IHF 2026 FIELD REVIEW
의료 AI 도입과 활용,
병원이 준비해야 할 세 가지 기반
IHF 2026에서 본 데이터 기반, 진료 업무 통합, 거버넌스
IHF 2026 현장 리뷰 · 코엑스 마곡 컨벤션센터 · 2026.10.19–22
병원이 의료 AI를 진료에 활용하려면 데이터를 연결하고 관리할 기반과 의료진의 사용 절차를 마련하고, 운영 책임을 분명히 해야 합니다. 이번 IHF 2026에서는 병원들이 이 조건을 어떻게 준비하고 있는지 실제 사례를 통해 살펴봤습니다.
10월 20일 서울 코엑스 마곡 컨벤션센터에서 열린 「의료 분야 AI 리더십 — 거버넌스, 신뢰, 시스템 전반의 통합」 세션에서는 Mass General Brigham(MGB)과 Narayana Health의 AI 도입 경험, 병원 시스템에 AI 기능을 통합하는 구상을 소개했습니다.
진료 기록 작성과 검사 결과 분석, 환자 정보를 요약하는 AI 에이전트(AI Agent) 등 여러 활용 사례를 접했습니다. 발표에서는 이미 운영 중인 서비스부터 시범 적용 중인 사례와 향후 플랫폼 구상까지 소개했습니다. 본문에서는 주요 논의를 세 가지 아젠다로 나누고, 각 사례의 적용 단계와 운영 방식을 구분해 살펴보겠습니다.
본 세션에서 살펴본 세 가지 아젠다
- 데이터 표준화와 활용 기반
FHIR 기반 의료정보 교환, 공통 데이터 플랫폼, 연구 데이터 파이프라인 - 진료 업무와 AI 에이전트
진료 기록 자동화와 의료진 검토, 환자 목록과 팀 채팅에서의 AI 활용 - AI 도입 현황과 운영 거버넌스
도입 단계별 현황, 가동 전 검증, 운영 책임과 중단 및 재개 기준
목차
AGENDA 01
데이터 표준화와 활용 기반
첫 번째 아젠다는 여러 시스템의 의료정보를 같은 의미로 해석하고, 진료와 연구에 필요한 곳으로 전달하는 데이터 기반입니다. FHIR 표준화, MGB의 데이터 플랫폼, Narayana Health의 연구 데이터 파이프라인이 각각 정보 교환과 관리, 전달의 사례를 보여줬습니다.
의료정보 교환과 FHIR 표준화
병원 간 의료정보 교환을 다룬 발표에서는 FHIR 표준화(FHIR Standardization)를 소개했습니다. 환자가 병원을 옮겨도 이전 검사 결과와 진료 기록을 다음 병원에서 활용할 수 있도록 정보를 연결하는 내용이었습니다.
본 세션에서는 병원정보시스템과 전자의무기록, 영상 및 검사 시스템뿐 아니라 환자 앱, 원격 모니터링과 홈케어에서 사용하는 정보도 연계 대상으로 다뤘습니다. 병원 진료와 퇴원 후 관리, 다른 병원으로의 전원 과정에서도 환자의 기존 기록을 활용하도록 하는 구상이었습니다.
FHIR는 환자, 검사, 처방 등의 정보를 공통된 구조로 표현하고 교환하도록 정한 HL7의 표준입니다. 병원 간 실제 연계를 위해서는 기관별 코드와 측정 단위, 데이터 항목의 의미를 맞춰야 합니다. 필요한 항목과 작성 규칙을 구체화한 ‘프로파일’도 사용 목적에 맞게 정합니다. 정보를 받는 병원에서도 같은 의미로 해석할 수 있어야 하기 때문입니다. HL7 FHIR 공식 소개 ↗
AI가 여러 시스템의 정보를 함께 분석할 때도 같은 환자의 기록을 정확히 연결하고, 각 검사의 시행 시점과 측정 단위를 구분할 수 있어야 합니다. 병원 간 정보 교환을 위해 정비한 기준은 이처럼 분석과 AI에 사용할 데이터를 준비하는 데도 활용할 수 있습니다.
MGB의 데이터 플랫폼과 AI 서비스
MGB는 진료 기록 자동화, 환자용 대화형 AI, 전자의무기록에 통합된 AI 기능을 소개했습니다. 이들 서비스를 지원하는 클라우드와 데이터 플랫폼, 보안 등 기반 기술도 함께 설명했습니다.
MGB가 제시한 핵심 디지털 인프라(Core Digital Infrastructure)에는 클라우드와 데이터 플랫폼, 사이버보안, 핵심 기술 현대화, 통합 데이터 분석이 포함됐습니다. MGB는 개별 AI 서비스의 기능뿐 아니라 조직 전체에서 데이터를 관리하고 분석하는 환경도 설명했습니다.
이 사례를 데이터 관리 관점에서 살펴보면, 여러 AI 서비스가 함께 사용할 데이터를 어떻게 관리할지가 주요 과제입니다. 분산된 정보를 공통 기준으로 모아 관리하는 데이터 중앙화는 이를 위한 방법입니다. 데이터를 모으는 범위는 병원마다 다르지만, 데이터의 정의와 품질, 접근 권한을 일관되게 관리하면 여러 서비스가 같은 기준으로 정보를 활용할 수 있습니다.
병원이 공통 데이터 기반을 갖추면 새로운 AI 서비스를 도입할 때마다 같은 데이터를 연계하는 작업을 줄일 수 있습니다. MGB는 데이터 플랫폼과 함께 보안도 다뤘습니다. 데이터의 활용 범위를 넓힐 때는 사용자별로 접근할 수 있는 정보와 허용되는 사용 목적도 함께 정해야 합니다.
ATHMA와 연구 데이터 파이프라인
Narayana Health는 외래와 응급 진료부터 입원, 수술, 퇴원과 추적 관찰까지 각 단계의 임상 AI 활용 사례를 소개했습니다. 이와 함께 연구용 데이터 파이프라인도 다뤘습니다.
Narayana Health는 자사의 병원정보 플랫폼인 ATHMA에 축적된 데이터를 연구용 데이터베이스로 자동 전송하는 파이프라인을 소개했습니다. 연말까지 환자 기록 100만 건을 연구 데이터 네트워크에 연계하는 것을 목표로 잡고 있습니다.
이 사례에서는 진료 과정에서 생성된 데이터를 연구 환경으로 자동 전송하는 방법을 확인할 수 있었습니다. 데이터 전달과 갱신을 자동화하면 연구에 필요한 정보를 반복해서 준비하는 작업을 줄일 수 있습니다. 다만 연구용 분석과 진료 지원은 필요한 데이터의 시점과 이용 조건이 다를 수 있으므로, 데이터의 전송 주기와 제공 범위는 활용 목적에 맞게 정해야 합니다.
AGENDA 02
진료 업무와 AI 에이전트
두 번째 아젠다는 의료진이 기존 업무에서 AI의 결과를 확인하고 활용하는 방식입니다. MGB는 진료 기록의 작성과 검토 절차를 소개했고, 병원 시스템과 AI를 연결하는 발표에서는 환자 목록과 팀 채팅에서 AI 에이전트를 활용하는 구상을 제시했습니다.
진료 기록 자동화와 의료진의 검토
MGB는 AI가 작성한 진료 기록을 의료진이 검토한 뒤 전자의무기록 시스템인 Epic에서 서명하는 절차를 소개했습니다. 기록이 확정된 후에는 음성 파일을 삭제하고 전사문을 비식별화한다고 설명했습니다.
AI의 기록 작성부터 의료진의 확인, 기록 확정 후의 데이터 처리까지 하나의 업무 절차로 설명한 사례였습니다. 병원이 진료 기록 AI를 도입할 때 정해야 할 검토 책임과 데이터 보관 및 처리 기준을 구체적으로 보여줬습니다.
환자 목록과 팀 채팅의 AI 에이전트
본 세션에서는 진료 기록 작성 AI(AI Scribe)를 비롯해 심전도, 영상, 생체신호 분석, 위험 예측, 대규모 언어 모델(LLM), 임상 의사결정지원시스템(CDSS) 등 여러 AI 기능과 관련 시스템을 다뤘습니다. 주요 과제는 이 기능들을 의료진이 쓰는 시스템 안에서 함께 활용할 수 있도록 연결하는 것이었습니다.
발표자는 AI 기능이 늘어날수록 의료진이 열어야 하는 화면도 많아지는 문제를 짚었습니다. 여러 시스템을 오가며 결과를 찾아야 하면 업무 부담이 커진다는 설명이었습니다. 이어 환자 목록과 팀 채팅에서 AI 에이전트를 이용하는 예시를 소개했습니다.
소개된 예시에서는 환자 목록에서 오늘의 주요 이슈, 주의가 필요한 환자, 검사 결과의 변화, 약물 검토 항목을 확인하도록 구성했습니다. 팀 채팅에서 특정 환자의 주요 정보를 요청하고 요약을 받는 방식도 제시했습니다. 의료진이 평소 사용하는 화면에서 병원정보시스템의 환자 정보를 확인하도록 하는 구상입니다.
발표에서는 여러 AI 기능을 환자 정보와 업무 목적에 맞춰 연결하고 조정하는 AI 에이전트 오케스트레이션(Agent Orchestration)을 제시했습니다. 의료진의 업무에 필요한 AI 기능을 선택하고, 환자 정보를 전달한 뒤 결과를 업무 화면에 제공하도록 조정하는 역할로 이해할 수 있습니다.
병원정보시스템과 AI를 연결하는 오케스트레이션
발표자는 AI 기능을 병원정보시스템에 통합하는 구조도 설명했습니다. 제시한 구성도에는 병원정보시스템(HIS)의 핵심 영역인 Connected HIS Core와 AI 에이전트 기능을 담당하는 Agentic AI Layer가 있었습니다. 두 영역을 중심으로 의료진과 환자가 사용하는 서비스, 병원과 기기, 외부 AI 솔루션 및 파트너 시스템을 연계하는 구상이었습니다.
발표자는 ‘Orchestrate, Connect, Open’을 통해 AI 기능의 조정, 시스템 간 연계, 외부 서비스와의 연동을 제시했습니다. 병원정보시스템을 여러 서비스의 이용과 업무 처리를 지원하는 디지털 운영체계로 발전시키겠다는 구상이었습니다. 이 내용은 향후 플랫폼 구상이며, 미래의 목표로 설정하고 있습니다.
이 구상을 구현하려면 AI 기능에 필요한 환자 정보를 전달하고, 처리 결과를 의료진이 사용하는 화면에 제공해야 합니다. 데이터 표준화는 AI가 사용할 정보의 형식과 의미를 맞추고, 파이프라인은 필요한 데이터를 전달하고 갱신하는 역할을 합니다. 두 작업이 준비돼야 여러 AI 기능을 병원 업무에 통합할 수 있습니다.
AGENDA 03
AI 도입 현황과 운영 거버넌스
세 번째 아젠다는 AI 도입의 판단 기준과 운영 책임을 정하는 거버넌스입니다. Narayana Health는 도입 단계별 현황과 가동 전 확인 기준을 공개했고, MGB는 적용할 업무의 평가부터 운영 중 성능 점검까지 포함하는 관리 체계를 설명했습니다.
임상 AI와 비임상 AI의 도입 현황
Narayana Health가 진료 단계별 사례로 소개한 임상 AI 구성 요소는 16개였고, 모두 관리 목록에 등록돼 있었습니다. 심전도 분석과 수술 전 위험도 평가, 퇴원 시 약물 확인 등 적용 분야도 다양했습니다. 전체 AI 관리 현황에서는 임상 22개와 비임상 27개, 총 49개의 도입 단계를 공개했습니다.
진료 단계별로 소개된 AI 사례가 모두 안정 운영 중이라는 뜻은 아니었습니다. 임상 AI 22개 중 18개는 시범 적용 단계였고, 안정 운영 단계의 항목은 없었습니다. 같은 기관에서도 임상과 비임상의 도입 단계가 달랐던 것입니다. 병원이 다른 기관의 사례를 참고할 때도 적용 건수와 함께 검증 범위와 운영 단계를 확인해야 하는 이유입니다.
병원 내 AI와 그 상태를 기록한 통합 등록부에는 시범 적용부터 중단된 항목까지 포함돼 있었습니다. 각 부서에서 어떤 AI를 검증하거나 운영하는지 한곳에서 파악하면, 추가 검증이 필요한 대상과 사용 범위를 넓힐 대상을 구분할 수 있습니다. 병원은 이 목록을 기준으로 AI별 담당자와 검토 상태를 확인하고, 도입 여부와 사용 범위를 결정할 수 있습니다.
가동 전 검증과 중단 및 재개 기준
Narayana Health는 AI 도입 전에 사용 목적, 검증 근거, 책임 주체, 안전 통제, 모니터링, 중단 권한을 확인한다고 설명했습니다. 각 항목의 검토 및 승인 주체도 함께 제시했습니다.
- 사용 목적 — 허용하는 용도와 사용해서는 안 되는 용도를 구분
- 검증 근거 — 해당 병원의 환자 데이터로 의도한 작동을 확인하고 세부 환자군도 포함
- 책임 주체 — AI 운영에 책임질 경영진 지정, 임상 AI에는 임상 책임자 추가
- 안전 통제 — 데이터 보호와 보안 검토, 사람이 결과를 살피고 판단을 수정할 수 있는 절차
- 모니터링 — 성능, 사람이 판단을 수정한 비율, 드리프트 점검, 공급사 업데이트 시 재검토
- 중단 권한 — 중단을 결정할 주체와 재개 조건을 가동 전에 합의
사용 목적을 정할 때는 허용하는 용도와 사용해서는 안 되는 용도를 구분하도록 했습니다. 검증 단계에서는 해당 병원의 환자 데이터로 AI가 의도한 대로 작동하는지 확인하고, 세부 환자군도 검증 대상에 포함했습니다. 이 검증 결과를 바탕으로 해당 병원에서 사용할 수 있는지 판단하도록 했습니다.
AI 운영에 책임질 경영진을 지정하고, 임상 AI에는 임상 책임자도 두도록 했습니다. 안전 통제에는 데이터 보호와 보안 검토, 사람이 AI의 결과를 살피고 필요할 때 판단을 수정할 수 있는 절차를 포함했습니다.
운영 중에는 AI의 성능, 사람이 AI 판단을 수정한 비율, 데이터나 모델의 특성이 시간에 따라 달라지는 현상인 ‘드리프트’를 점검하도록 했습니다. 공급사가 AI를 업데이트할 때도 다시 검토하도록 정했습니다.
Narayana Health는 서비스를 중단할 권한과 재개 조건을 가동 전에 정한다고 명시했습니다. 문제가 생기면 누가 사용 중단을 결정하고, 어떤 조건이 충족돼야 다시 사용할 수 있는지를 운영 시작 전에 합의해 두는 방식입니다.
도입 검토부터 운영까지의 생애주기 관리
MGB는 ‘Evaluate–Assess–Build–Govern’ 프레임워크로 AI 도입 검토부터 운영 이후까지의 관리 범위를 설명했습니다. AI를 적용할 업무의 적합성 평가와 지속적인 성능 점검, 기술 기반 구축, 책임 있는 사용을 위한 관리 체계를 함께 다뤘습니다.
- Evaluate — 적용할 업무 평가
- Assess — 성능 점검
- Build — 기술 기반 구축
- Govern — 책임 있는 운영 관리
두 발표의 공통점은 도입 전 평가와 도입 후 점검을 하나의 관리 범위로 다뤘다는 것입니다. 성능 모니터링, 업데이트 검토, 중단 및 재개 기준은 운영을 시작한 뒤에도 계속 관리해야 합니다. 운영 중 AI 결과가 달라졌을 때 데이터의 출처와 갱신 시점, 처리 이력을 확인할 수 있다면 원인을 파악하는 데 도움이 됩니다.
AI 에이전트도 맡길 업무에 따라 검토 절차와 책임 범위를 정해야 합니다. 환자 정보를 요약하는 기능과 후속 조치를 실행하는 기능은 의료진이 확인해야 할 내용이 다릅니다. 따라서 AI 에이전트의 업무 범위와 함께 의료진이 결과를 확인하고 승인할 단계도 정해야 합니다.
REVIEW INSIGHT
현장 사례로 살펴본 AI-Ready의 조건
본 세션에서는 FHIR 표준화와 연구 데이터 파이프라인을 통해 의료정보의 교환 및 전달 방식을 설명했습니다. 진료 기록 자동화와 AI 에이전트 사례에서는 의료진의 사용 절차를, 거버넌스 발표에서는 검증 기준과 운영 책임을 다뤘습니다.
지금까지 다룬 내용을 종합하면 AI-Ready는 AI를 활용할 데이터와 업무 절차가 갖춰지고, 운영 책임이 명확해진 상태로 이해할 수 있습니다. AI 도입을 검토하는 병원은 이 기준으로 준비할 일을 살펴볼 수 있고, 이미 AI를 운영하는 병원은 확대 적용에 필요한 조건을 점검할 수 있습니다.
데이터 기반부터 운영까지, NDS와 함께
NDS는 이번 IHF 2026에서 민감한 의료 데이터를 보호하면서 임상 연구와 AI에 활용할 수 있도록 지원하는 클라우드 기반을 소개했습니다. 본 세션에서 다룬 데이터 관리와 접근 권한, 운영 책임은 연구와 AI를 위한 클라우드 환경을 구축할 때도 함께 정해야 할 사항입니다.
병원에서 데이터 연계와 AI 적용을 추진하려면 기존 시스템의 구조와 실제 운영 여건부터 살펴야 합니다. NDS는 다수의 병원을 포함한 의료 및 헬스케어 분야의 시스템 구축 및 운영 경험을 바탕으로 병원의 데이터 연계 방식과 시스템 구축 범위를 함께 검토할 수 있습니다.
NDS는 클라우드 및 시스템 통합 역량과 자체 운영센터의 24시간 365일 관제 및 기술지원 체계를 갖추고 있습니다. 병원은 시스템 구축 이후에 필요한 관제와 기술지원 범위까지 함께 협의할 수 있습니다.
생명과학 분야에서는 AWS Life Sciences Competency의 컨설팅 서비스 파트너로 인정받았습니다. 2026년 5월, NDS는 국내 최초이자 아시아태평양 및 일본(APJ) 지역 최초로 취득했다고 발표했습니다. 유전체 분석과 임상 연구 등 생명과학 분야의 클라우드 기술 역량과 고객 구축 사례를 바탕으로 한 성과입니다.
의료 데이터 연계와 AI 적용을 검토하고 있다면, 현재의 데이터 환경과 우선 적용할 업무, 운영 범위부터 NDS와 함께 구체화해 보실 수 있습니다.
자주 묻는 질문
Narayana Health는 사용 목적, 검증 근거, 책임 주체, 안전 통제, 모니터링, 중단 권한 여섯 가지를 가동 전에 확인한다고 설명했습니다. 사용 목적에서는 허용하는 용도와 사용해서는 안 되는 용도를 구분하고, 검증 단계에서는 해당 병원의 환자 데이터로 의도한 대로 작동하는지 세부 환자군까지 포함해 확인합니다. AI 운영에 책임질 경영진을 지정하고 임상 AI에는 임상 책임자를 추가하며, 중단을 결정할 주체와 재개 조건도 가동 전에 합의합니다.
FHIR는 환자, 검사, 처방 등의 정보를 공통된 구조로 표현하고 교환하도록 정한 HL7의 표준입니다. 병원 간 실제 연계를 위해서는 기관별 코드와 측정 단위, 데이터 항목의 의미를 맞춰야 하고, 정보를 받는 병원에서도 같은 의미로 해석할 수 있어야 합니다. AI가 여러 시스템의 정보를 함께 분석할 때도 같은 환자의 기록을 정확히 연결하고 검사 시행 시점과 측정 단위를 구분해야 하므로, 병원 간 정보 교환을 위해 정비한 기준은 AI에 사용할 데이터를 준비하는 데도 활용할 수 있습니다.
본 글에서는 IHF 2026 세션에서 다룬 내용을 표준화, 공통 데이터 기반, 파이프라인, AI 에이전트 활용 네 가지 과제로 정리했습니다. 표준화는 정보의 형식과 의미를 맞추는 일이고, 공통 데이터 기반은 데이터의 정의와 품질, 접근 권한을 관리하는 일입니다. 파이프라인은 데이터의 전달과 갱신을 담당하며, AI 에이전트 활용에서는 진료 업무에서 결과를 확인하고 사용하는 전 과정을 다룹니다.
MGB는 Evaluate–Assess–Build–Govern 프레임워크로 적용할 업무 평가, 성능 점검, 기술 기반 구축, 책임 있는 운영 관리를 설명했습니다. 두 발표의 공통점은 도입 전 평가와 도입 후 점검을 하나의 관리 범위로 다뤘다는 점입니다. 운영을 시작한 뒤에도 성능과 사람이 AI 판단을 수정한 비율, 드리프트를 점검하고, 공급사가 AI를 업데이트할 때 다시 검토하며, 중단 및 재개 기준을 계속 관리해야 합니다.
※ IHF 2026 발표자료와 현장 사진을 바탕으로 정리했습니다. 기관별 수치와 계획은 발표 시점 기준이며, 데이터 중앙화와 AI-Ready의 설명, 위 개념도와 요약 카드는 여러 발표의 시사점을 종합한 것입니다.
Author
Solutions Architect 유성연
Solution Developer 김정규
![Read more about the article [AWS Summit Seoul 2026] 책임감 없는 AI에이전트, 주인은 누구인가](https://tech.cloud.nongshim.co.kr/wp-content/uploads/tech_thumbnail.png)