글쓴이: 오시 코스키넨(Ossi Koskinen), 지멘스 헬시니어스(Siemens Healthineers) 주요 고객 담당 이사. 그는 핀란드와 스웨덴의 전략적 고객 관계를 총괄하고 있다.
의료계에서는 더 이상 인공지능을 활용할 수 있는지 여부에 대해서는 거의 논의되지 않습니다. 훨씬 더 어려운 문제는, 효과가 입증된 해결책을 어떻게 일상 업무에 접목시켜 전문가와 환자 모두에게 실질적인 도움이 되도록 할 것인가 하는 점입니다.
이 질문은 제가 병원 경영진, 임상 전문가, 정보 관리 담당자들과의 만남에서 반복적으로 제기됩니다. 해결책과 유망한 시범 사례는 많지만, 시범 운영 단계에서 본격적인 도입 단계로 가는 과정은 종종 의외로 길기 마련입니다.
이 현상은 새로운 것이 아니다.
저는 직장 생활의 상당 부분을 의료 분야의 변화와 기술 도입에 헌신해 왔습니다. 수년 동안 저는 예를 들어 당시의 Windows 휴대폰용 통증 측정기를 개발하는 데 참여했으며, 원격 진료에 대한 관심이 아직 그리 높지 않았던 시기에 그 길을 개척하는 데 기여했습니다.
돌이켜보면 윈도우 폰에 투자한 것은 제 경력에서 가장 성공적인 기술적 선택 중 하나는 아니었습니다. 하지만 그 경험을 통해 여전히 유효한 교훈을 얻었습니다. 기술적으로 잘 작동하는 솔루션이 반드시 성공적인 서비스를 의미하는 것은 아니라는 점입니다.
원격 진료의 경우 상황은 조금 달랐다. 필요한 기술은 이미 수년 전부터 상당 부분 갖춰져 있었으나, 이를 대규모로 활용할 수 있는 환경이 조성되기까지는 시간이 걸렸다. 코로나19로 인해 상황이 급격히 바뀌었다. 이제 우리는 핀란드의 1차 의료 환자가 다른 나라에서 원격으로 진료받을 수 있다는 사실을 꽤 당연하게 여기고 있습니다. 예를 들어, 현재 프랑스에 거주하는 제 지인도 바로 그렇게 하고 있습니다.
따라서 기술은 그 기술을 둘러싼 운영 방식, 구조, 그리고 사람들이 준비되기 훨씬 전에 이미 완성될 수 있다. 인공지능의 경우, 우리는 여러 분야에서 바로 이 단계에 있다.
많은 솔루션이 기술적으로는 잘 작동합니다. 하지만 약속된 이점이 일상에서 항상 나타나지는 않습니다. 그 원인은 대개 해당 솔루션이 병원의 시스템, 업무 흐름 및 의사 결정 과정과 어떻게 연계되는지에 있습니다.
전문가의 시간을 절약하기 위한 목적으로 이런 상황을 본 적이 있습니다. 실제로 사용자는 먼저 원본 정보를 확인한 다음, 인공지능의 평가 결과를 확인하고, 마지막으로 다른 시스템에서 해당 내용을 다시 한 번 확인합니다. 새로운 솔루션은 업무 부담을 줄여줄 것으로 기대되었지만, 오히려 확인 단계를 하나 더 추가하게 되었습니다.
이런 상황에서 알고리즘은 기대대로 작동할 수 있습니다. 하지만 전문가의 업무가 더 쉬워지는 것은 아닙니다.
인공지능이 생성한 정보는 전문가가 본래 결정을 내리는 그 시스템과 그 단계에서 제공되어야 합니다. 정보는 이해하기 쉬운 형태여야 하며, 이를 바탕으로 어떤 조치를 취할 수 있어야 합니다. 그렇지 않으면 인공지능은 기존 도구들 곁에 또 하나의 도구로 그칠 가능성이 큽니다.
영상 진단 분야에서 그 가능성은 이미 단일 영상의 분석을 훨씬 넘어선 영역까지 확장되고 있습니다. 인공지능은 환자 준비, 검사 수행, 영상 판독, 보고, 그리고 치료 결정 과정에 정보가 반영되는 과정을 지원할 수 있습니다. 이때 중요한 것은 개별 애플리케이션이 아니라, 환자에서 영상, 영상에서 소견, 그리고 치료로 이어지는 전체 과정입니다.
그렇기 때문에 제 생각에는 인공지능 프로젝트를 시작할 때, 어디에 인공지능을 적용할 수 있을지부터 묻는 것은 바람직하지 않습니다.
먼저 훨씬 더 일상적인 질문들부터 시작해 보겠습니다. 업무가 어디서 막히나요? 어디서 대기 시간이 발생하나요? 같은 정보가 어디에서 여러 번 기록되나요? 전문가가 어디서 한 시스템에서 다른 시스템으로 전환해야 하나요? 임상적 전문성이 필요하지 않은 업무인데도 시간이 어디에 소모되나요?
실제 문제가 파악되면, 인공지능이 그에 대한 올바른 해결책인지 평가할 수 있습니다. 때로는 그렇기도 합니다. 때로는 업무 방식을 바꾸거나 조금 더 단순한 기술적 해결책이 더 큰 도움이 되기도 합니다.
성공을 측정하는 데에도 같은 실용성이 필요합니다. 알고리즘의 정확도는 중요하지만, 그것만으로는 해결책의 가치를 알 수 없습니다. 의료 분야에서는 그 효과가 환자의 치료, 전문가의 업무 또는 조직의 운영에 나타나야 합니다. 가급적이면 이 중 여러 가지에서 나타나야 합니다.
도입 후에도 그 영향을 지속적으로 모니터링해야 합니다. 시스템과 영상 장비는 업데이트되고, 환자 집단은 변화하며, 인공지능 솔루션의 새로운 버전이 출시됩니다. 따라서 도입은 솔루션이 사용자에게 공개되는 날로 끝나지 않습니다.
이 말은 당연해 보이지만, 실제로는 책임 소재가 모호해지기 쉽습니다. 누가 솔루션의 운영 상황을 모니터링하나요? 누가 사용자 피드백을 처리하나요? 언제 현지 검증이 필요하나요? 소프트웨어 업데이트의 영향을 어떻게 평가하나요? 그리고 솔루션이 더 이상 예상대로 작동하지 않을 경우, 누가 결정을 내릴까요?
이 업무에는 임상 담당자, 정보 관리 담당자, 기술 전문가, 경영진 및 공급업체가 필요합니다. 특히 임상 업무와 기술의 가능성 및 한계를 모두 이해하는 사람들이 매우 중요합니다. 이들은 종종 한 가지 관점만으로 문제를 바라볼 때 간과되기 쉬운 문제점들을 파악해 낼 수 있습니다.
인공지능 솔루션의 수가 늘어나면 전체 시스템을 관리하기가 어려워집니다. 열 개의 개별 솔루션만으로는 아직 제대로 작동하는 환경을 구축할 수 없습니다. 각 솔루션마다 통합, 사용 권한, 유지보수, 모니터링 및 지원이 필요합니다. 전체 시스템을 통합적으로 설계하지 않으면 사용자에게는 새로운 디지털 업무 단계가 쉽게 추가될 수 있습니다.
가장 이상적인 상황에서는 전문가가 매번 어떤 AI 솔루션을 사용할지 고민할 필요가 없습니다. 필요한 정보는 일상 업무의 일환으로 적절한 시점에 표시됩니다. 전문가는 정보를 평가하고, 결정을 내리며, 그에 대한 책임을 집니다.
다음으로 주목할 만한 단계는 개별 업무 흐름 대신 병원 운영을 더 넓은 관점에서 살펴보는 것입니다. 이 점에서 운영의 ‘디지털 트윈’은 제 생각에 특히 흥미로운 개념입니다.
이름은 기술적으로 들리지만, 기본 개념은 꽤 실용적입니다. 환자 유입 현황, 인력, 시설, 장비, 일정, 그리고 치료 과정 간의 상호 의존성을 충분히 파악할 수 있다면, 결정을 실행에 옮기기 전에 그 영향을 미리 평가할 수 있습니다.
예를 들어, 한 병원에서 검사 수요가 증가하면 어떻게 될까요? 환자들을 다른 부서로 안내해야 할까요, 직원의 근무 일정을 조정해야 할까요, 아니면 검사 일정을 새롭게 편성해야 할까요? 영상 진단 장비 한 대의 유지보수가 환자 대기열, 직원의 업무 부담 및 후속 치료에 어떤 영향을 미칠까요?
실제 병원에서는 이러한 대안들을 시험해 보기 어렵습니다. 의료 활동은 끊임없이 이어지며, 환자 치료는 미룰 수 없고, 개별적인 변화의 영향을 다른 요인들로부터 항상 명확히 구분해 내기 어렵기 때문입니다. 디지털 모델에서는 변화를 실제 현장에 적용하기 전에 여러 대안을 비교해 볼 수 있습니다.
이는 또한 인공지능 투자를 현재보다 더 효과적으로 집중시키는 데 도움이 될 수 있습니다. 기성 솔루션을 먼저 도입한 뒤 적용처를 찾는 대신, 업무 과정을 면밀히 검토함으로써 대기 시간, 수작업, 정보 흐름의 단절 또는 용량 활용의 불균형이 가장 큰 문제를 일으키는 부분을 파악할 수 있습니다.
그 후에야 비로소 인공지능이 필요한지 고려해 볼 가치가 있다.
그러나 디지털 모델이라고 해서 모든 문제를 자동으로 해결해 주는 것은 아닙니다. 한 대의 장비 이용률은 향상될 수 있지만, 동시에 환자의 총 치료 시간이 길어지거나 의료진의 업무 부담이 증가할 수도 있습니다. 따라서 목표를 효율성, 속도 또는 비용만을 기준으로 정의할 수는 없습니다.
‘좋은 운영’이 무엇을 의미하는지 합의해야 합니다. 여기에는 치료의 질과 안전, 직원의 업무, 그리고 환자가 경험하는 전반적인 상황이 포함됩니다. 결국 이러한 선택은 경영상의 문제입니다. 디지털 트윈은 대안과 그로 인한 잠재적 결과를 파악하는 데 도움을 줄 수 있지만, 무엇이 수용 가능하고 추구해야 할 목표인지는 사람이 결정합니다.
검토 범위를 개별 병동에서 병원 전체로, 나아가 여러 서비스나 병원이 형성하는 전체 시스템으로 확대하면 더 폭넓은 가능성이 열립니다. 그럴 경우, 예를 들어 인력의 가용성, 수용 능력 활용도, 그리고 치료의 각 단계 간 환자 이동 등을 동일한 모델 내에서 검토할 수 있습니다.
여기에는 한 가지 주의할 점도 있습니다. 모델링하는 전체적인 범위가 넓어질수록, 신뢰할 수 있고 최신 정보가 더 많이 필요합니다. 또한 무엇을 목표로 하고 있는지에 대한 공통된 인식도 필요합니다. 따라서 실제로는 그 영향을 파악하고 측정할 수 있는, 범위가 한정된 문제부터 작업을 시작하는 것이 좋습니다.
핀란드는 이에 대해 탄탄한 기반을 갖추고 있습니다. 우리에게는 디지털 인프라, 건강 데이터, 그리고 탄탄한 전문성이 있습니다. 또한 병원, 연구 기관, 공공 기관 및 기업 간에도 많은 협력이 이루어지고 있습니다. 이러한 강점에도 불구하고, 새로운 시범 사업만으로는 진전이 이루어지지 않습니다.
효과가 입증된 솔루션을 실제 업무 흐름에 접목하고, 그 효과를 입증하며, 첫 번째 부서 외부로 적용 범위를 확대해야 하는 단계가 시작되면 상황이 더 어려워집니다. 이 단계에서 성공하기 위해서는 대개 첫 번째 시범 운영을 시작하는 것보다 더 많은 끈기가 필요합니다.
인공지능의 목적은 환자와 치료 사이에서 인간의 역할을 없애는 것이 아닙니다. 오히려 전문가들이 경험, 판단력, 공감 능력이 필요한 업무에 더 많은 시간을 할애할 수 있도록 해야 합니다. 기술이 발전한다고 해서 이러한 요소들의 필요성이 사라지는 것은 아닙니다.
새로운 해결책을 평가할 때면, 저는 종종 몇 가지 간단한 질문으로 돌아가곤 합니다:
1. 우리가 해결하고자 하는 문제는 무엇인가?
2. 전문가의 업무는 실제로 어떻게 바뀌게 될까요?
3. 사용 중에 그 영향을 어떻게 모니터링합니까?
4. 이 솔루션은 다른 시스템 및 프로세스와 어떻게 연계되나요?
비즈니스의 디지털 트윈은 또 다른 이점을 가져다줍니다:
이 부분을 변경하면 시스템의 다른 부분에서는 어떤 일이 발생하나요?
이러한 질문에 대한 답변은 대개 기술적 설명이나 제품에 대한 약속보다 성공 가능성을 더 잘 보여줍니다.
인공지능은 빠르게 발전하고 있지만, 의료 분야에서 가장 중요한 질문은 여전히 매우 실용적인 차원에 머물러 있습니다. 즉, 해당 솔루션이 전문가들이 업무를 더 잘, 더 원활하고, 더 안전하게 수행할 수 있도록 돕는가 하는 점입니다.
답변이 프레젠테이션 슬라이드에만 표시되고 일상 업무에서는 표시되지 않는다면, 도입 과정이 아직 진행 중인 것입니다.
결국 성공 여부는 업무 비용에 따라 결정된다.
