세계 최초 AI 기본법, 병원 실무자가 알아야 할 부분
2026년 1월 22일 시행된 인공지능기본법이 의료 분야를 '고영향 AI' 대상으로 지목했습니다. 병원이 쓰는 진단·예측 보조 AI에 어떤 의무가 새로 생기는지, 계도기간 중에도 왜 준비가 필요한지 정리합니다.
블로그
어려운 논문과 새 AI 도구를, 병원 행정·간호 실무자가 읽고 바로 쓸 수 있는 말로 풀어 씁니다.
병원 데이터를 AI에 어떻게 쓸지 — 국가생명윤리심의위원회가 특별위원회를 꾸렸습니다
보건복지부 산하 국가생명윤리심의위원회가 AI·보건의료 데이터 활용을 다룰 특별전문위원회를 새로 구성했습니다. 동의 절차와 가명정보 활용 규정이 어떻게 바뀔 수 있는지, 병원 행정·간호 실무자가 지금부터 지켜봐야 할 이유를 정리합니다.
갑상선암 환자의 5년 뒤 골다공증을 미리 짚는다면 — 청구 데이터로 만든 예측 모델 읽기
건강보험 청구자료로 갑상선암 환자의 5년 내 골다공증 위험을 예측한 국내 연구가 발표됐습니다. 성능 지표 0.72가 실제로 무슨 뜻인지, 그리고 이 모델을 우리 병원에 그대로 가져오기 어려운 이유를 정리합니다.
병원 업무에 챗GPT를 쓸 때 — 개인용 계정과 기업용 계정은 다릅니다
개인정보보호위원회가 낸 생성형 AI 안내서에는 의료기관이 진료 대화를 AI로 정리하다 개인용 무료 계정을 쓴 사례가 실려 있습니다. 무엇이 문제였고, 병원 업무에서 무엇을 확인해야 하는지 정리합니다.
간호사 근무표, AI가 짜면 무엇이 달라지나 — 인하대병원 IH-NASS 사례
AI가 짠 간호사 근무표는 만족도를 단번에 끌어올리는 마법이 아니라, 반복 작업 시간과 일부 불공정 근무 패턴을 데이터로 줄여 주는 운영 개선 도구에 가깝습니다. 인하대병원 IH-NASS 사례의 수치를 있는 그대로 정리합니다.
AI가 붙여 준 출처, 절반이 없는 문헌일 때가 있습니다 — 보고서에 넣기 전 확인 순서
보고서나 제안서 검토 의견에 근거를 붙일 때 AI에 물으면 저자·연도까지 딱 떨어지는 출처가 함께 나옵니다. 그런데 그중 상당수는 존재하지 않는 문헌입니다. 실제로 측정한 연구 세 편으로 어느 정도인지 확인하고, 붙여 넣기 전에 거칠 세 단계를 정리합니다.
'정확도 95%' 한 줄로는 알 수 없는 것 — AI 제안서의 성능 숫자 읽는 법
의료 AI 제안서에는 성능이 한 줄로 요약돼 있는 경우가 많습니다. 그런데 그 한 줄만으로는 우리 병원 병동에서 알림이 몇 번 울리고 그중 몇 번이 진짜일지 알 수 없습니다. 정확도·민감도·특이도·양성예측도를 초등학교 산수 수준으로 풀어서 정리합니다.
AI에게 표를 주고 합계를 시킬 때 — 숫자가 조용히 틀리는 지점
부서별 건수, 평균 재원일수 같은 집계를 AI에 맡기는 일이 늘었습니다. 그런데 AI가 내놓는 숫자는 틀려도 매끄럽게 나옵니다. 실제 정확도를 측정한 연구와, 실무에서 숫자를 지키는 방법을 정리합니다.
만족도 조사 자유응답을 AI로 정리할 때 — 무엇이 보이고 무엇이 사라지나
환자 만족도 조사에서 객관식은 표로 나오는데, 맨 아래 자유응답 수백 건은 아무도 다 읽지 못하고 넘어갑니다. AI에 맡기면 어디까지 되는지, 두 연구로 정리하고 실무에서 지킬 점을 제안합니다.
환자가 'AI 말고 사람이 다시 봐 달라'고 하면 — 자동화된 결정과 병원 실무
개인정보 보호법에는 AI가 내린 결정을 거부하거나 설명을 요구할 수 있는 조항이 이미 있습니다. 병원의 AI가 여기에 해당하는지, 해당한다면 무엇을 미리 공개해 두어야 하는지를 행정·간호 실무 눈높이로 정리했습니다.
원내 지침을 AI에 물어볼 때 — 문서를 붙여 줘도 답이 틀리는 이유
감염관리 지침, 청구 기준, 복무 규정. 필요한 한 줄을 찾느라 시간을 쓰다 보면 AI에 물어보고 싶어집니다. 그냥 묻는 방식과 파일을 올려 두고 묻는 방식은 서로 다르게 틀립니다. 두 연구로 그 차이를 정리하고, 실무에서 지킬 세 가지를 제안합니다.
환자 안내문을 AI로 '쉬운 말'로 바꿀 때 — 점수는 좋아져도 내용이 빠질 수 있습니다
검사 준비 안내, 수술 전 주의사항, 퇴원 후 관리문. 병원이 환자에게 건네는 종이는 늘 어렵다는 말을 듣습니다. 생성형 AI에 넣어 쉬운 말로 바꾸는 시도가 실제로 얼마나 효과가 있는지, 그리고 무엇이 조용히 빠질 수 있는지를 연구 두 편으로 정리하고 실무 순서를 제안합니다.
AI가 '낙상 위험 환자'를 미리 짚어 준다면 — 낙상 예측 모델의 근거와 함정
낙상은 병원 입원실의 가장 흔한 환자안전사고이고, 위험 환자를 가려내는 일은 오래도록 간호의 몫이었습니다. 뇌졸중 환자 연구와 국내 대학병원 실시간 위치추적 연구를 근거로 AI의 실제 성능과 놓치기 쉬운 함정을 정리합니다.
AI로 '안 올 환자'를 미리 맞힌다면 — 예약부도 예측의 쓸모와 함정
예약부도(노쇼)를 AI로 미리 예측하자는 제안이 늘고 있습니다. 16만여 건 분석 연구와 메타분석을 근거로, AI 예측의 근거와 '예측'이 '차별'이 될 수 있는 이유, 예약 실무가 챙길 기본을 정리합니다.
AI가 진료·간호 기록을 대신 써 준다면 — '앰비언트 AI 스크라이브'의 근거와 한계
진료실 대화를 듣고 기록 초안을 만드는 'AI 스크라이브'가 문서 부담을 덜어 줄지 주목받고 있습니다. 무작위배정 시험과 5개 대학병원 연구를 근거로 실제 효과와 확인할 점을 정리합니다.
의료 AI가 '무엇을' 예측하는지 봐야 하는 이유 — 알고리즘 편향과 형평성
같은 위험 점수인데도 특정 환자군에게만 도움이 덜 가는 AI가 있습니다. 미국 건강관리 알고리즘 사례와 국제 권고를 근거로, AI가 무엇을 예측하도록 설계됐는지가 왜 형평성을 좌우하는지 정리합니다.
환자가 AI로 스스로 응급도를 판단하고 올 때 — 증상 체커·챗GPT의 정확도와 한계
병원에 오기 전 증상 체커 앱이나 챗GPT로 스스로 진단·응급도를 가늠하는 환자가 늘고 있습니다. 이런 도구의 정확도가 실제로 어느 정도인지, 왜 '과잉 안내'와 '과소 안내'가 둘 다 문제인지, 그리고 병원 행정·간호가 확인할 점을 두 편의 체계적 문헌고찰을 근거로 쉽게 정리합니다.
병원 공문·안내문 챗GPT 프롬프트 기본 세 가지
같은 AI라도 어떻게 묻느냐에 따라 결과가 크게 달라집니다. 공문 초안·자료 요약을 AI에 맡길 때, 개발 지식 없이도 결과를 끌어올리는 세 가지 기본을 앤트로픽·오픈AI의 공개 프롬프트 가이드를 근거로 쉽게 정리합니다.
의료 AI 성능 저하 — 병원 도입 후 점검 항목
한 번 검증하고 들인 AI라도 시간이 지나면 성능이 조용히 달라질 수 있습니다. 인공지능 예측모델을 9년간 추적한 연구를 근거로, '변별력'은 유지돼도 '확률의 정확성'이 어긋나는 이유, 무엇이 성능을 갉아먹는지, 그리고 도입을 결정하는 행정과 현장이 계약·운영에서 확인할 점을 쉽게 정리합니다.
자동화 편향 — 병원 의료 AI 과신 위험과 점검 방법
AI 도구는 정확할 때 사람을 돕지만, 틀리는 순간에는 사람이 스스로 옳게 내린 판단까지 뒤집게 만듭니다. 전자처방 실험과 체계적 리뷰 두 편으로 '자동화 편향'이 무엇인지, 왜 바쁠수록 심해지는지, 그리고 행정·간호가 도입 검토에서 확인할 점을 쉽게 정리합니다.
외국인 환자 안내문 AI 번역 주의사항 — 행정·간호 실무
번역 AI로 다국어 안내문·퇴원 설명을 만드는 병원이 늘고 있습니다. 정확도가 높아도 남는 소수의 오류가 왜 문제인지, 최신 AI도 언어에 따라 편차가 큰 이유는 무엇인지, 그리고 행정·간호 실무에서 확인할 점을 두 편의 의학 연구를 근거로 쉽게 정리합니다.
의료 AI 식약처 허가와 건강보험 급여의 차이 — 제안서 검토 기준
제안서에 '식약처 허가 완료'라고 적혀 있어도 건강보험에서 값이 나온다는 뜻은 아닙니다. 허가와 급여를 판단하는 기관이 왜 다른지, 통합심사·평가 제도가 무엇을 줄여 주는지, 그리고 다른 병원이 실제로 받는 금액을 어디서 직접 확인하는지를 식약처와 심사평가원 공식 자료로 정리합니다.
병원 회의록 AI 자동화 — 도입 전 확인 세 가지 (개인정보 포함)
녹음하면 회의록이 자동으로 나오는 AI 도구가 흔해졌습니다. 병원 회의에 쓰기 전에 확인할 세 가지 — 녹음 사실을 알렸는가, 음성 파일이 어디로 가는가, 요약을 누가 검토하는가 — 를 통신비밀보호법·개인정보 보호법 조문과 개인정보보호위원회 안내서를 근거로 쉽게 정리합니다.
AI 생성 이미지 저작권 — 병원 안내물에 쓰기 전 확인 두 가지
AI 그림 도구로 원내 포스터·안내문을 만드는 병원 홍보·행정 실무자를 위한 저작권 안내. '이 그림이 우리 것인가'와 '남의 권리를 침해하진 않나'라는 두 질문을, 저작권법과 정부의 생성형 AI 저작권 안내서를 근거로 쉽게 정리합니다.
챗GPT에 병원 업무를 맡기기 전에 — '그럴듯한 오답'과 환자정보라는 두 개의 선
공문 초안, 자료 요약에 생성형 AI를 쓰는 병원 행정·간호 실무자를 위한 안전 사용법. AI가 그럴듯하게 지어내는 '환각'과 환자정보 입력이라는 두 가지 위험을, WHO 성명과 개인정보보호위원회 안내서를 근거로 쉽게 정리합니다.
AI 알림이 많아질수록 무뎌진다 — '경보 피로'와 병원이 확인할 점
패혈증·낙상·약물 경고까지, 많은 AI 도구는 결국 '알림' 한 줄로 현장에 도착합니다. 알림이 많아질수록 사람이 둔감해지는 경보 피로 현상을 환자안전 보고서로 짚고, 행정과 간호가 도입 검토에서 확인할 점을 정리합니다.
개발사 성적표와 우리 병원 성적표는 다르다 — 패혈증 예측 AI 검증 연구가 남긴 교훈
미국 수백 개 병원이 쓰던 패혈증 예측 AI를 한 대학병원이 자기 환자 데이터로 다시 검증해 보니, 개발사가 밝힌 성능에 크게 못 미쳤습니다. 도입을 검토하는 행정과 알림을 받아내는 간호 현장이 이 연구에서 챙길 지점을 정리합니다.
병원 데이터를 AI 업체와 나눌 때 — 가명처리를 행정이 확인하는 법
AI 업체가 병원 데이터를 요청할 때 '개인정보라 안 된다'와 '동의를 다 받아야 한다' 사이에 가명처리라는 제3의 길이 있습니다. 보건복지부 가이드라인을 축으로, 행정이 실제로 확인할 지점을 정리합니다.
'식약처 허가받은 의료 AI'라는 말의 뜻 — 디지털의료제품법과 행정·간호의 확인 지점
제안서에 붙는 '식약처 허가' 한 줄이 무엇을 보장하고 무엇은 보장하지 않는지, 2025년 시행된 디지털의료제품법의 틀을 병원 행정·간호 실무자의 눈높이로 정리합니다.
병원 AI 입문, 첫 한 달의 로드맵 — 공개 문서와 주 2시간이면 됩니다
AI를 하나도 모르는 병원 행정·간호 입문자를 위한 실행 로드맵. 먼저 5분짜리 영상과 실제로 만들어진 앱을 구경하며 감을 잡고, 그다음 무료 공식 문서를 딱 필요한 부분만 보는 순서로 짰습니다. 주 2시간, 첫 4주 시간표까지 그대로 따라 하시면 됩니다.
병원 행정과 간호가 지금 AI를 공부해야 하는 이유 — 개발이 아니라 판단의 문제
AI 의료기기 도입 검토는 행정의 책상에, 알림 대응은 간호의 병동에 이미 도착해 있습니다. 필요한 것은 코딩 실력이 아니라 제안서의 성능 숫자를 읽고 질문하는 판단력입니다. 병원 기획 7년의 경험을 바탕으로, 행정·간호 실무자가 무엇부터 보면 되는지 정리합니다.
병원 AI 연구소를 시작하며
17년의 병원 현장 경험을 바탕으로 — 이 연구소가 던지려는 질문과 앞으로 다룰 이야기를 소개합니다.
이 분류의 글이 아직 없습니다.