EHR은 디지털인데, 왜 검사 결과가
여전히 스크린샷으로 전달될까?

아무도 예상하지 못한 스크린샷 파이프라인

팩스에서 시작된다. 병원 의무기록과에서 보낸 이메일의 PDF 첨부파일. 진료소에 HL7 인터페이스가 없는 참고 검사실의 포털 로그인. 결과는 동일하다: 임상 직원이 내보낼 수 없는 화면에서 검사 결과를 보고, 스크린샷을 찍는다. 또는 PDF로 인쇄하여 환자 차트에 첨부 파일로 저장한다 — 검색도 안 되고, 구조화되지 않은 채로.

이 워크플로는 예외 사례가 아니다. 2025년 EHR 사용성 과제에 대한 범위 검토에 따르면, 전라운딩 중 단일 환자 스냅샷을 작성하는 레지던트 의사는 평균 6분 27초 동안 28개의 개별 EHR 화면을 탐색해야 했다 — 주로 검사 결과, 약물, 메모를 하나의 화면에서 함께 볼 수 없었기 때문이다. 이러한 단편화는 단일 시스템의 설계 결함이 아니다. 데이터 표준이 문서상으로는 존재하지만 실제로는 무너지는 생태계의 예측 가능한 결과다.

외부 검사실 결과가 Epic을 사용하는 진료소에 도착하면 세 가지 경로 중 하나를 거친다. 경로 1: 검사실에 해당 Epic 인스턴스와 작동하는 HL7 인터페이스가 있는 경우 — 결과가 자동으로 구조화된 필드로 흘러든다. 경로 2: 결과가 PDF나 팩스로 도착하고, 누군가 모든 값을 EHR에 수동으로 입력한다. 경로 3 — 진료소가 통합되고 환자가 의료 시스템 간 이동하면서 점점 더 흔해지는 경우 — 스크린샷이다: 입력보다 빠르고, 메시지로 공유할 수 있지만, 데이터는 EHR이 쿼리, 추세 분석, 임상 의사 결정 지원에 포함할 수 없는 이미지에 갇힌다.

2021년에 발표된 체계적 검토에 따르면 의사는 근무 시간의 37%를 EHR과 상호작용하는 데 보낸다 — 그리고 이는 시스템 내에서 기록된 시간만 해당하며, 그 외부에서 발생하는 스크린샷, 포털 로그인, 우회 작업은 포함되지 않는다. 스크린샷은 EHR의 이벤트 로그에 보이지 않는다. 어떤 생산성 대시보드에도 나타나지 않는다. 하지만 존재한다 — 그리고 누군가는 그것들을 다시 입력하고 있다.

왜 20년 동안 "그냥 연동하면 되잖아"가 실현되지 않았을까

의료계에는 상호운용성 표준이 존재합니다. HL7 v2는 1990년대부터 검사실 메시지를 파싱해 왔습니다. LOINC(논리적 관측 식별자 이름 및 코드)는 검사실 관측치(모든 나트륨 결과, 모든 헤모글로빈 값, 모든 TSH 수치)에 대한 표준화된 식별자를 제공합니다. FHIR(의료 상호운용성을 위한 고속 리소스)은 REST API 호출만큼 간단하게 데이터 교환을 가능하게 하도록 설계된 현대적 표준입니다.

그런데도 왜 아직도 스크린샷이 존재할까요?

첫 번째 답은 매핑입니다. JMIR Medical Informatics의 2026년 연구에 따르면, 검사실 검사의 6%에서 19%는 이 작업을 위해 특별히 설계된 자동화 시스템을 사용하더라도 LOINC 코드에 정확히 매핑할 수 없습니다. 각 참조 검사실은 고유한 내부 검사 코드를 사용합니다. 각 EHR은 고유한 데이터 사전을 사용합니다. 이 둘 사이의 매핑, 즉 "크로스워크"는 수동 관리와 정기적인 유지보수가 필요합니다. 검사실에서 새 검사를 추가하거나 참조 범위를 변경하면 크로스워크가 깨집니다. 인터페이스가 결과 수집을 중단합니다. 워크플로는 수동으로 되돌아갑니다.

두 번째 답은 경제성입니다. 단일 HL7 검사실 인터페이스를 구축하고 유지하는 데는 매핑의 복잡성과 벤더의 전문 서비스 비용에 따라 5,000~30,000달러가 소요됩니다. Quest, LabCorp, 지역 병원 검사실, 전문 참조 검사실에서 결과를 받는 소규모 진료소는 4개의 인터페이스가 필요하며, 연간 유지보수 비용을 제외하고도 초기 투자 비용이 40,000~120,000달러에 달합니다. 2인 의사 진료소의 경우, 의료 보조원이 값을 수동으로 입력하게 하는 것에 비해 이 자본 지출을 정당화하기 어렵습니다.

세 번째 답은 조직적 문제입니다. 업계 조사에 따르면 의료 데이터의 약 80%는 비정형이며 단절된 시스템에 존재합니다 (출처). 2009년 HITECH 법은 EHR 도입을 성공적으로 장려했지만, 보조금을 지원한 시스템 간의 상호운용성을 의무화하지는 않았습니다. 20년이 지난 지금, Epic을 사용하는 병원과 eClinicalWorks를 사용하는 전문의는 마치 다른 행성에 있는 것과 다름없습니다. 스크린샷은 기술의 실패가 아닙니다. 이는 경계를 안정적으로 넘나들 수 있는 최소 공통 분모 형식일 뿐입니다.

수동 검사 결과 입력이 보고서 1건당 실제로 드는 비용

일반적인 검사 패널 — 감별계산을 포함한 CBC와 종합대사패널 — 에는 약 25개의 개별 데이터 포인트가 포함됩니다. 의료 보조는 단순히 숫자를 입력하는 것이 아닙니다. 환자 차트로 이동하여 검사 입력 모듈을 열고, 각 검사명을 찾고(종종 자동완성이 없는 드롭다운에서), 값을 입력하고, 올바른 단위를 선택하고, 참고 범위를 입력하거나 확인하고, 이상치에 플래그를 지정합니다. CMS의 검사 결과 보고 SAFER 가이드라인에 따르면, 종이 기반 결과는 최소한 다음의 코드화된 필드와 함께 입력되어야 합니다: 검사 결과명, 검사 결과값, 단위, 정상 범위, 이상 플래그, 날짜/시간.

보고서 1건당 10분. 의료 보조의 평균 임금(부대비용 포함)이 시간당 약 28달러라고 가정하면, 순수 인건비는 검사 패널 1건당 4.67달러입니다. 통합되지 않은 검사 보고서를 월 80~120건 수신하는 소규모 의원(의사 2명)은 월 370~560달러, 연간 4,400~6,700달러를 수익을 창출하지 않고 임상적 가치도 전혀 없는 작업에 지출합니다.

하지만 인건비는 비교적 저렴한 부분입니다.

전사 오류가 진짜 비용입니다. 2019년의 한 연구에 따르면, 검사실 값을 EHR에 재입력할 때 수동 전사 오류율이 2.8%였습니다 (PMC6351970). 중환자실 환경에서 Black 등의 연구(2013)는 검사 결과에서 8.8%의 전사 오류율을 발견했습니다. 각 오류는 두 가지 결과 중 하나를 초래하며, 둘 다 좋지 않습니다: 의료진이 잘못된 데이터에 따라 조치를 취하거나, 누군가 오류를 발견하고 값을 다시 입력하여 해당 단일 데이터 포인트의 인건비를 두 배로 늘리는 경우입니다.

전문 진료과의 경우 비용은 더 커집니다. 혈청 크레아티닌, BUN, eGFR, 전해질, 인, PTH, 헤모글로빈 및 철분 검사를 위해 매월 검사가 필요한 혈액투석 환자 200명을 관리하는 신장내과는 월 약 200건의 검사 보고서를 수신합니다. 이 중 절반이 외부 기관에서 비정형 문서로 도착한다면, 비투석 만성콩팥병 환자와 이식 후 추적 관찰을 제외하더라도 월 500건 이상의 개별 데이터 입력 작업이 발생합니다. 이 숫자는 더 이상 반올림 오류가 아니며 인력 배치 결정이 됩니다.

AI가 OCR과 다르게 검사 결과 스크린샷을 읽는 방법

기존 OCR(광학 문자 인식)은 위치 기반으로 작동합니다. 이미지에서 문자처럼 보이는 픽셀 패턴을 스캔해 텍스트로 변환하고, 찾은 내용을 그대로 출력합니다. 검사 결과지에 "Sodium | 138 | 135-145 | mmol/L"라고 적혀 있으면, OCR은 "Sodium | 138 | 135-145 | mmol/L"라는 문자열을 반환합니다. 138이 값이고, 135-145가 참고 범위이며, mmol/L가 단위라는 이해 없이 단순한 텍스트 블록일 뿐입니다. 이렇게 평면적인 텍스트에서 구조화된 데이터를 얻으려면 정규식, 규칙 기반 파서, 템플릿 매칭 같은 후처리가 필요합니다. 그런데 검사 기관이 결과지 레이아웃을 바꾸면 템플릿은 바로 작동을 멈춥니다. 그리고 레이아웃은 자주 바뀝니다.

AI 의미 추출은 의미 기반으로 작동합니다. 모델은 고정된 위치에서 텍스트를 찾는 대신, 사람처럼 문서를 읽습니다. "화학 패널", "혈액학" 같은 섹션을 식별하고, "결과" 아래의 값이 "검사명" 아래 나열된 검사에 속한다는 것을 이해하며, 숫자 옆의 별표(*)나 "H"가 "비정상, 높음"을 의미한다는 것을 인식합니다. 이것이 위치 기반 추출과 의미 기반 추출의 핵심 차이입니다. 하나는 데이터가 어디에 있는지에 관심을 두고, 다른 하나는 데이터가 무엇을 의미하는지에 관심을 둡니다.

실질적인 결과는 형식 독립성입니다. Quest의 CBC 검사 결과지는 한 가지 레이아웃을 사용합니다. LabCorp의 동일한 패널은 다른 레이아웃을 사용합니다. 병원 포털의 스크린샷은 또 다른 레이아웃을 사용합니다. OCR 기반 시스템은 각각에 대해 별도의 파싱 템플릿이 필요하며, 그중 하나라도 변경되면 유지보수가 필요합니다. 의미 기반 AI는 세 가지를 모두 동일한 방식으로 읽습니다. 헤모글로빈이 어느 열에 나타나든, 어떤 글꼴로 인쇄되었든, 보고서 헤더에 "Quest Diagnostics" 또는 "ARUP Laboratories"라고 적혀 있든 상관없이 헤모글로빈이라는 것을 이해합니다.

이 접근 방식은 템플릿 시스템을 무너뜨리는 예외 상황도 처리합니다. 병리학자의 손글씨 주석, 각 값 아래에 더 작은 글꼴로 인쇄된 참고 범위, PDF에서 두 페이지에 걸쳐 있는 결과 등이 있습니다. 이는 임상 검사 워크플로에서 흔히 발생하는 일이며, 각각은 위치 기반 추출의 실패 지점이지만 의미 기반 AI는 별도의 설정 없이 이를 흡수합니다.

실용적인 워크플로우: 1분 안에 스크린샷을 스프레드시트로

다음은 의료 보조원의 아침을 소모하던 수동 재입력 과정을 대체하는 단계별 워크플로우입니다:

여러 참조 검사실에서 환자를 관리하는 의료기관의 경우, 일괄 워크플로는 프로세스에서 가장 지루한 부분인 "병합 단계"를 제거합니다. Quest의 결과를 하나의 스프레드시트로, LabCorp의 결과를 다른 스프레드시트로 추출한 다음 환자 이름이나 MRN별로 수동으로 행을 정렬하는 대신, 단일 일괄 업로드로 모든 것을 함께 처리합니다. AI는 보고서 간 환자 식별자를 매칭합니다. 서로 다른 검사실 형식의 동일한 이름이 하나의 행이 되어 모든 값이 채워집니다.

이 워크플로는 HL7 인터페이스를 대체하지 않습니다. 예산과 IT 지원이 있어 의료기관에서 사용하는 모든 검사실에 인터페이스를 구축할 수 있다면, 구조화된 데이터 피드는 항상 최고의 표준입니다. 그러나 인터페이스되지 않는 검사실, 팩스로 도착하는 보고서, 원격 진료 중 포털에서 캡처한 스크린샷 등 간극을 메우기 위해 이 워크플로는 현재 사람과 키보드가 필요한 작업을 대체합니다.

HIPAA와 AI 추출: 중요한 것과 중요하지 않은 것

환자 검사실 데이터를 타사 도구에 입력하는 모든 논의는 HIPAA를 다뤄야 합니다. 건강보험 이동성 및 책임법(HIPAA)은 AI를 언급하지 않습니다. 이 법은 현대의 대규모 언어 모델보다 수십 년 앞서 제정되었습니다. 그러나 HIPAA 보안 규칙(45 CFR Part 164)은 보호 건강 정보(PHI)를 처리하는 데 사용되는 기술과 관계없이 적용되는 요구 사항을 규정합니다. AI 검사실 데이터 추출에 실제로 중요한 사항은 다음과 같습니다.

사업 제휴 계약(BAA). HIPAA에 따라, 피보험 기관을 대신하여 PHI를 생성, 수신, 유지 또는 전송하는 모든 벤더는 BAA에 서명해야 합니다. 이는 벤더를 의료 기관과 동일한 개인정보 보호 및 보안 기준에 구속하는 법적 계약입니다. AI 추출 도구가 PHI를 처리하는 경우 — 환자 식별자가 포함된 검사 결과는 명백히 PHI입니다 — BAA가 체결되어 있어야 합니다. 이는 협상의 대상이 아닙니다. 서명된 BAA 없이 PHI를 타사 도구와 공유하는 것은 벤더의 기술적 보안 조치와 관계없이 HIPAA 위반입니다.

전송 중 및 저장 시 암호화. 보안 규칙은 전자 보호 건강 정보(ePHI)가 전송 중 및 저장 시 모두 암호화되어야 한다고 요구합니다. 전송 중 데이터의 경우 TLS 1.2 이상, 저장 시 데이터의 경우 AES-256을 사용해야 합니다. 도구는 PHI를 암호화되지 않은 볼륨에 저장하거나 암호화되지 않은 연결을 통해 전송해서는 안 됩니다.

모델 학습을 위한 데이터 제로 보존. 이는 HIPAA 제정 당시에는 존재하지 않았지만 현재 가장 중요한 질문 중 하나가 된 AI 특화 요구 사항입니다. 많은 AI 플랫폼(무료 버전의 ChatGPT와 같은 소비자용 도구 포함)은 모델 개선을 위해 프롬프트 데이터를 보존합니다. 사용자 입력을 학습에 사용하는 도구에 PHI를 보내는 것은 정책 문제일 뿐만 아니라 보고 가능한 위반 사항입니다. BAA는 벤더가 PHI를 모델 학습에 사용하는 것을 명시적으로 금지해야 합니다. 벤더의 데이터 보존 정책은 제출된 문서가 처리 직후 삭제되도록 지정해야 합니다. 30일 동안 저장하거나, 로그에 보관하거나, 모델 개선에 사용해서는 안 됩니다.

최소 필요 기준. HIPAA는 특정 목적에 필요한 최소한의 PHI만 공개되어야 한다고 요구합니다. 검사실 데이터 추출의 경우, 이는 AI가 전체 환자 기록이 아닌 문서 이미지만 수신해야 함을 의미합니다. 임상 워크플로우는 EHR에 입력하기 전에 추출된 값이 정확한지 확인해야 합니다.

감사 로깅. HIPAA는 피보험 기관이 PHI 접근에 대한 감사 추적을 유지하도록 요구합니다. AI 추출의 경우, 이는 어떤 사용자가 어떤 문서를 언제 제출했는지, 그리고 무엇이 추출되었는지 로깅하는 것을 의미합니다. 로그는 저장 시 암호화되고, 접근이 통제되며, 생성일로부터 최소 6년 동안 보존되어야 합니다.

중요하지 않은 것 — "HIPAA 준수" 라벨. HIPAA 인증 제품이라는 것은 존재하지 않습니다. 미국 보건복지부는 소프트웨어를 인증하지 않습니다. "HIPAA 준수"를 주장하는 업체는 자사 제품이 HIPAA 요구사항을 충족하도록 구성될 수 있다고 믿는다는 뜻일 뿐, 기본 설정이 이를 충족한다는 의미는 아닙니다. 중요한 것은 오직 이것들입니다: BAA(업무 제휴 계약)에 서명할 것인가? 어떤 암호화를 사용하는가? 귀하의 데이터로 학습하는가? 데이터는 어디에 얼마나 오래 저장되는가? 그 외의 모든 주장은 마케팅입니다.

검사 결과 보고서를 넘어: AI 의료 데이터 추출의 광범위한 활용

검사 결과는 가장 많은 비중을 차지하는 사용 사례이지만, 스크린샷에서 데이터로의 격차가 존재하는 유일한 문서 유형은 아닙니다. 진료소의 EHR과 연동되지 않는 영상 센터의 방사선 보고서. 직접 HL7 피드 대신 환자 포털을 통해 결과를 보내는 병원 기반 검사실의 병리 보고서. 다른 의료 시스템에 속한 병원의 퇴원 요약. 수신 진료소가 시간 경과에 따른 추세를 확인해야 하는 검사 수치가 첨부된 의뢰서. 각 경우에 데이터는 다른 시스템에서 이미 디지털 형태로 존재하지만, 귀하의 시스템에는 이미지로 도착합니다.

스크린샷에서 CBC(전혈구 계산)를 읽는 것과 동일한 의미 기반 추출 접근 방식은 퇴원 요약에서 방사선 소견도 읽어냅니다. 필요한 열(예: "검사 유형, 신체 부위, 소견, 권고사항, 판독의, 날짜")을 정의하면 AI는 완전히 다른 레이아웃의 문서에서 각 정보를 찾아냅니다. 환자 코호트 전반의 방사선 및 퇴원 데이터를 집계하는 경우, 이는 수동 추출 단계를 완전히 없애줍니다.

이것이 기존 방식과 근본적으로 다른 점은 단순히 속도만이 아닙니다. 추출이 문서의 형식에 의존하지 않는다는 점입니다. Cerner 환자 포털의 스크린샷은 Epic의 MyChart 스크린샷과 다르게 보입니다. Quest의 PDF 검사 보고서는 LabCorp의 PDF와 다른 레이아웃을 사용합니다. 하지만 AI는 이를 신경 쓰지 않습니다. 위치가 아닌 의미를 읽기 때문입니다. 이것이 하나의 잘 정의된 파이프라인에서만 작동하는 도구와 대부분의 진료소가 실제로 처한 파편화된 현실에서 작동하는 도구의 차이입니다.

이미 임상 문서화를 위해 AI를 탐색 중인 진료소(예: 진료 기록용 주변 비서, 청구용 자동 코딩)의 경우, 검사 데이터 추출을 자동화 스택에 추가하면 임상 워크플로에서 가장 반복적인 수동 작업이 제거됩니다. 이는 임상적 판단을 대체하는 것이 아닙니다. 결과가 도착한 순간부터 제공자가 이를 보고 조치를 결정할 수 있을 때까지의 10분간의 키보드 입력을 대체하는 것입니다.

자주 묻는 질문

AI가 손으로 쓴 검사실 주석도 추출할 수 있나요?

네 — 일부 한계는 있습니다. AI는 병리학자의 손글씨 추가 소견이나 의사가 동그라미 친 이상 수치 등 검사 보고서의 손글씨 값, 메모, 체크 표시를 인식할 수 있습니다. 하지만 매우 흘리거나 알아보기 어려운 필체는 인쇄된 텍스트보다 정확도가 낮습니다. 인쇄된 검사 값의 추출 신뢰도가 가장 높으므로, 손글씨 요소는 검토 단계에서 확인해야 합니다.

이 기능이 HL7 검사실 인터페이스를 대체하나요?

아닙니다. 구조화된 검사 데이터를 EHR의 개별 필드에 직접 전달하는 적절히 구성된 HL7 인터페이스는 최고 표준이며, 대량 검사실의 경우 목표로 유지해야 합니다. AI 스크린샷 추출은 통합이 불가능하거나 어려운 검사실과 보고서(팩스, 포털 스크린샷, 타 병원 의사의 PDF)를 위한 대안입니다. "인터페이스를 구축해야 한다"와 "오늘 볼 환자가 있다" 사이의 다리 역할이라고 생각하세요.

검사 보고서가 영어 외의 언어로 되어 있으면 어떻게 되나요?

AI는 모든 언어의 검사 보고서에서 숫자 값을 추출할 수 있습니다. 보고서 헤더에 "Sodium" 또는 "Natrium"이라고 적혀 있든, 나트륨 138mmol/L는 동일한 숫자입니다. 다른 언어의 검사명, 단위, 참고 범위도 추출됩니다. 다국어 진료 환경이나 국경 인근에서 미국과 해외 시설의 검사 결과를 모두 받는 진료소의 경우, 추출 전에 번역할 필요가 없습니다.

이상 플래그와 참고 범위 추출 정확도는 어떤가요?

AI는 이상 플래그("H", "L", 별표, 굵은 텍스트, 색상 코딩)와 참고 범위를 추출의 일부로 캡처합니다. 임상 사용을 위해서는 원본 보고서와 추출된 스프레드시트를 대조하는 확인 단계를 권장합니다. 검토는 보고서당 30~60초가 소요되며, 완전 수동 입력의 5~10분과 비교해 시간을 절약하면서 임상 안전 확인을 추가합니다.

STAT 검사 결과에도 사용할 수 있나요?

STAT 결과는 일반적으로 검사실의 전화 통화나 EHR의 푸시 알림 등 해당 결과가 도착하는 즉시 조치해야 합니다. AI 추출은 5~10초의 처리 시간이 소요되며, 이는 일상 및 긴급 결과에는 충분히 빠르지만 즉각적인 임상 조치가 필요한 중대 결과를 수신하는 유일한 수단이 되어서는 안 됩니다. 임상적 결정이 내려진 후 데이터를 구조화된 형태로 얻는 데 사용하세요.

마지막 업데이트: 2026년 6월 23일