AI가 쓰는 진료기록, 소유권은 누구에게 있나
국회에서 제기된 진료기록 소유권 공백 문제. AI 학습에 쓰이는 진료기록인데 법에는 소유권 규정이 없다는 사실이 병원 행정에 왜 중요한지 짚어봅니다.
블로그
어려운 논문과 새 AI 도구를, 병원 행정·간호 실무자가 읽고 바로 쓸 수 있는 말로 풀어 씁니다.
AI가 짜준 엑셀 수식, 그대로 쓰기 전에 확인할 것
엑셀 함수·수식을 AI에 맡겨 짜는 일이 늘었습니다. 문법이 맞으면 그대로 실행되어 오류가 눈에 띄지 않습니다. 실제로 측정한 두 연구와, 붙여넣기 전 확인할 점을 정리합니다.
실패 0건이라는 AI 성능 수치, 안전을 보장할까요
AI 의료기기 제안서에 흔한 '시험 실패 0건' 문구가 착시를 줄 수 있는 이유를 통계학의 3의 법칙으로 풀어보고, 식약처의 2026년 6월 LLM 의료기기 허가 가이드라인이 이 위험을 어떻게 다루는지 정리합니다.
AI 의료기기 허가는 쉬워지는데, 검증 부담은 병원으로
식약처가 임상시험 자료를 성능 검증으로 대체하는 등 AI 의료기기 허가를 간소화하면서, 도입 후 성능·안전성 확인 책임이 병원 쪽으로 옮겨간다는 우려를 정리합니다.
AI 제안서의 '안전합니다', 무엇으로 뒷받침되나요
의료 AI가 안전하다는 문구를 제안서에서 만났을 때, 그 주장이 어떤 근거에 기대는지 묻는 방법을 최근 논문 두 편과 함께 정리합니다.
AI 심사 확대와 12월 CT·MRI 이력 조회, 병원이 준비할 일
심평원이 진료비 심사에 AI를 넓히고 12월 24일부터 CT·MRI 촬영 이력 실시간 확인을 시작합니다. 행정·간호 현장이 미리 살펴볼 점을 정리합니다.
검사 기록 일부 없어도 위험 예측하는 AI, 병원엔 어떤 의미일까
연세대 연구팀이 검사·기록 일부가 빠져도 안정적으로 환자 위험도를 예측하는 AI 프레임워크를 국제 학술지에 발표했습니다. 결측 데이터 문제가 병원 조기경보·인프라 판단에 주는 시사점을 정리했습니다.
법 개정 소식, AI로 부서 교육자료 만들 때 확인할 점
개인정보 보호법 개정처럼 제도가 바뀔 때, AI로 부서 교육자료 초안을 빠르게 만드는 방법과 숫자·기한을 지어내는 위험을 걸러내는 확인 절차를 정리합니다.
AI 치료 권고, 다학제 진료팀과 얼마나 일치했나
분당차병원이 췌담도암 다학제 진료 107건을 생성형 AI 4종에 입력해 비교한 결과, 치료 권고 일치율은 모델과 평가 방식에 따라 48.6~74.5%였고, 수술 여부처럼 중요한 판단일수록 정확도가 낮았습니다. 다학제 진료가 왜 필요한지 보여주는 결과입니다.
미국 FDA, 의료 AI에 모델 공개 의무화 착수
미국 FDA가 AI 의료기기 목록에 LLM·파운데이션모델 사용 여부를 표기하도록 추진합니다. 병원이 AI 제안서를 검토할 때 새로 물어야 할 질문을 정리했습니다.
개인정보 보호법 9월 11일 개정 시행 — 병원이 볼 것
2026년 9월 11일부터 개인정보 보호법·시행령·고시가 새로 시행됩니다. 유출통지 대상 확대, 과징금 상한 10% 상향, 보호책임자 권한 강화까지 병원 행정이 확인할 점을 정리합니다.
AI 의료기기 제안서에 '우수 관리체계 인증' 마크가 있다면
식약처가 새로 만든 AI 디지털의료기기 인증 제도, 행정 담당자가 제안서 검토 때 무엇을 확인해야 하는지 정리했습니다.
병원이 AI 도입 전 확인할 다섯 단계 — 새 평가 틀
npj Digital Medicine 2026년 9월 논문이 의료 AI를 임상에 넣기 전 거쳐야 할 다섯 단계 평가 틀을 제안했습니다. 행정·간호가 제안서 검토에 옮겨 쓸 부분을 정리했습니다.
생성형 AI 의료기기 규제, 미국 FDA가 던진 질문들
미국 FDA가 2026년 8월 생성형 AI 의료기기 규제에 관한 논의 문서를 냈습니다. 위험도를 두 축으로 보는 틀과 '역량 평가' 개념, 병원이 도입 검토에서 확인할 점을 정리했습니다.
부서에서 AI 도구 쓸 때 필요한 '사용 규칙' 한 장
부서마다 AI 사용이 늘지만 공통 규칙이 없으면 환자정보 입력이나 검증 누락 같은 문제가 생깁니다. 개인정보보호위원회와 행정안전부 가이드를 바탕으로, 부서가 한 장으로 정리해 둘 AI 사용 규칙 항목을 짚었습니다.
신규 직원용 업무 매뉴얼 초안, AI로 빠르게 만들기
부서에 흩어진 업무 지식을 신규 직원용 매뉴얼로 정리할 때 AI를 활용하는 방법을 단계별로 소개합니다. 행정안전부 공공부문 AI 가이드의 원칙을 실무에 옮겨 초안 작성부터 검증까지 짚습니다.
AI로 간호 인수인계 메모 정리할 때 SBAR 활용법
간호단위 간 인수인계는 정보 누락이 환자 안전과 직결됩니다. 검증된 SBAR 틀에 맞춰 AI로 메모를 정리하는 법과, 입력 전 반드시 지워야 할 정보를 정리했습니다.
심평원, AI 영상 판독을 진료비 심사에 적용 — 청구 실무가 챙길 점
2026년 9월 1일부터 심평원이 AI 의료영상 판독 결과를 진료비 심사 업무에 처음 적용했습니다. 무릎 퇴행성관절염이 첫 대상이며, 무엇이 바뀌고 무엇은 그대로인지 병원 원무·보험심사 관점에서 정리합니다.
병원마다 등장하는 'AI 비서', 챗봇과 무엇이 다른가
용인세브란스와 고려대 구로병원이 잇따라 병원용 'AI 에이전트'를 선보였습니다. 질문에 답만 하는 챗봇과 무엇이 다른지, 행정·간호 실무자가 도입·이용 전 확인할 점을 정리했습니다.
긴 문서를 통째로 AI에 넣으면 — 가운데 내용이 사라지는 이유
챗봇에 규정집이나 제안서를 통째로 붙여 넣고 물으면, 앞뒤 내용은 잘 답해도 가운데 조항은 빠뜨리기 쉽습니다. 왜 그런지와 업무에서 확인하는 방법을 정리했습니다.
망막 사진으로 치매를 미리 본다는 AI — 검진센터가 먼저 따져볼 것
서울대병원 연구팀이 건강검진 안저 사진만으로 치매를 선별·예측하는 AI를 개발해 npj Digital Medicine에 실었습니다. 성능 지표 0.75가 무슨 뜻인지, 검진센터가 도입 전 따져볼 점을 정리합니다.
행정안전부 AI 가이드에서 병원 행정이 가져올 프롬프트 기본기
행정안전부가 공공기관에 배포한 AI 활용 가이드에는 프롬프트 작성, 결과 검증, 개인정보 보호 원칙이 담겨 있습니다. 병원 행정·간호 실무에 옮겨 쓸 수 있는 부분을 정리했습니다.
정부 'AI 기본의료 전략' 확정 — 공공·책임의료기관 실무 영향
2026년 8월 6일 정부가 'AI 기본의료 전략'을 확정했습니다. 보건소 AI 패키지와 책임의료기관 72개소를 잇는 공공의료 AI 고속도로가 언제 우리 기관에 닿는지, 행정·간호가 지금 준비할 것을 정리합니다.
AI 의료기기가 재심사 없이 바뀔 수 있습니다 — 변경관리 계획서 제도
식약처가 2026년 6월 AI 디지털의료기기의 '변경관리 계획서' 허가·심사 가이드라인을 냈습니다. 허가받은 제품이 추가 심사 없이 업데이트될 수 있다는 뜻인데, 병원 행정·간호 실무에서 무엇을 확인해야 하는지 정리합니다.
수술기록도 AI 음성인식으로 — 도입 전 행정이 확인할 점
정부 지원사업으로 여러 국립대병원이 AI 음성인식 수술기록 시스템을 들이고 있습니다. 충남대병원 사례를 통해 무엇이 달라지는지, 행정이 도입 전 챙겨야 할 점을 정리합니다.
AI로 만든 교육자료, 검증해보니 목표보다 세 배 높은 오류가 나왔습니다
서울아산병원 연구팀이 생성형 AI로 만든 전문의 시험 대비 교육자료를 직접 검증한 결과를 공개했습니다. AI 자체 검증을 통과한 자료에서도 목표 기준의 세 배가 넘는 오류가 나왔다는 점이 병원 교육 실무에 시사하는 바를 정리합니다.
뇌졸중 AI, 판독보다 워크플로우가 바뀌었다는 최근 사례
뇌졸중 진단 AI를 다룬 최근 학술세미나 사례를 통해, AI 도구 도입을 검토할 때 정확도 수치만이 아니라 병원 업무 흐름 전체가 어떻게 바뀌는지를 함께 봐야 하는 이유를 정리합니다.
AI로 안내문·교육자료 초안 쓸 때, 입력하면 안 되는 것들
병원 행정·간호 부서에서 공지문이나 교육자료 초안을 생성형 AI로 빠르게 만드는 일이 늘고 있습니다. 개인정보보호위원회가 2026년 5월 낸 '생성형 AI 서비스 이용자를 위한 개인정보 보호 가이드'를 바탕으로, 초안을 만들 때 입력하면 안 되는 것과 확인해야 할 절차를 정리합니다.
가명처리 진료데이터의 '처리 정지' 대법원 판단 — 병원에 의미하는 것
가명정보 처리는 개인정보 처리정지 요구권의 대상이 아니라는 대법원 판결이 나왔고, 개인정보보호위원회도 가명정보 처리 가이드라인을 위험도 기반 체계로 개정했습니다. 두 변화가 병원의 진료데이터 활용에 어떤 의미인지, 그리고 여전히 지켜야 할 것은 무엇인지 정리합니다.
쏟아지는 업체 제안서, AI로 비교표부터 만들어보세요
KHF 2026처럼 큰 의료 박람회가 끝나면 병원 기획·행정 부서에는 여러 업체의 제안서가 한꺼번에 몰립니다. 형식도 분량도 제각각인 제안서를 AI로 항목별 비교표로 정리하는 방법과, 그 과정에서 반드시 확인해야 할 주의점을 정리합니다.
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.
병원 데이터를 AI에 어떻게 쓸지 — 국가생명윤리심의위원회 특별위원회
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.
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.
갑상선암 환자의 골다공증을 미리 짚는다면 — 청구 데이터 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.
간호사 근무표를 AI가 짜면 — 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, 없는 문헌일 때가 있습니다 — 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%'로는 알 수 없는 것 — AI 제안서 성능 숫자 읽기
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 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 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 — 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 환자를 미리 짚어 준다면 — 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.
진료·간호 기록을 AI가 대신 쓴다면 — 앰비언트 AI 스크라이브의 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 편향
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 응급도를 판단하고 올 때 — 증상 체커·챗GPT의 정확도
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 달라집니다. 예측모델을 9년간 추적한 연구를 근거로, 무엇이 성능을 갉아먹는지와 계약·운영에서 확인할 점을 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 오답과 환자정보
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 연구
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'의 뜻 — 디지털의료제품법과 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 달 로드맵 — 공개 문서와 주 2시간
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 행정·간호가 지금 AI를 공부해야 하는 이유 — 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.