의료기관 업무가 느려지는 구조적 이유
병원의 일은 대부분 ‘환자기록 위에서’ 움직입니다
병원에서 이루어지는 거의 모든 업무의 출발점은 환자기록입니다. 진료를 시작하기 전에는 과거 병력과 검사 결과를 확인해야 하고, 처방을 내리기 위해서는 기존 약물 정보와 알레르기 기록을 검토해야 합니다. 진료가 끝난 뒤에도 진료기록지, 처방전, 검사 결과지는 다시 행정 시스템으로 정리되고 보관됩니다.
즉 의료기관의 업무 흐름은 시스템이나 장비가 아니라, 환자기록이라는 문서가 이어주는 구조에 가깝습니다. 이 문서가 얼마나 빠르고 정확하게 정리되는지가 병원 전체의 운영 효율을 좌우합니다.
사람을 기준으로 만들어진 의료 문서의 한계
문제는 대부분의 환자기록과 처방전이 사람이 읽기 편하도록 만들어졌다는 점입니다. 병원마다 양식이 다르고, 같은 병원 안에서도 진료과·의사에 따라 기입 방식이 다릅니다. 이러한 것을 문서 AI 측면에서 ‘비정형 문서/데이터’라고 부릅니다. 여기에 스캔 품질 편차, 손글씨, 약어까지 더해지면 문서는 순식간에 비정형 데이터가 됩니다.
HWP, PDF, 이미지 파일로 저장된 의료 문서는 화면에서는 구조가 보이지만, 데이터로는 제목·본문·항목·표의 관계가 거의 남지 않습니다. 사람이 직접 보면 이해할 수 있지만, 컴퓨터나 AI가 바로 이해하기에는 매우 까다로운 형태입니다.
환자기록이 쌓일수록 업무는 오히려 느려집니다
이로 인해 병원 현장에서는 이미 존재하는 기록임에도 불구하고, 다시 읽고 다시 입력하는 일이 반복됩니다. 특히 타 병원에서 발급된 의무기록지를 환자가 들고 오는 경우, 의료진과 행정 인력은 해당 문서를 빠르게 파악하기 위해 상당한 시간을 들여야 합니다. 환자기록이 많아질수록 병원의 업무 속도가 빨라지기보다는 오히려 느려지는 역설이 발생합니다.
의료 분야에서도 생성형 AI 도입이 시도
의료 현장에 들어온 생성형 AI의 기대
이러한 문제를 해결하기 위해 의료 분야에서도 생성형 AI 도입이 시도되었습니다. 진료 기록 요약, 환자 정보 검색, 행정 문서 자동 작성 등 다양한 가능성이 제시되었습니다. 생성형 AI는 분명 의료진의 업무 부담을 줄여줄 수 있는 잠재력을 가지고 있었습니다.
현실은 기대와 달랐습니다
그러나 실제 현장에서는 기대만큼의 효과를 보지 못한 경우가 많았습니다. 이유는 단순했습니다. 생성형 AI에게 전달되는 환자기록과 처방전이 ‘이해 가능한 형태’가 아니었기 때문입니다.
정리되지 않은 PDF, 구조가 깨진 스캔 문서, 항목 간 관계가 사라진 텍스트는 AI에게도 혼란을 줍니다. 이 경우 AI는 문서를 학습하지 못하고, 단편적인 정보만을 바탕으로 피상적인 결과를 내놓게 됩니다. 결국 문제는 AI의 성능이 아니라, AI가 읽어야 할 문서의 상태였습니다.
왜 단순 OCR만으로는 의료 문서를 처리하기 어려웠는가
단순 OCR은 ‘글자를 옮겨 적는 기술’에 가까웠습니다
단순한 OCR을 쉽게 설명하면, 사람이 보고 타이핑하던 일을 컴퓨터가 대신해주는 기술입니다. 종이에 적힌 글자를 텍스트로 바꾸는 것만으로도 의료 현장에서는 큰 진전이었습니다. 수작업 입력이 줄고, 검색이 가능해졌기 때문입니다.
의료 문서에서는 단순 OCR의 한계가 분명했습니다
그러나 단순한 OCR의 결과물은 어디까지나 단순히 텍스트가 나열된 글자 목록에 가깝습니다. 처방전에서 약품명, 용량, 복용 횟수가 어떤 관계를 가지는지, 의무기록지에서 어떤 항목이 진단이고 어떤 항목이 소견인지는 OCR이 알려주지 않습니다. 결국 OCR만 적용된 문서는 사람이 다시 읽고 해석해야만 의미가 살아납니다.
의료 문서처럼 구조와 맥락이 중요한 영역에서는 OCR만으로는 자동화의 한계가 분명했습니다.
문서를 이해한다는 것은 무엇이 다른가
사람은 문서를 구조와 함께 읽습니다
사람이 환자기록을 읽을 때를 떠올려보면 차이가 명확합니다. 우리는 제목을 먼저 보고, 표를 하나의 묶음으로 인식하며, 문단의 흐름을 따라 내용을 이해합니다. 즉 글자를 읽는 동시에 구조와 맥락을 함께 파악합니다.
문서 이해는 이 과정을 AI에게 가능하게 합니다
한국딥러닝에 제공하는 DEEP OCR, KIE, Parser란 바로 이 사람의 읽기 방식을 AI에게 가능하게 만드는 기술입니다. 표는 표로, 항목은 항목으로, 문단은 문단으로 인식되어야 이후 요약, 검색, 질의응답이 제대로 작동합니다. 이 단계가 빠지면 AI는 아무리 뛰어난 모델이라도 의료 현장에서 신뢰하기 어려운 결과만 반복하게 됩니다.
강동경희대병원이 마주한 의료 문서 자동화의 과제
다양한 병원 양식이 공존하는 현실
강동경희대학교병원은 상급종합병원으로서 다양한 환자기록과 외부 병원 의무기록지를 다루고 있습니다. 병원마다 양식이 다르고, 같은 질환이라도 기록 방식이 제각각인 상황에서, 기존 OCR 방식만으로는 안정적인 자동화가 어려웠습니다.
환자기록 자동화의 핵심은 ‘유연성’이었습니다
강동경희대병원이 필요로 했던 것은 특정 양식에 맞춘 규칙 기반 시스템이 아니라, 문서를 보고 스스로 판단하는 OCR이었습니다. 새로운 양식이 들어와도 다시 규칙을 만들지 않아도 되는, 의료 현장에 맞는 유연성이 핵심 과제였습니다.
DEEP OCR은 의료 문서를 어떻게 다르게 다루는가
비정형 의료 문서를 구조로 인식합니다
한국딥러닝의 DEEP OCR, KIE ,Parser 은 의료 문서를 단순한 이미지가 아닌, 의미 단위의 구조로 인식합니다. 이는 VLM 기반의 기술이기에 가능한 일입니다. 처방전에서는 약품명, 용량, 복용 방법을 항목 단위로 구분하고, 의무기록지에서는 진단, 소견, 검사 결과를 구조적으로 분리합니다.
이 방식은 병원마다 다른 양식에서도 안정적인 데이터 추출을 가능하게 합니다.
의료 데이터에 특화된 학습과 커스터마이징
한국딥러닝은 의료 문서에 특화된 데이터에 대응할 수 있도록 EEP OCR, KIE, Parser 을 커스터마이징 했습니다. 또한 병원 환경과 전산 시스템에 맞춰 세밀한 커스터마이징이 가능하도록 설계해, 실제 현장에서 바로 활용할 수 있는 구조를 구현했습니다.
수치로 확인된 강동경희대병원의 변화
추출 정확도 90%에서 95% 이상으로
DEEP OCR 도입 이후, 강동경희대병원의 환자기록 및 처방전 데이터 추출 정확도는 기존 약 90% 수준에서 95% 이상으로 향상되었습니다. 의료 현장에서 이 차이는 재검수와 수정 업무 감소로 직결됩니다.
처리 시간 3초에서 1초로 단축
문서 한 건당 처리 시간 역시 약 3초에서 1초 이내로 단축되었습니다. 대량의 환자기록을 처리해야 하는 병원 환경에서, 이 속도 차이는 곧바로 진료 흐름과 행정 효율 개선으로 이어집니다.
환자기록 자동화 이후, 병원 업무는 어떻게 달라지는가
의료진은 진료에 집중할 수 있습니다
환자기록 자동화는 의료진과 행정 인력을 반복적인 입력 업무에서 해방시킵니다. 그 결과 의료진은 환자 상태를 판단하고 진료의 질을 높이는 데 더 많은 시간을 쓸 수 있습니다.
환자기록은 지식 자산이 됩니다
구조화된 환자기록 데이터는 향후 의료 분석, 임상 연구, AI 진단 보조 시스템의 기반이 됩니다. 환자기록 자동화는 단기적인 효율 개선을 넘어, 의료 AI 시대를 준비하는 첫 단계입니다.
이 사례가 다른 의료기관에도 중요한 이유
특정 병원에만 국한되지 않는 구조입니다
VLM 기반의 DEEP OCR, KIE, Parser는 특정 양식에 의존하지 않기 때문에, 다른 상급병원이나 중소병원, 공공의료기관에도 동일한 구조로 확장 적용이 가능합니다. 이는 의료 문서 자동화 확산의 현실적인 조건을 충족합니다.
정리하며: 의료 AI의 성패는 결국 환자기록입니다
AI 모델보다 먼저 설계해야 할 것은 문서입니다
의료 분야에서 생성형 AI를 성공적으로 도입하기 위해 가장 먼저 해결해야 할 대상은 모델이 아니라 환자기록입니다. 문서가 이해되지 않으면 AI도 일하지 못합니다.
강동경희대병원 사례가 남긴 메시지
강동경희대병원과 한국딥러닝의 DEEP OCR 사례는 한 가지 사실을 분명히 보여줍니다.
의료 AI는 ‘이해 가능한 환자기록’ 위에서만 비로소 제대로 작동합니다.
