--- title: "중앙대의료원, 의료진이 직접 에이전틱 AI 도구 만드는 병원 실험" published: 2026-05-20T21:01:02.224Z canonical: https://jeff.news/article/2887 --- # 중앙대의료원, 의료진이 직접 에이전틱 AI 도구 만드는 병원 실험 중앙대의료원이 AWS 서밋 서울 2026에서 의료진 주도형 에이전틱 AI 전환 사례를 공개했어. 의료진 250명 이상이 교육에 참여했고, 개발 경험이 없는 16개 팀이 3일간 프로토타입을 완성하며 처방 이력 분석과 논문 실적 입력 같은 현장 업무 자동화 가능성을 보여줬어. ## 병원 AI가 외부 솔루션 구매에서 현장 제작으로 넘어가는 중 - 중앙대의료원이 AWS 서밋 서울 2026에서 의료진 주도형 에이전틱 AI 전환 사례를 공개함 - 행사는 서울 코엑스에서 5월 20일부터 21일까지 열렸고, AWS 20주년과 함께 AI·클라우드 변화, 에이전틱 AI의 산업 적용을 다뤘음 - 중앙대의료원 김찬웅 교수는 의료진이 AI를 쓰는 수준을 넘어, 실제 업무에 필요한 도구를 직접 기획하고 구현하는 전략을 발표함 - 여기서 말하는 에이전틱 AI는 그냥 답변 잘하는 챗봇이 아님 - 사용자의 목표를 이해하고, 필요한 작업을 단계적으로 판단하고 수행하는 AI를 뜻함 - 생성형 AI가 답변이나 콘텐츠 생성에 머물렀다면, 에이전틱 AI는 업무 흐름 안에서 여러 작업을 이어 처리하는 쪽으로 확장됨 - 김 교수는 의료기관의 AI 과제를 세 가지로 봄 - 진료 업무 효율화, 데이터 활용 고도화, 핵심 가치에 대한 집중임 - 의료는 반복적인 데이터 처리와 문서화가 많은 영역이고, 진료와 행정 자체가 데이터를 주고받는 구조라 AI가 들어갈 여지가 크다는 설명임 > [!IMPORTANT] > 이 사례에서 AI의 목표는 의료진을 대체하는 게 아니라, 의료진이 환자에게 더 집중할 시간을 만드는 것임. 자동화의 성과도 결국 진료 질과 임상 판단 강화로 이어져야 의미가 있다는 관점임. ## 핵심은 개발자가 아니라 의료진이 문제를 정의했다는 점 - 병원 현장에는 문제를 아는 사람과 구현할 수 있는 사람 사이의 간격이 큼 - 의료진은 어떤 업무가 비효율적인지 가장 잘 알지만, 개발 언어와 구현 절차에 익숙하지 않은 경우가 많음 - 반대로 개발자는 기술은 알아도 병원 내부 업무 맥락과 진료 기준을 바로 이해하기 어려움 - 중앙대의료원은 이 간격을 AI 리터러시 교육과 프로토타이핑으로 줄이려 함 - AWS Training and Certification 프로그램을 기반으로 교육을 진행했음 - 의사, 간호사, 영상 관련 인력, 진단검사 인력, 심리 분야 인력, 행정직 등 의료진 250명 이상이 참여함 - 결과가 꽤 구체적임 - 참가자들은 각자의 현장 문제를 들고 와서 3일간 팀 단위로 해결 방안을 구체화함 - 개발 경험이 없는 의료진으로 구성된 16개 팀이 모두 프로토타입을 완성했고, 총 16개 과제가 도출됨 - 중앙대의료원은 이 경험을 바탕으로 2025년 의료AI 보건의료인 직무교육사업 최우수 운영기관으로 선정됨 ## Kiro로 자연어 요구사항을 코드와 테스트까지 밀어붙임 - 구체적 도구로는 AWS의 에이전틱 코딩 서비스 키로(Kiro)가 등장함 - 키로는 자연어 요청을 요구사항, 설계, 코드, 문서, 테스트로 연결하는 서비스임 - 그냥 말하면 코드가 나오는 식이 아니라, 기능 목적과 사용 범위, 수정 기준을 먼저 구조화하는 스펙 기반 개발이 특징임 - 김 교수는 이 방식이 의료진의 사고방식과 잘 맞는다고 봄 - 의료진은 진료지침과 기준에 따라 판단하는 데 익숙함 - 그래서 자연어 기반 개발에서도 목적, 범위, 수정 기준을 먼저 정리하는 방식이 의료 현장에 더 맞을 수 있다는 설명임 ```mermaid sequenceDiagram participant 의료진 participant 키로 participant 병원데이터 participant 프로토타입 participant 검증체계 의료진->>키로: 자연어로 업무 문제와 요구사항 설명 키로->>의료진: 요구사항과 설계 초안 제시 의료진->>키로: 사용 범위와 수정 기준 조정 키로->>프로토타입: 코드, 문서, 테스트 생성 프로토타입->>병원데이터: 처방·문서 데이터 처리 프로토타입->>검증체계: 결과 확인과 운영 리스크 점검 ``` ## 처방 이력 정리처럼 진짜 귀찮은 일을 줄임 - 대표 사례는 약물 처방 이력 분석 도우미임 - 의료진은 환자 동의를 기반으로 의약품안전사용서비스(DUR) 등 심평원 처방·조제 이력을 확인할 수 있음 - 문제는 처방일과 복용 기간이 제각각이라 현재 복용 중인 약물을 빠르게 파악하기 어렵다는 점임 - 고령 환자처럼 복용 약물이 많은 경우에는 업무 부담이 확 커짐 - 수백 줄의 처방 데이터를 의료진이 직접 읽고 판단해야 할 수 있음 - 처방일이 최근이라고 무조건 현재 복용 중인 약은 아니고, 3개월 전에 180일치 처방받은 약은 지금도 복용 중일 수 있음 - 중앙대의료원이 만든 도구는 이 계산과 정리를 대신 도와줌 - 데이터를 입력하면 현재 복용 중인 약물, 최근 새로 추가된 약물, 중단된 약물을 용량과 성분 기준으로 정리함 - 최종 판단은 의료진이 내리되, 반복 계산과 정보 정리에 드는 시간을 줄이고 휴먼 에러 가능성을 낮추는 구조임 > [!WARNING] > 의료 AI에서 자동화는 편의 기능으로 끝나지 않음. 처방 이력처럼 환자 안전과 연결되는 데이터는 접근 권한, 로그, 환자 동의, 내부 검증 체계가 같이 설계돼야 함. ## 연구·행정 업무도 타깃임 - 연구 업무 자동화 사례도 나옴 - 대학병원 교수는 논문 실적을 학교 업적 시스템에 입력해야 하는데, 기존에는 PDF를 보며 제목, 공저자, 페이지, 권호 같은 서지 정보를 칸마다 직접 입력해야 했음 - 중앙대의료원은 PDF에서 학교 업적 시스템이 요구하는 서지 정보를 추출하고 입력 화면에 반영할 수 있는 도구를 만들었음 - 병원 전체로 보면 AI 적용 지점은 진료, 연구, 교육, 행정 전반에 깔려 있음 - 반복적인 데이터 처리와 문서화 업무가 많기 때문임 - 중앙대의료원은 데이터 파이프라인을 기반으로 의료 현장 AI 에이전트를 더 빠르고 폭넓게 적용하겠다는 방향을 제시함 - 물론 병원 AI는 보안과 운영 관리가 끝판왕 난제임 - 의료 데이터에는 민감정보가 포함되므로 접근 권한, 데이터 처리, 로그 관리, 환자 동의, 내부 검증 체계가 필요함 - 자동화 도구가 의도하지 않은 파일 변경이나 삭제를 일으킬 수 있고, 잘못 반영된 내용을 되돌리는 데 시간이 걸릴 수 있다는 한계도 실제 개발 과정에서 확인됨 --- ## 기술 맥락 - 중앙대의료원의 선택은 외부 벤더가 만든 완성품을 사서 쓰는 방식이 아니라, 의료진이 직접 문제를 정의하고 작은 도구를 빠르게 만들어보는 방식이에요. 병원 업무는 진료과, 직군, 시스템마다 예외가 많아서 현장을 모르면 요구사항을 제대로 잡기 어렵거든요. - 키로 같은 스펙 기반 에이전틱 코딩 도구가 맞아떨어지는 이유도 여기에 있어요. 의료진은 개발자는 아니지만, 진료지침과 업무 기준을 언어로 설명하는 데 익숙해요. 이 설명을 요구사항, 설계, 테스트로 바꿔주면 코딩 경험 부족이라는 장벽이 낮아져요. - 처방 이력 분석 사례는 왜 AI가 필요한지 꽤 선명해요. 수백 줄 처방 데이터에서 현재 복용 약을 골라내려면 날짜와 복용 기간을 같이 계산해야 해요. 단순 검색으로는 안 되고, 의료진의 최종 판단 전에 반복 계산을 줄여주는 보조 도구가 필요한 거예요. - 다만 병원에서는 자동화 성공보다 운영 통제가 더 중요할 때가 많아요. 환자 동의, 접근 권한, 로그, 내부 검증 없이 도구만 빨리 만들면 편의성보다 리스크가 커질 수 있어요. 그래서 이 사례의 핵심은 AI 도구 제작과 거버넌스를 같이 가져가야 한다는 점이에요. ## 핵심 포인트 - 중앙대의료원이 의료진 주도형 AI 리터러시 교육과 프로토타이핑을 진행 - 의료진 250명 이상 참여, 16개 팀 모두 프로토타입 완성 - AWS Kiro를 활용해 자연어 요구사항을 설계, 코드, 문서, 테스트로 연결 - 처방 이력 분석과 논문 실적 입력 자동화 같은 실제 병원 업무 사례 제시 - 의료 데이터 보안, 접근 권한, 로그 관리, 환자 동의, 검증 체계가 핵심 과제로 남음 ## 인사이트 이 사례의 포인트는 병원에 AI를 도입했다가 아니라, 문제를 가장 잘 아는 의료진이 직접 도구를 기획하고 만들기 시작했다는 점이야. 에이전틱 AI가 현장 자동화로 가려면 결국 업무 맥락을 아는 사람과 구현 도구 사이의 간격을 얼마나 줄이느냐가 핵심이야.