의료 공급망 혁신: AI의 잠재력 완전 개방하기

AI에 대한 기대와 현실의 간극

인공지능(AI) 잠재적 활용에 대한 열정과 예측은 부족함이 없습니다.

그랜드뷰리서치(Grand View Research)는 글로벌 AI 시장이 2017~2025년 연평균 57% 성장해 360억 달러에 달할 것으로 추정합니다. 포레스터(Forrester)는 2020년이 임원들이 AI 투자 가치 창출과 측정 방법에 집중하는 해가 될 것이라고 예측합니다.

의료도 예외가 아닙니다. 옵텀(Optum)이 실시한 의료 임원 설문조사에 따르면 AI 활용이 증가할 뿐만 아니라, 대부분의 임원이 최초 예상보다 더 빠른 투자 수익을 기대합니다.

하지만 이런 거창한 전망에서 빠진 것은 AI가 약속을 이행하기 위해 필요한 것들에 대한 더 실질적인 논의입니다. 데이터 거버넌스와 관리의 중요성 같은 것들입니다. 또한 AI와 머신러닝이 질병 진단 개선, 신약 개발 등 다른 분야에 비해 의료 공급망에서 어떤 역할을 할 수 있는지에 대한 대화도 적습니다. 하지만 의료 다른 분야에서 AI가 어떻게 적용되는지 멈춰 생각하면 공급망에 대한 시사점과 기회를 보기 시작합니다.

AI의 의료 공급망 적용 분야

1. 예측 분석(Predictive Analytics)

AI의 더 흥미로운 적용 중 하나는 게놈 데이터와 다른 환자 임상·사회·행동 요인을 결합해 미래 질병 상태와 의료 치료를 예측하는 것입니다. 예: 환자가 심혈관 사건을 겪거나 무릎 교체 수술이 필요할지 예측. 개별 환자 수준에서는 공급망 하류 연관성이 상대적으로 적습니다. 하지만 의료 시스템이나 책임의료기구(ACO)가 서비스하는 전체 환자 인구 데이터가 있다면 어떨까요? 필요한 제품 유형과 물량, 시기, 장소를 예측하는 데 도움이 될까요? 제조사와 유통업체에 가치 있는 수요 신호를 제공할까요?

2. 수요 매칭(Demand Matching)

일상적 임상 현장에서 제품 수행 방식에 대한 데이터가 늘어나고 특정 환자 집단의 니즈 기반 케어 경로 재설계 추진이 커지면서, 올바른 제품을 올바른 환자에게 매칭할 필요성이 증가하고 있습니다. AI는 어떤 환자 유형에 무엇이 가장 효과적인지 이해하고, 이 데이터를 가치 분석과 소싱에 활용하며, 올바른 제품이 올바른 장소에 있도록 하는 데 중요한 역할을 할 수 있습니다.

3. 물류 최적화(Logistics Optimization)

환자 흐름에 초점을 맞춘 AI 기업들은 UPS 같은 3자 물류 기업이 흔히 배치하는 도구(예: 환자를 병원이나 다른 진료 현장으로 이송하는 가장 빠른 구급차 경로 차트)를 활용합니다. 왜 같은 기술을 의료 공급망 전문가들이 급성기 치료 현장 밖 진료 이송이라는 난제에 활용하지 않을까요? AI는 제품과 케어제공자 모두를 가정, 소매 클리닉, 응급 진료, 외래 수술 센터 등 급증하는 필요 장소로 이동시키는 최적 운송 방식, 빈도, 경로 결정에 도움을 줄 수 있습니다.

4. 공급 연속성(Supply Continuity)

자연재해, 감염병 발생, 제품 리콜, 멸균 시설 폐쇄 등 최근 사건들로 공급 연속성 중단 과제에 관심이 집중되었습니다. 소매업에서 백오더는 종종 불편에 그치지만, 의료 분야 공급 중단은 심각한 결과를 초래할 수 있습니다. 허리케인 마리아 사례를 보십시오. 폭풍이 푸에르토리코 강타 시 섬 내 50개 이상 제조사 운영에 부정적 영향, IV백 공급업체 포함. 생리식염수 백 부족으로 미국 전역 제공업체들이 대안 찾기에 분주했습니다. 그룹 구매 기구 프리미어(Premier)는 최근 FDA에 의료기기 제조사가 잠재적 부족을 통보하도록 요구할 것을 촉구했습니다. AI는 제공업체가 백오더와 재고 부족을 예측하는 데 도울 뿐만 아니라, 제조사가 고도로 복잡한 공급망 전반에서 데이터를 수집해 중단을 더 잘 예측하고 시정 조치를 취하며 고객이 대안을 식별하도록 도울 수 있습니다.

5. 작업 자동화(Task Automation)

로봇 프로세스 자동화(RPA)는 의료 분야, 특히 청구 처리에서 점점 더 사용되는 AI 형태입니다. RPA는 소프트웨어 로봇을 사용해 반복 작업을 자동화·표준화해 인력을 더 가치 높은 업무로 해방시킵니다. 공급망에서 RPA는 계약 관리 작업 자동화(가격 확인, 계약 조항으로 조달 시스템 채우기 등)에 사용됩니다.

AI 성공의 전제조건: 데이터 거버넌스와 의사결정 권한

AI 의존성. 많은 신기술처럼 AI가 임상·운영·재무 성과와 환자·임상가 경험을 개선할 수 있다는 데 상당한 기대가 있습니다. 동시에 AI가 약속을 이행하기 위해 갖춰야 할 것들에 대한 논의는 상대적으로 적습니다.

가장 과소평가된 영역 중 하나가 데이터 거버넌스입니다. AI의 장점은 인간이 훨씬 더 오래 걸려 해독하거나 불가능할 패턴과 숨은 상관관계를 식별하기 위해 대량 데이터를 분석할 수 있다는 것입니다. 또한 문제 해결에 영향이 있을 것 같은 의심 변수까지 광범위한 변수를 AI 엔진에 공급할 수 있습니다. 하지만 도구 정교함에도 불구하고 '쓰레기 넣으면 쓰레기 나온다'는 옛 격언은 여전히 적용됩니다. AI 이니셔티브 시작 전, 충분한 데이터(여러 출처에서 나온)가 있고, 데이터가 잘 정의된 데이터 정책, 표준, 정의, 프로세스를 준수하는지 확인하십시오.

마지막으로, 의사결정을 보강하는 데 AI를 어느 정도 활용할지 고려하십시오. 즉, 시스템이 통찰과 권고를 제공하되 인간이 최종 선택하게 할지, 아니면 의사결정을 완전 자동화할지. AI의 마술과 신비는 시스템이 어떻게 결정하는지 투명성이 부족하다는 데 있습니다. 지속적으로 학습하고 변수 선택·가중·연결 방식을 바꾸며 결론에 도달하기 때문입니다. 특히 환자 치료 결정 다루는 경우 시스템에 신뢰가 생겼을 때만 인간이 개입하지 않고 시스템이 결정하고 행동하는 AI 적용으로 이동해야 합니다.

데이터 기초 위에 선 AI의 미래

AI와 머신러닝의 의료 분야 잠재력은 경외감을 불러일으킵니다. 매일 생성되는 급속히 확장되는 지식 부를 어떻게 활용할지 고려할 때 특히 그렇습니다. 반면 의료 다양한 측면에 AI를 최적으로 적용하는 법에 대해 아직 배울 게 많습니다. AI의 안내로 새로운 고지에 오르려 할 때, AI가 구축된 기초를 기억하는 게 중요합니다. 여러분 AI 이니셔티브가 정확하고 완전하며 표준화되고 정규화된 데이터를 기반으로 하는가? 그렇다면 하늘이, 겉보기엔, 한계입니다.

카렌 콘웨이(Karen Conway)는 GHX의 헬스케어 가치 부사장입니다.