핵심 요약

• 105건의 연구를 종합하면 예약 진료의 평균 23% 안팎이 환자가 연락 없이 나타나지 않는 노쇼로 끝납니다. 예약 알림은 이 비율을 낮춥니다.
• 한 무작위 대조 시험에서는 병원 직원이 직접 건 알림 전화가 자동 메시지보다 효과가 컸습니다. 대화형 헬스케어 AI 음성 에이전트가 좁히려는 것이 바로 이 격차입니다.
• 퇴원 후 대개 한 차례 거는 짧은 사후 전화만으로는 30일 이내 재입원이 줄지 않았습니다. 연구 결과는 그 대신 고위험 환자를 겨냥한 보다 폭넓은 지원이 필요할 수 있음을 시사합니다.
• 설문에 응한 미국 의료기관의 절반이 생성형 AI를 도입했습니다. 환자 참여는 헬스케어 분야의 생성형 AI에서 가장 유망한 영역 중 하나로 꼽히지만, 실제로 도입한 곳은 아직 적습니다.
• AI가 기업 이익(EBIT)에 조금이라도 기여했다고 답한 응답자는 37%에 그쳤습니다. 상위 6%의 고성과 그룹에서는 4분의 3 가까이가 업무 흐름을 재설계한 반면, 나머지 응답자는 4분의 1에 불과했습니다.

들어가며

비어 있는 진료 예약 슬롯과 퇴원 환자가 받지 않은 전화는 사실 같은 문제입니다. 두 경우 모두 병원이 가장 중요한 순간에 환자와의 연결을 놓친 것입니다.

105건의 연구를 보면 예약의 약 23%가 노쇼로 끝납니다. 노쇼(예약 부도)란 환자가 취소 연락 없이 예약된 진료에 나타나지 않는 것을 말합니다. 또한 2016년부터 2020년까지 미국 입원 100건당 약 14건은 30일 안에 재입원으로 이어졌습니다. 그사이 의료 시스템 경영진은 인력 문제를 최대 고민으로 꼽고 있습니다.

그래서 병원들이 주목하는 것이 환자에게 스스로 전화를 거는 음성 프로그램, 즉 AI 아웃바운드 콜봇입니다. 2025년 Mount Sinai의 시범 운영에서는 대규모 언어 모델(LLM) 기반 헬스케어 AI 음성 에이전트가 환자에게 안내 사항을 전달하고, 정보를 수집하고, 질문에 답하고, 필요할 때 간호사에게 연결했습니다. 다만 자동화만으로는 충분하지 않으며, 이 글에서는 그 이유를 살펴봅니다.

병원의 진료 역량을 갉아먹는 두 가지 문제

예약 부도. 105건의 연구를 분석해 Health Policy에 실린 체계적 문헌고찰에 따르면 평균 노쇼율은 약 23%이며, 오세아니아 13.2%부터 아프리카 43.0%까지 지역별 차이가 큽니다. 같은 문헌고찰에서는 예약일까지 대기 기간이 길다는 점과 과거 노쇼 이력이 가장 흔히 보고된 위험 요인으로 꼽혔습니다. 즉 노쇼는 무작위로 일어나지 않으며, 병원 예약 부도율 감소는 나중에 되돌릴 수 없는 진료 시간을 되찾는 일입니다.

퇴원 후 재입원. 미국 Agency for Healthcare Research and Quality(AHRQ)에 따르면 30일 재입원율은 2016년부터 2020년까지 입원 100건당 13.9건으로 유지되었고, 2020년 Medicare 적용 입원은 17.0건이었습니다. 2020년 한 해 동안 재입원은 약 385만 건에 달했으며, 건당 평균 비용은 16,300달러로 첫 입원보다 12.4% 높았습니다.

두 문제 모두 많은 환자에게 전화로 연락해야 하며, 이는 병원 전화 업무 자동화의 핵심 역할입니다.

환자 연락에 관해 연구가 말해 주는 것

예약 알림은 효과가 있습니다. BMJ Open에 실린 메타분석(여러 선행 연구의 결과를 종합한 연구)은 21건의 무작위 대조 시험을 분석했습니다. 문자 알림을 받은 환자는 예약을 놓칠 가능성이 25% 낮았고(15% 대 21%), 알림을 여러 번 보내면 한 번만 보낼 때보다 내원율이 높았습니다. 병원 외래 진료 환경의 무작위 대조 시험 10건을 분석한 2026년 메타분석에서도 알림은 내원율을 높였으며, 특히 전화 알림이 뚜렷한 효과를 보였습니다. 이 연구들은 병원 예약 알림에 투자해야 할 설득력 있는 근거를 제시합니다.

The American Journal of Medicine에 실린 한 무작위 대조 시험은 대학 병원 외래 환자 1만 명 가까이를 비교했습니다. 노쇼율은 병원 직원이 전화한 경우 13.6%, 자동 녹음 메시지는 17.3%, 알림이 없을 때는 23.1%였습니다. 이 3.7%포인트의 차이가 바로 헬스케어 AI 음성 에이전트가 좁히고자 하는 격차입니다.

퇴원 후 전화는 사정이 다릅니다. Annals of Internal Medicine에 실린 2025년 체계적 문헌고찰 및 메타분석은 대부분 퇴원 후 며칠 이내에 한 번 거는 전화를 다룬 13건의 연구를 살펴봤습니다. 그 결과 30일 이내 재입원이나 응급실 방문은 줄지 않았으며, 연구진은 고위험 환자에게 보다 폭넓은 지원이 필요할 수 있다고 제안했습니다.

교훈은 단순합니다. 여러 번 연락하고, 모든 통화를 양방향으로 설계하며, 위험도가 가장 높은 환자에게 먼저 전화해야 합니다.

AI 아웃바운드 콜봇의 작동 방식

AI 아웃바운드 콜봇은 다섯 가지 구성 요소로 이루어집니다.

• 트리거: 전자의무기록(EHR)과 예약 시스템이 전화가 필요한 환자를 선별합니다.
• 위험도 모델: 노쇼 가능성이 높은 환자와 고위험 퇴원 환자가 먼저 연락받도록 우선순위를 매깁니다.
• 언어 모델: 헬스케어 LLM(최신 챗봇에 쓰이는 대규모 언어 모델)이 의료진이 승인한 스크립트 안에서만 대화를 이끕니다.
• 음성·전화 도구: 음성과 텍스트를 서로 변환하고 실제 전화를 겁니다.
• 인계 경로: 긴급한 사례는 사람에게 넘기고, 통화 내용은 환자 기록에 저장합니다.

헬스케어 분야의 생성형 AI는 정해진 메뉴를 따르는 대신 상황에 맞는 응답을 새로 만들어 내므로, 환자가 말을 끊거나 질문하거나 일정을 바꾸려 해도 자연스럽게 대응할 수 있습니다.

노쇼 환자 재예약

전화는 진료 며칠 전, 고위험 환자부터 시작됩니다. 에이전트는 예약을 확인하거나 새로운 시간을 제안하며, 환자가 취소하면 빈 슬롯은 대기자 명단의 다른 환자에게 돌아갑니다. 그래도 환자가 진료에 오지 않으면 당일 재예약 전화로 예약을 다시 잡습니다.

퇴원 후 사후관리

퇴원 후 환자 사후관리 자동화는 한 번의 통화가 아니라 연속적인 확인 과정일 때 가장 효과적입니다. 에이전트는 복약, 증상, 외래 진료 예약에 관해 의료진이 승인한 질문을 던집니다. 위험 신호가 나오면 간호사 즉시 연결(warm transfer)로 통화가 곧바로 간호사에게 넘어갑니다. 고위험 환자는 퇴원 후 30일 동안 반복적으로 확인 전화를 받으며, 이는 고위험 환자에게 더 많은 지원이 필요할 수 있다는 Annals 연구의 지적과도 맞닿아 있습니다.

실제 사례

뉴욕의 Mount Sinai Fuster Heart Hospital에서는 대규모 언어 모델 기반 AI 음성 비서가 심장 카테터 시술을 하루 앞둔 환자 701명에게 90일 동안 총 806통의 전화를 걸었습니다. 학회 초록으로 발표된 결과에 따르면 전체 통화의 86.4%가 완료되었고, 36.6%는 간호사의 추가 연락이 필요하지 않았습니다. 12.2%는 사람에게 인계되었고, 6.0%는 AI 시스템 오류로 중간에 종료되었습니다. 환자 만족도 점수는 94.9%였으며, 시스템은 AI와 간호사의 협업으로 운영되었습니다.

주류로 자리 잡은 헬스케어 분야의 생성형 AI

McKinsey가 2025년 말 미국 의료기관 리더 150명을 대상으로 진행한 설문에서 소속 기관이 생성형 AI를 도입했다는 응답이 처음으로 50%에 도달했습니다. 2023년 말 25%에서 늘어난 수치입니다. 또한 19%는 에이전틱 AI(단순히 답하는 데 그치지 않고 스스로 작업을 수행하는 AI)를 도입했고, 51%는 시험 중입니다.

리더들은 환자 참여를 가장 유망한 분야 중 하나로 꼽았지만 실제로 적용한 곳은 많지 않았으며, 그만큼 AI 기반 환자 참여는 다음으로 메워야 할 공백입니다. Deloitte 조사에서도 의료 시스템 경영진은 AI 에이전트를 통한 환자 사후 연락을 매출 성장 요인 중 하나로 꼽았습니다.

일부 조직만 AI로 성과를 내는 이유

McKinsey의 2026년 설문(응답자 1,719명)에 따르면 응답자의 44%가 AI를 전사적으로 확산하고 있다고 답했지만, EBIT(이자 및 법인세 차감 전 이익)에 조금이라도 영향이 있었다는 응답은 37%에 그쳤습니다. McKinsey는 AI가 자사 EBIT의 5% 이상에 기여하고 상당한 가치를 낸다고 답한 약 6%를 '고성과 그룹(high performers)'이라고 부릅니다. 고성과 그룹의 4분의 3 가까이는 AI를 중심으로 업무 흐름을 재설계했으며, 나머지 응답자는 4분의 1에 그쳤습니다. 또한 리더의 적극적인 관여와 명확한 성과 측정 체계를 갖췄다고 답한 비율이 다른 응답자의 두 배에 달합니다.

헬스케어에서도 같은 양상이 나타납니다. McKinsey 헬스케어 설문에서 리더의 82%가 긍정적인 투자수익률(ROI)을 기대했지만, Deloitte 조사에서는 51%가 수익을 측정하지 않았거나 판단하기 이르다고 답했고, 상당한 수익을 거둔 곳은 3%에 불과했습니다. AI 아웃바운드 콜봇은 내원율, 채워진 예약 슬롯, 간호사 인계 건수를 쉽게 셀 수 있다는 점에서 유리합니다.

병원 전화 업무 자동화의 확산을 가로막는 요인

McKinsey 헬스케어 설문에서는 기존 시스템과의 연동이 가장 큰 장애물로 꼽혔고, 43%가 위험과 안전 문제를 걸림돌로 지목했습니다. Gartner는 에이전틱 AI 프로젝트의 40% 이상이 비용 증가, 불분명한 가치, 부적절한 위험 통제로 인해 2027년 말까지 중단될 것으로 전망했습니다. 병원 전화 업무 자동화를 추진할 때는 다음을 준비해야 합니다.

• 연동: 예약 시스템, 대기자 명단, 진료팀 업무 목록을 읽고 쓸 수 있어야 합니다.
• 안전: 명확한 스크립트 범위, 위험 신호의 신속한 보고 체계, 정기적인 통화 기록 검토가 필요합니다.
• 환자 도달률: 전화 수신율, 통화 동의 규정, 다양한 언어에 대한 인식 정확도를 고려해야 합니다.
• 책임 소재: 콜센터, 간호 부서, IT 부서를 아우르는 책임자가 있어야 합니다.

병원 리더를 위한 실행 로드맵

성공하는 병원은 자동화된 환자 사후관리를 단순한 소프트웨어 구매가 아니라 새로운 서비스 운영 방식으로 접근합니다.

• 작게 시작하기: 환자가 많은 클리닉 한 곳에서 집중적인 시범 운영을 시작하고, 먼저 기준 수치를 기록합니다.
• 위험도 중심으로 접근하기: 대기 기간이 길거나 노쇼 이력이 있는 환자부터 연락하고, 강도 높은 퇴원 후 관리는 고위험 환자에게 집중합니다.
• 사람의 개입 유지하기: 인계 기준과 통화 기록 검토 방식을 도입 전에 정합니다.
• 확장 전에 연동하기: 채워진 슬롯과 통화 기록이 EHR에 자동으로 반영되도록 합니다.
• 활동이 아닌 성과 측정하기: 연락 성공 환자 수, 내원율, 채워진 슬롯, 절감된 직원 시간, 대상 환자군의 재입원율을 추적합니다.

맺음말

예약 부도와 퇴원 후 관리 공백은 결국 환자와 연락이 닿느냐는 하나의 문제로 귀결됩니다. 의료 시스템 경영진이 인력 문제를 최대 고민으로 꼽는 상황에서 전화 업무를 위해 인력을 늘리기는 쉽지 않습니다. 자동화된 환자 사후관리는 직원만으로는 감당하기 어려운 범위까지 양방향·반복 연락을 넓혀 주며, 그 결과를 쉽게 측정할 수 있는 AI 기반 환자 참여 방식입니다.

동시에 근거는 분명한 한계도 보여 줍니다. 예약 알림은 효과가 있습니다. 자동 메시지는 직원 전화보다 효과가 떨어집니다. 짧은 사후 전화만으로는 재입원이 줄지 않았습니다. 성과를 내는 병원은 약 6%에 해당하는 AI 고성과 그룹처럼 업무 흐름을 재설계하고, 리더가 적극적으로 관여하며, 처음부터 성과를 측정합니다.

‍
예약 부도를 줄이고 환자 참여를 높이는 AI

이 기사에서 소개한 아웃바운드 콜봇 활용 사례는 CareAI가 국내 500개 이상의 의원 및 병원에서 이미 실현하고 있는 기능입니다. CareAI의 24시간 AI 콜봇은 예약 알림과 사후 연락을 선제적으로 처리해 예약 부도율을 30% 낮추고 웹 예약 전환율을 2.5배 높입니다. 실시간 EMR 연동을 통해 모든 아웃바운드 응대는 검증된 환자 데이터를 기반으로 이루어집니다. 헬스케어 및 기업용 AI 솔루션 전반이 궁금하시다면 메이크봇(Makebot)을 방문해 보세요.