의사가 환자의 유전자 데이터와 수만 편의 논문을 일일이 대조하며 밤을 지새워도 답이 나오지 않는 순간이 있다. 정보가 부족해서가 아니라, 인간의 뇌가 한 번에 처리할 수 있는 정보의 양에 한계가 있기 때문이다.

보스턴 어린이병원은 AI를 단순한 실험 도구가 아니라 병원 전체의 임상 및 운영 인프라로 통합했다. 보안이 강화된 전용 AI 환경을 구축해 모든 부서의 일상 업무에 적용했으며, 이제 병원 직원 3명 중 1명은 매일 AI를 사용해 환자를 돌보고 연구를 수행한다.

단순히 챗봇 하나를 도입한 수준이 아니라, 병원 운영 시스템 자체를 AI 기반으로 재설계한 것이다. 병원은 송장 처리 같은 반복 업무를 자동화하고 수술실 예약 시스템을 최적화해 의료진이 서류 작업 대신 환자에게 더 집중할 수 있는 환경을 구축했다.

6만 시간 절감과 40건의 희귀질환 진단 성과

보스턴 어린이병원은 행정 낭비를 줄이기 위해 50개가 넘는 자동화 프로세스를 도입했다. 특히 공급망 운영 단계의 청구서 접수와 분류, 응답 과정을 AI가 전담하게 했으며, 수술 일정 관리에도 AI를 적용해 환자 상태와 임상 기록을 분석하고 수술실 배정을 최적화했다. 그 결과 약 60,000시간의 업무 시간을 절감했으며, 이를 비용으로 환산하면 700만 달러 이상의 인건비를 더 가치 있는 업무에 재배치한 효과가 난다.

의료 현장에서는 방대한 유전자 데이터와 의학 문헌을 분석하는 '코파일럿 유전학자(AI 진단 보조 시스템)'를 통해 성과를 냈다. 이 시스템은 유전자 정보, 환자의 외형적 특징, 최신 논문을 한데 묶어 추론하며 의사가 놓칠 수 있는 단서를 찾아낸다. 이를 통해 과거에 원인을 찾지 못했던 희귀질환 40건 이상을 진단했다. AI가 방대한 데이터를 통합 분석하며 오랫동안 답을 기다려온 환자와 가족들에게 치료의 희망을 준 셈이다.

'엔터프라이즈 AI 레이어'와 코파일럿 유전학자

병원은 부서마다 제각각인 AI 환경으로 인한 데이터 파편화를 해결하기 위해 '엔터프라이즈 AI 레이어'를 구축했다. 이는 연구, 임상, 행정 팀이 모두 접속할 수 있는 보안 강화 내부 ChatGPT 환경으로, 전사적으로 공유되는 하나의 거대한 AI 인프라다. 각 팀은 이 공통 환경 위에서 역할에 맞는 데이터를 불러오거나 업무 흐름을 자동화하며 보안과 운영 효율을 동시에 확보했다. 이제 새로운 기능을 개발할 때 밑바닥부터 시작할 필요 없이, 이미 구축된 공유 기반 위에 필요한 도구를 빠르게 얹어 배포하는 체계가 갖춰졌다.

이 통합 인프라 위에서 작동하는 코파일럿 유전학자는 희귀 질환 환자의 유전 데이터, 신체적 특징인 표현형 정보, 글로벌 의학 문헌이라는 세 가지 데이터를 동시에 분석한다. 유전 정보와 증상 데이터를 입력하면 AI가 전 세계 최신 문헌을 훑어 가능성 높은 진단명을 추론하는 방식이다. 이는 단순히 정보를 요약하는 수준을 넘어 복잡한 임상 기록 사이의 연결 고리를 찾아내 의사에게 제공한다.

이 시스템은 실제 진단 도구로 활용되며 새로운 유전자 표적을 식별하고 치료 경로를 탐색하는 등 임상 현장의 난제를 해결하는 속도를 높이고 있다. AI가 병원 운영의 보조자를 넘어 환자의 생명을 구하는 전문적인 임상 파트너로 자리 잡은 결과다.

수술실 스케줄링부터 공급망 관리까지의 변화

공급망 운영팀은 송장 접수와 경로 지정 같은 단순 반복 업무를 AI에게 맡기고 있다. 수술실 스케줄링 역시 AI가 의료진의 임상 노트를 분석해 환자의 중증도를 추정하고 수술실 배정을 최적화하는 방식으로 바뀌었다. 덕분에 수술 일정을 더 빠르게 계획할 수 있게 되었고, 수술실 가동률이 올라 더 많은 환자가 신속하게 치료를 받는다.

진료 현장과 연구실에서도 AI가 의료진의 인지적 한계를 보완한다. 의사들은 파편화된 임상 정보를 요약해 빠르게 파악하고 최적의 진단 결정을 내리는 지원을 받는다. 연구자들은 AI로 방대한 데이터를 분석해 특정 특성을 공유하는 환자 집단(코호트)을 빠르게 구축한다. 수만 페이지의 의학 문헌과 복잡한 유전체 데이터를 AI가 먼저 필터링해 핵심을 짚어줌으로써 의료진의 판단 착오를 줄인다.

기술이 사람을 대체하는 것이 아니라, 사람이 가장 잘할 수 있는 판단과 돌봄에 집중하도록 돕는 보조 장치로 작동하고 있다. 현장 실무자들은 반복적인 데이터 입력이나 일정 조정 대신 환자의 회복과 연구 성과에 전념하게 되었다.

한국 의료 AI 실무자가 주목할 '인프라적 접근'

보스턴 어린이병원은 초기에 문서 작성이나 번역 같은 개별 기능을 도입하는 '단발성 솔루션(One-off solutions)' 방식을 택했으나, 도구가 늘어날수록 관리 포인트가 많아지고 데이터가 파편화되는 한계를 경험했다. 이를 해결하기 위해 도입한 전략이 바로 전사적 AI 레이어 구축이다. 개별 도구를 각각 구매해 설치하는 대신 누구나 꺼내 쓸 수 있는 공용 인프라를 먼저 만든 것이 실질적인 성과로 이어졌다.

특히 사용자가 이미 일하는 방식에 AI를 맞추는 '미팅 피플 웨어 데이 아(Meeting people where they are)' 전략을 적용했다. AI라는 새로운 시스템으로 사용자를 강제로 이동시키는 대신, 기존 업무 동선 위에 AI 도구를 자연스럽게 배치했다. 이러한 접근 덕분에 진료, 연구, 행정을 아우르는 전체 직원의 3분의 1 이상이 AI를 일상적으로 활용하게 됐다.

공유 기반의 인프라가 갖춰지자 새로운 기능의 배포 속도는 며칠 단위로 짧아졌다. 이미 구축된 레이어 위에 필요한 기능을 빠르게 얹기만 하면 되기 때문이다. 병원은 OpenAI와 협력해 모델을 고도화하며 진료 의사결정 지원 범위를 확장하고 있다. 특정 기능 하나를 정교하게 만드는 것보다 어떤 기능이든 빠르게 올릴 수 있는 바닥을 다지는 것이 의료 AI 도입의 핵심이다. 데이터 통합 레이어를 먼저 구축하면 모델 업데이트나 새로운 임상 요구사항에도 시스템 전체를 바꾸지 않고 유연하게 대응할 수 있다.

미궁에 빠져 있던 40건의 희귀질환이 AI 인프라라는 정밀한 거름망을 통해 모습을 드러냈다. 수만 개의 유전자 변이 속에서 질병의 원인을 찾아내는 과정은 이제 단순한 의료 행위를 넘어 고도의 데이터 연산 영역으로 진입했다. 분석의 병목 현상을 해결한 인프라가 의사의 통찰력을 극대화하는 도구가 된 셈이다.

병원 내부에 구축된 강력한 컴퓨팅 자원은 진단 시간을 단축하고 정확도를 높이는 핵심 엔진이 된다. 데이터가 쌓일수록 AI의 학습량은 늘어나고 진단 가능한 질환의 범위는 계속해서 확장될 것이다. 결국 의료 현장의 경쟁력은 누가 더 방대한 데이터를 빠르게 읽어내느냐는 인프라의 성능에서 결정된다.