정관리 최적화 및 의료진의 일정을 효율적으로 관리함으로써 환자의 대기시간을 감축시키고 있다. 스탠포드 의과대학(Stanford Medicine)도 환자 대기시간 관리, 진료일정 조율, 환자 피드백 분석, 리소스 할당 등의 업무를 개선하였고, 환자데이터를 분석해 최적의 진료일정을 제안하고, 자동화된 환자 피드백 분석을 통해 서비스 품질을 향상시켰다. 특히, 216,000명 이상의 성인 환자 입원에 대한 진료정보를 분석하여 예상치 못한 재입원, 장기입원 및 병원 내 사망에 대한 예측모델을 개발하여 효율적인 리소스 계획을 세우고 대기시간을 단축하였다(Hansen, 2018).

미국 존스 홉킨스 병원(Johns Hopkins Medicine, USA)에서는 환자와 의료진(팀)이 더 자유롭게 소통을 하면서 임상의의 번아웃을 방지하기 위해 앰비언트 스크라이브(Ambient Scribe) 기술을 도입하였다. 이 기술은 AI 기술을 활용하여 의사와 환자 간의 대화를 실시간으로 기록하고 요약하는 시스템으로 의사가 환자와 상담할 때 발생하는 모든 대화를 자동으로 캡처하고, 이를 기반으로 진료기록을 생성한다(Siwicki, 2024). Stanford Health Care, UC(University of California) San Diego Health, UW(University of Wisconsin) Health, VUMC(Vanderbilt University Medical Center) 등도 에픽사의 이 시스템을 적용한다(Landi, 2023).

이와 유사하게 UPMC(University of Pittsburgh Medical Center, USA)와 에모리 헬스케어(Emory Healthcare, USA)도 에픽사와 에이브릿지(Abridge)의 AI 솔루션을 채택하여 환자-의료진 간 상호작용을 개선하고 관리업무를 간소화하였다(Emory News Center, 2023). AI 기반 커뮤니케이션 시스템은 환자에게 일정 알림, 맞춤형 건강 팁, 대안 등을 제안하는 데 사용될 수 있어 환자만족도를 향상시켰고(Daley, 2022), 의사들은 하루에 약 2시간의 문서 작업 시간을 절약할 수 있다(Diaz, 2024; Siwicki, 2024).

국내 의료기관 중 서울아산병원은 AI와 RPA 기술을 통해 원무행정업무를 자동화하였고, 이를 통해 환자의 진료 예약 및 변경, 입퇴원 수속, 보험청구 등의 행정업무를 간소화했다. 이로 인해 환자의 대기시간을 줄이고 원무행정분야의 업무효율성을 향상시켰다(Seoul Asan Medical Center, 2020). 또한, 분당서울대학교병원은 RPA 시스템을 원무행정분야에 도입하여 환자 안내, 진료 예약, 결제 시스템 등을 개선하고, 병상 현황 파악 및 배정을 자동화하여 40~50분 소요되었던 시간을 5분으로 단축했다. 또한 병실 배정 결과와 입원 스케줄은 '알림톡'을 통해 전달되며, 이를 통해 환자가 입원 일정을 조율할 수 있는 양방향 서비스도 시작했다(Young Doctors, 2023).

해외 사례 중 클리블랜드 클리닉(Cleveland Clinic)은 팔란티어 테크놀로지스와 파트너십을 맺고 AI 및 RPA 기술을 도입하여 빅데이터 분석을 활용한 가상명령센터(Virtual Command Center)를 구축했다. 이 AI 기반 플랫폼은 병상가용성, 환자수요, 인력배치, 수술실 스케줄 관리를 지원한다(Cleveland Clinic, 2024). 가상명령센터는 실시간 데이터와 예측분석을 제공하여 의사결정 프로세스를 간소화하고 리소스(자원) 활용도를 개선한 결과, 병원의 운영효율성을 높이고 대기시간을 줄이는 데 기여하며, 특히 피크기간 동안 적시에 자원을 할당할 수 있어 유용하다고 평가되었다(HealthITAnalytics, 2023).

앞에서 논의된 사례를 <표 2>와 같이 요약하였으며, 이러한 국내외 사례는 원무행정분야에서 AI 기반 시스템 또는 기술 도입에 대한 잠재력 및 새로운 변화 요구를 보여주는 결과로 볼 수 있다. 이는 궁극적으로 AI 기반 기술 도입을 통해 환자만족도 향상에 중요한 역할을 하고 있으며, 긍정적인 효과가 나타나고 있어 향후 원무행정분야에서 다양하게 활용될 것으로 기대된다.