의료 빅데이터 분석 사례ㅣ20년간 연구하며 찾은 분석법

현실적으로, 전문의 출신 AI 개발자가 나서도 해결하기 어려운 성능 문제가 있습니다.

이렇게 의료 지식과 개발 역량을 모두 갖춘 분들조차, 모델 구조를 아무리 정교하게 설계하고 파라미터를 세밀하게 튜닝해도 좀처럼 풀리지 않는 성능 문제를 마주하곤 합니다. 

그 문제의 원인은 의료 데이터에 있습니다. 많은 예산과 시간을 투입해도, 그 밑바탕이 되는 데이터가 흐트러져 있다면 그 투자는 기대한 성과로 이어지지 않습니다. 

이번 글은 실제 의료 빅데이터 분석 사례 3가지를 토대로, 의료 AI 개발에 고충을 겪고 계신 담당자님들을 위해 도움이 될법한 정보를 정리해보았습니다. 

의료 빅데이터 분석 사례, 국내에 어떤 사례가 있을까?

1. 계명대학교 동산의료원의 뇌출혈 AI 사례

‘국외 인공지능(AI) 기반 디지털 헬스케어 경제성 분석 및 기술 개발 중심 HTA 연구 사례 보고서’에서는 국내 의료 AI 사례도 확인할 수 있습니다. 계명대학교 동산의료원에서 진행한 '전산화단층촬영(CT) 영상을 활용한 인공지능 기반 뇌출혈 검출' 사례를 보겠습니다. 

계명대학교 동산의료원의 뇌출혈 AI는 응급실에 내원한 성인 뇌출혈 의심 환자의 두부 CT 영상을 분석해 뇌출혈 유무와 출혈량을 검출하고, 판독 우선순위를 정하는 것이 목표입니다. 

데이터를 어떻게 분석하고 개선했을까?

뇌출혈 AI의 경우 변수를 시간 단위로 촘촘하게 쪼개었습니다. 응급실 내원 시간, CT 촬영 시간, CT 판독 일시는 물론, 혈압약과 지혈제, 만니톨의 처방 시간과 투약 시간까지 각각 별도 변수로 정의했습니다.

뇌출혈은 정확하고 빠르게 대응하는 것이 중요합니다. 뇌출혈은 발생 30일째 사망률이 35~52%에 달하고, 그중 절반이 첫 이틀 안에 발생할 만큼 초기 대응 속도가 중요한 질환이죠. 이 분석의 옳고 그름만 확인하는 게 아니라, 'AI가 치료까지 시간을 얼마나 벌어줬는가'를 증명하는 게 중요합니다. 

그래서 일반병동과 중환자실의 입원·퇴원일, 재원일, 사망일까지 함께 정의해, 시간 단축이 실제 치료 경과와 비용에 어떻게 연결되는지 추적할 수 있게 했습니다.

AI 기반 뇌출혈 검출 기술, 기존의 일반 전산화단층영상진단(다-245) 기술 비교 

• 두 기술을 비교해봤을 때 의료 AI가 가진 특징이 있습니다. 뇌출혈량에 따라 판독 우선순위를 제안하고, 그에 따라 의료진들이 더 빠르고 정확하게 진단할 수 있도록 보조하는 역할을 합니다. 

• 또한 해당 연구에서는 두 가지 기술을 비교하여 경제성 분석 모형을 제작하여 데이터를 분석했습니다. 실제 수행 과정은 해당 보고서 내에서는 비공개지만, 데이터 분석 결과 경제성 측면에서 의료 AI가 더 높게 나타난다는 결과를 도출할 수 있었습니다. 

2. 국내 서울대병원의 한국형 의료 LLM 사례

의사의 정확도를 넘어선 오픈소스 모델이 있다?

서울대병원은 2025년, 국내 최초로 한국형 의료 거대언어모델(LLM)을 개발했습니다. 해당 이 모델은 한국의사국가고시 최근 3개년 데이터 실험에서 86.2%의 정확도를 기록했습니다. 오픈소스 모델 중 최초로 실제 의사 평균 정확도(79.7%)를 뛰어넘은 것입니다.

또한 ‘한국형’이라는 키워드를 주목해주셨으면 합니다. 사실 세계적으로 이미 뛰어난 의료 LLM들이 존재하나, 해외 모델들은 주로 서구권에 최적화되어 있습니다. 즉 아무리 뛰어난 LLM이라도 언어의 한계는 뛰어넘지 못했던 것이었습니다. 한국어로 된 의료 지식, 한국의 의료법, 진료지침 등을 이해하지 못했던 것입니다. 

그런 의미에서 서울대병원의 LLM은 더 좋은 모델을 새로 만드는 대신, 우리 현장의 데이터를 우리 기준에 맞게 다시 정리하는 쪽을 택했다는 점에서 페블러스 입장에서도 기대감이 큰 것 같습니다. 

데이터를 어떻게 분석하고 개선했을까?

서울대병원은 병원 내 입원초진, 외래기록, 수술·처방·간호기록 등 수많은 임상 텍스트를 활용했는데, 그 양이 무려 3,800만 건 이상이었습니다. 이렇게 모은 텍스트로 '한국어 의료 텍스트 말뭉치'를 구축했습니다. 이를 개인정보 가명화 및 비식별화한 뒤, 병원 내에서 안전하게 활용할 수 있도록 공개했습니다.

이후 한국의 의료 관련 법률, 국문 논문 초록, 학회 진료지침 등을 통합하고, 의학용어 약어 사전을 만들고 ‘용어 표준화’ 작업까지 진행했습니다. 같은 질환도 의료진마다, 진료과마다 다르게 줄여 쓰고 다르게 기록합니다. 만일 이를 하나의 기준으로 정리하지 않으면 AI는 같은 객체를 서로 다른 객체로 인식하게 됩니다. 

3. 해외 MIMIC-IV 데이터베이스 기반 패혈증 위험 예측 AI 사례

마지막은 해외 사례입니다. 미국 베스 이스라엘 디코니스 메디컬센터의 중환자 데이터베이스인 MIMIC-IV를 활용해, 비외상성 지주막하출혈로 중환자실에 입원한 환자의 패혈증 발생 위험을 예측하는 AI를 개발한 연구입니다.

의료 AI를 개발할 때, 초반 연구 대상자를 정하는 일부터 신중해야 합니다. 대상자를 잘못 고르면 AI가 엉뚱한 환자군의 패턴을 정답으로 학습하게 되고, 결국 절실하게 도움이 필요한 환자 앞에서는 빗나간 예측을 내놓게 됩니다. 해당 연구에서는 어떤 과정을 거쳐 데이터를 분석하고, 대상자를 선정했을까요?

데이터를 어떻게 분석하고 연구했을까?

이 연구가 대상자를 정한 기준은 이렇습니다.

제외한 사유를 살펴보겠습니다. 

• 중환자실에 24시간도 머물지 않은 환자는 패혈증이 발생하고 진행되는 경과를 관찰할 시간 자체가 없습니다. 

• 기록의 20% 이상이 비어 있는 환자 역시, 그 빈칸을 AI가 임의로 채우게 두면 패혈증에 대해 존재하지 않는 패턴을 학습할 위험이 있습니다.

2008년부터 2022년까지의 입원 기록에서 이 기준을 적용한 결과, 최종적으로 1,052명이 연구에 포함되었습니다.

또한 이렇게 기준이 명확한 기록으로 남기는 것 또한 중요합니다. 어떤 조건으로 누가 빠졌는지가 명시되어 있기 때문에, 나중에 AI 모델의 판단을 되짚어볼 수 있기 때문입니다. 데이터를 많이 확보하는 것보다, 명확한 기준으로 걸러내고 그 기준을 투명하게 남기는 것이 먼저라는 뜻입니다.

의료 분야에서 데이터를 분석할 때, 무엇을 중요하게 봐야 할까?

1. 같은 것을 같은 것으로 인식하게 만들어야 합니다

서울대병원 사례에서 짚었던 '용어 표준화'는 사실 모든 의료 데이터 프로젝트가 반드시 거쳐야 하는 관문입니다.

• 같은 검사도 병원마다, 시스템마다 다른 이름과 코드로 기록됩니다. 

• 같은 약도 상품명으로 적히기도 하고 성분명으로 적히기도 합니다. 

• 같은 진단도 의료진마다 다른 약어로 줄여 씁니다. 

• 사람이 보면 당연히 같은 것이지만, AI에게는 전혀 다른 세 가지입니다.

이 상태로 학습을 시작하면 어떻게 될까요? 실제로는 한 명의 환자가 같은 검사를 세 번 받았는데, AI는 서로 다른 검사 세 개를 한 번씩 받았다고 인식합니다. 데이터의 양은 그대로인데 그 안의 신호는 잘게 쪼개져 흩어집니다.

1) 표준 용어 체계

그래서 검사명, 약품 코드, 진단명 등을 하나의 기준으로 통일하는 작업이 필요합니다. 해결의 기초적인 출발점은 표준 용어체계입니다. 검사는 LOINC, 진단은 KCD, 약품은 주성분코드처럼 이미 정해진 국제·국내 표준에 병원 데이터를 매핑하는 작업이죠.

2) 온톨로지 

다만 코드를 통일하는 것만으로는 부족한 순간이 찾아 옵니다. '폐렴'과 '세균성 폐렴'은 다른 코드지만 상하위 관계이고, 상품명과 성분명은 이름이 전혀 달라도 같은 약일 수 있습니다. 이러한 관계까지 의료 AI에게 학습시켜야, 마치 의료진처럼 이를 명확하게 구분할 수 있습니다. 

이렇게 개념들 사이의 관계를 구조로 정리해둔 것을 온톨로지(Ontology)라고 부릅니다. 앞서 서울대병원 사례에서 본 지식그래프도 같은 맥락입니다. 단어를 사전처럼 나열하는 데서 그치지 않고, 무엇이 무엇의 하위 개념이고 무엇이 무엇과 같은 것인지를 미리 정의해두는 것입니다. 

2. 임상에 대한 깊은 이해

임상 워크플로우를 이해하여 데이터의 구조를 설계해야 올바르게 데이터를 분석할 수 있습니다. 실제 병원이 데이터를 어떻게, 왜 그렇게 기록하는지 이해해야 정확한 로직을 세울 수 있습니다.

그래서 만약 외부 전문 솔루션을 활용한다면, 도메인 지식에 대한 이해도가 높은지 확인해보세요. 데이터 처리 기술만 설명하는 곳인지, 또는 우리 병원의 기록 방식과 진료 흐름부터 먼저 묻는 곳인지 깊은 대화를 나누어보신 후 판단해보시길 바랍니다. 

아무리 실력 있는 의료 AI 데이터 전문가라도, 그 병원의 진료 흐름과 시스템까지 샅샅이 알 수는 없습니다. 그렇기에 현장을 가장 잘 아는 담당자님과의 깊은 소통이 반드시 필요합니다. 이 대화가 깊어질수록 의료 AI의 성능도 더 높아진다고 생각하시면 됩니다.  

3. AI의 판단 과정을 명확히 설명할 수 있도록 데이터의 구조를 설계해야 합니다.

• 의료 AI 개발 시 다른 산업보다 규제가 훨씬 촘촘합니다. 데이터에 건강과 안전이 걸려 있고, 민감한 개인정보를 포함하고 있기 때문입니다. 그리고 만약 AI가 외부의 공격을 받아 데이터가 유출된다면, 그 위험은 모두 환자에게 돌아가게 됩니다.

• 실제로 대한민국 정부도 이 부분을 법으로 명시하고 있습니다. 2026년 1월 시행된 AI 기본법(인공지능 발전과 신뢰 기반 조성 등에 관한 기본법)은 의료 분야를 사람의 생명과 신체 안전에 직접 영향을 미치는 ‘고영향 인공지능’ 영역으로 분류하고, 안전성과 투명성에 대한 의무를 부과하고 있습니다. 

그렇다면 두 가지 조건이 필요합니다. 

1) 의료 AI가 판단을 내렸다면, 왜 그런 판단을 내렸는지 투명하게 확인할 수 있어야 합니다.

2) 그 투명성은 데이터에서 나옵니다. AI가 내린 판단의 근거부터 결론까지 논리적으로 설명하려면, 그 판단의 기반이 되는 데이터셋 자체가 논리적으로 정리되어 있어야 하기 때문입니다.

페블러스가 데이터 품질 관리 솔루션 데이터클리닉에서는 어떤 데이터가 어떤 기준으로 제외되었는지, 처리 전후 수치가 어떻게 달라졌는지 등 단계별 로그 데이터를 모두 기록하고 있습니다. 

페블러스가 의료 AI를 위한 데이터를 구축할 때 최종 목표로 삼는 것은 하나입니다. 모델의 화려한 정확도 수치도, 방대한 데이터의 양도 아닙니다. 

지금 귀사가 가진 의료 데이터에도, 겉으로는 드러나지 않는 증상이 어딘가 숨어 있을지도 모릅니다. 데이터 종합병원 데이터클리닉이 정확히 진단하고, 병원 현장에서 믿고 사용할 수 있는 데이터로 진단 및 개선해 드리겠습니다.