[Post] 생성형 AI가 의료 산업을 혁신하다 - 의료 AI 스타트업의 기회와 도전

 

Bringing Generative AI to Healthcare

 

핵심 요약:

• 의료 산업의 3,000억 달러 규모 행정 비용이 생성형 AI를 통한 혁신 기회 제공
• LLM 기술이 의료 스크라이브, 환자 참여, 사전 승인 등 핵심 영역에서 돌파구 제시
• 프론트오피스(환자 참여, 문서화, 임상 의사결정)와 백오피스(사전 승인, 코딩, RCM) 분야에서 다양한 적용 가능성
• 기존 디지털 헬스케어의 한계를 생성형 AI가 극복할 수 있는 가능성 제시

 

LLM이 여는 4조 달러 규모 의료 시장의 새로운 지평

 

스타트업들이 전통적으로 어려움을 겪었던 곳에서, LLM은 성장과 혁신의 잠재력을 가지고 있습니다.

 

의료 산업은 행정적 비효율이 만연한 거대한 시장입니다. 미국에서만 연간 4조 달러 이상의 지출 중 3,000억 달러가 행정 운영비이며, 대부분 반복적이고 노동 집약적인 프로세스에 사용됩니다. 생성형 AI는 이러한 서비스 중심 산업의 인건비 문제를 해결하는 데 특히 적합합니다. 법률 기술 분야에서 보았듯이, LLM은 전통적으로 소프트웨어 도입이 어려웠던 분야에서 성장과 혁신을 이끌어낼 수 있습니다. 현재 이 기술의 주요 적용 분야는 백오피스 운영의 비용 절감과 자동화, 그리고 일선 직원들의 업무 흐름을 더 효율적으로 만드는 것이지만, 궁극적인 목표는 생성형 AI를 통해 환자의 치료 결과를 획기적으로 개선하는 것입니다.

 

이미 혁신적인 기업들이 의료 기록 작성, 환자 참여, 사전 승인과 같은 특정 사용 사례를 공략하고 있으며, 새로운 기회들이 매일 발견되고 있습니다. 경쟁이 이미 시작되었습니다. 기존 기업들의 익숙한 유통 우위에 직면한 신규 진입자들은 돌파구를 찾고, 성공하고, 지속하기 위해 그들의 속도, 야망, 창의성을 모두 활용해야 합니다.

 

Market Background

지난 10년 동안 많은 새로운 의료 소프트웨어 기업들이 불리한 시장 역학에 직면했습니다. 의료 서비스 제공자들은 매우 낮은 이윤으로 운영되며, 장기적인 비용 효율성에 대한 약속에 투자하기를 꺼립니다. 보험사들 역시 낮은 이윤에 시달리고 있으며, 상위 5개 업체가 50% 이상의 시장 점유율을 차지하는 집중된 구매자 그룹입니다. 이러한 조직들은 움직임이 느리고 판매 주기가 매우 길어 신생 기업들에게 장애물이 됩니다.

 

디지털 헬스케어에서 가장 큰 성공 사례들이 이러한 장벽을 우회한 것은 놀라운 일이 아닙니다:

1. 일회성 규제 변경의 혜택을 받음 (Epic, Cerner, Aledade)
2. 특정 진료 분야에 집중 (Maven-불임, Livongo-당뇨병, Hinge/Sword-근골격계, Lyra/Headway-정신 건강)
3. 진료와 인접한 제품 경험 제공 (Zocdoc-의사 찾기와 예약, Doximity-의사 간 연결)

 

반면, 핵심 의료 운영을 공략하는 데 있어서의 성공 사례는 드물며, 드문 성공 사례도 대체로 비용 절감보다는 수익 창출에 중점을 둡니다(예: Viz, Cedar). 보험사 측면에서는 상황이 더욱 암울합니다. 새로운 기술 도입에 대한 보험사들의 완고한 태도에 좌절한 일부 스타트업들은 대신 보험사 시장에 진출했지만, 비슷하게 실망스러운 결과를 얻었습니다.

 

생성형 AI는 이러한 제약을 직접적으로 해결합니다. 큰 즉각적 가치를 제공하면서도 비정형 데이터와 운영 환경에 대한 견고성을 유지함으로써 구매자들의 "빈곤의 함정"을 극복합니다. 그것의 새로움과 인식 가능한 영향력은 구매자들을 고무시키며, 특히 동료들 사이에서 혁신적으로 보이기를 희망하는 이들에게 그렇습니다. 가장 중요한 것은, 신규 진입자들이 생성형 AI를 활용하여 발판을 마련하고 더 넓은 의료 소프트웨어 스택을 공략할 기회를 얻을 수 있다는 점입니다. 우리가 살펴본 기업들은 프론트 오피스와 백 오피스 운영의 6가지 광범위한 카테고리에 걸쳐 이러한 기회들을 대표합니다.

 

Front Office

환자 대면 워크플로우는 다양한 조건과 특수 사례를 다룰 수 있는 유연성이 필요한 자연어 인터페이스이기 때문에 LLM에 매우 적합합니다. 또한 여기에는 의료 서비스 제공자, 보험사, 제약 회사 간의 이해관계가 일치할 수 있는 잠재력이 있어 수익화 벡터를 만들어냅니다.

 

환자 참여는 상담 전 발견, 환자 접수, 상담 후 치료 순응도의 3가지 부분으로 구성됩니다. 발견과 접수는 비정형 데이터에 접근하여 검색 마찰을 줄이고 환자가 더 쉽게 적절한 의료 서비스 제공자를 찾을 수 있도록 도와주는 생성형 AI에 적합합니다.

 

여기서 가장 좋은 기회는 방문 후 치료 순응도를 개선하는 것입니다. 환자들은 만성 질환에 처방된 약물의 절반만 복용하여 1,000억 달러 이상의 불필요한 의료 비용이 발생합니다. 해결책은 환자들에게 후속 진료 예약, 약물 복용을 상기시키고 기본적인 질문에 답변하는 문자와 전화를 자동화하는 것만큼 간단할 수 있습니다. 이러한 작업은 현재 수많은 간호사와 사례 관리자들이 수행하고 있습니다. 예를 들어, 클리블랜드 클리닉은 매월 600만 건의 전화를 받습니다. 보험사는 악화된 질병으로 인한 비순응 비용을 부담하고 제약회사는 복용하지 않은 약물로 인한 수익 손실을 겪기 때문에, 스타트업이 활용할 수 있는 창의적인 시장 진출 방안이 있을 수 있습니다.

 

문서화: 상담 중 환자-의사 상호작용은 많은 수동 프로세스 작업을 생성하며, 특히 이러한 대화를 EHR 필드에 기록하고 적절하게 코딩하는 것이 그렇습니다. 이는 이미 과로한 의료 전문가들에게 부담을 주며 종종 높은 직업적 소진율의 원인으로 지목됩니다. 현재 약 10만 명의 의료 기록사가 있으며, 이는 2016년 2만 명에서 증가한 수치입니다. 기록사 한 명당 연간 4-5만 달러의 평균 지출을 고려하면, 이 seemingly 좁은 사용 사례는 의사들의 기회비용을 제외하고도 최소 40억 달러의 비용이 듭니다.

 

장기적으로 이 분야의 플레이어들은 강력한 플랫폼 잠재력을 가지고 있습니다. 그들은 수집된 데이터에 대한 기능을 심화하여 더 나은 참조와 워크플로우를 제공하고 결국 일급 기록 시스템이 될 수 있습니다. 일부 문서화 기업들은 이미 코딩과 청구와 같은 하위 영역으로 확장하고 있습니다.

 

이는 새로운 통찰이 아니지만, 분명한 "왜 지금인가"가 있습니다. 이전 세대의 스타트업들은 기술이 준비되지 않아 실패했지만, 이 문제는 오늘날의 LLM, 특히 Whisper와 GPT4 모델에 잘 맞습니다. 역설적이게도 현재의 위험은 너무 쉽고 기술이 거의 확실히 상품화될 것이라는 점입니다. 소규모 의료 시스템과 클리닉 시장에서 스타트업들은 기록 작성이라는 쐐기를 넘어 의료 서비스 제공자 운영을 위한 올인원 스위트를 만들어야 할 것입니다.

 

임상 의사결정은 법률 기술에서 보여졌듯이, 생성형 AI는 복잡한 의료 사실, 기록, 연구를 조직하고, 검색하고, 종합하는 인터페이스를 제공할 수 있습니다. 의사들은 전통적으로 새로운 워크플로우를 받아들이기를 꺼려왔지만, 다른 사용 사례들은 잠재적으로 공략이 가능합니다. 예를 들어, LLM이 의사들이 방대한 약물 정보를 조회하거나 환자에게 더 개인화된 치료를 제공할 수 있게 하는 것을 상상할 수 있습니다.

 

Back Office

백오피스 업무량의 대부분은 보험사와 의료 서비스 제공자 간의 상충되는 인센티브에서 비롯됩니다. 의료 서비스 제공자들은 종종 결과가 아닌 서비스에 대해 지불받습니다. 보험사들은 당연히 의료 서비스 제공자들이 필요하다고 주장하는 것에 대해 회의적이며 서비스나 약물에 대한 지불을 꺼립니다. 결과적으로, 보험사들은 의료 서비스 제공자들에게 복잡한 프레임워크와 힘든 프로세스를 강요하여 그들의 환급 요청을 정당화하게 하고 10건 중 1건 이상의 청구를 거부합니다. 보험사들도 청구를 수동으로 검토하고 판정해야 하는 부담을 안고 있습니다. 따라서 양측 모두 이러한 작업을 처리하기 위해 수천 명의 간호사와 행정 직원을 고용하고 있습니다.

 

사전 승인은 보험 회사들이 의사들에게 특정 약물을 환자에게 처방하거나 특정 시술을 예약하기 전에 승인을 구하도록 강요하는 힘든 프로세스입니다. 2021년에 의사들은 메디케어 어드밴티지 보험사들에게 3,500만 건 이상의 사전 승인 요청을 제출했으며, 이 중 200만 건이 거부되었습니다. AI 기반 자동화는 의료 서비스 제공자, 환자, 제약 회사들(이들의 인센티브는 모두 일치함)을 이러한 행정적 소모전으로부터 보호합니다. LLM은 즉시 사용 가능한 상태에서 놀라운 정확도로 사전 승인 양식을 생성할 수 있었기 때문에 많은 스타트업들이 여기서 시작했습니다.

 

이 요구가 규제로 인해 사라질 위험이 있습니다. 지난 몇 년 동안 사전 승인의 수가 지나치게 증가함에 따라 규제 개입이 점점 더 가능성이 높아 보입니다. 전반적인 사전 승인의 부담을 줄이는 새로운 정책들은 이러한 제품들의 가치를 크게 감소시킬 것입니다. 그리고 AI 기록사와 마찬가지로, 사전 승인 양식을 생성하는 기술도 상당히 상품화되어 있어 기업들은 지속하기 위해 추가적인 워크플로우를 구축해야 합니다.

 

코딩: 의료 코더는 의사의 기록과 실험실 결과를 읽고 진단 및 시술에 대한 올바른 코드를 식별합니다. 이러한 코드는 보험 청구에 사용됩니다. 미국의 의료 코딩 시장은 약 35,000명의 의료 코더를 포함하여 약 210억 달러 규모입니다. 이러한 모든 노동력에도 불구하고, 코딩 오류로 인해 미국 병원들은 연간 약 200억 달러의 수익을 잃고 있으며, 이로 인해 의료 서비스 제공자들이 "누락된" 수익을 "발견"하는 데 도움을 주는 지역 컨설팅 회사들의 특수 산업이 생겨났습니다.

 

대부분의 전통적인 솔루션이 규칙 기반인 반면, 멀티모달 LLM 모델은 비정형 의사 기록, 실험실 패널, 이미징을 대조하여 올바른 진단 코드를 결정할 수 있습니다. 자동화는 또한 보험사와의 행정적 상호작용을 줄일 수 있으며, 수익 주기 관리라는 거대한 기회로 자연스럽게 이어질 것입니다. 문서화 분야의 기존 기업들도 여기서 강력한 이점을 가질 것입니다.

 

수익 주기 관리: 의료 청구자들은 시술/진료 방문에 대한 코드를 받으면 의료 청구서를 작성하여 보험사에 제출합니다. 청구서 제출은 자동화되어 있지만, 후속 조치는 그렇지 않습니다. 거부된 청구의 조사와 이의 제기, 모든 치료의 자격 및 혜택 확인, 보험사 대응의 조합은 아마도 의료 서비스 제공 시스템에서 가장 중요한 행정적 골칫거리일 것입니다. 2022년에는 모든 의료 보험 청구의 11%가 거부되었습니다.

 

RCM 시장을 공략하는 데는 두 가지 방법이 있습니다: 워크플로우 자동화 또는 청구 처리 자체를 담당하는 것입니다. 자동화는 기술적 위험과 상당한 수준의 기존 기업 이점(예: UiPath의 LLM 통합)을 수반하는 반면, 청구는 긴 판매 주기로 어려움을 겪습니다. 가장 좋은 진입점은 시간이 지남에 따라 인접한 사용 사례에서 RCM으로 확장하는 것일 수 있습니다.

 

Conclusion

의료 분야에서의 혁신은 역사적으로 어려웠고 기회의 창은 순간적이고 좁았지만, 생성형 AI가 마침내 돌파구를 제공할 수 있습니다. 우리는 의료의 다음 수십 년을 재구상하려 도전하는 팀들을 만나기를 기대합니다.

 

분석 및 시사점:

• 한국 의료 시장도 행정 비효율과 인력 부족 문제가 심각한 상황으로, 생성형 AI 도입을 통한 혁신이 시급
• 의료 AI 스타트업들은 규제 환경과 기존 시스템과의 통합을 고려한 전략적 접근 필요
• 특히 환자 경험 개선과 의료진 업무 효율화를 동시에 달성할 수 있는 솔루션 개발이 중요