서론

처방 오류는 환자 안전을 위협하는 가장 뿌리 깊고, 동시에 가장 예방 가능한 문제 중 하나입니다. 병원에 입원할 때마다 의료진은 환자의 전체 약물 이력을 실시간으로 재구성해야 하지만, 이 과정은 불완전한 기록이나 급하게 진행된 구두 문진에 의존하는 경우가 많아 위험이 집중되는 지점이 됩니다. 최신 임상 연구는 이 문제의 규모와 조기 발견의 가치를 구체적인 수치로 보여주고 있습니다. AI 임상 의사결정 지원 시스템은 이제 위험한 약물 상호작용, 용량 오류, 누락 사항을 환자에게 도달하기 전에 미리 식별해내고 있습니다. 이 글에서는 최신 동료 심사 연구와 기업 AI 관련 자료를 바탕으로 AI 기반 약물 안전성의 현주소를 살펴보고, 어떤 의료 시스템이 AI 처방 위험 탐지에서 실질적인 성과를 거두는 반면 다른 시스템은 왜 정체되는지, 그리고 헬스케어 AI를 성공적으로 도입한 조직과 여전히 시범 단계에 머무는 조직을 가르는 요인이 무엇인지 분석합니다.

Stanford MedAgentBench: 왜 헬스케어 AI 에이전트는 실제 임상 워크플로우에서 여전히 어려움을 겪는가. 여기서 읽어보세요! 

처방 오류가 여전히 지속되는 안전 사각지대인 이유

약물 조정(medication reconciliation)은 의료 과정에서 의원성 위험이 가장 집중되는 지점이며, 대부분의 의료 현장에서 여전히 수작업으로 이루어지고 있습니다.

• 약사 주도의 약물 조정을 시행한 한 스웨덴 병원의 동료 심사 연구에서는 입원 환자의 47%(95% 신뢰구간 43~51%)에서 적어도 하나의 약물 이력 오류가 발견되었으며, 약물 누락과 잘못된 용량이 가장 흔한 오류 유형으로 나타났습니다.
• 이 47%라는 수치는 예외적인 사례가 아닙니다. 다양한 병원 환경에서 진행된 독립적인 조정 연구들에서도 입원 환자의 약 34%에서 62%에 이르는 불일치율이 일관되게 확인되었으며, 거의 모든 연구에서 약물 누락이 가장 빈번한 단일 오류 유형으로 나타났습니다.
• 심혈관계 약물은 이러한 연구 전반에서 가장 일관되게 문제와 연관된 약물군으로, 여러 연구에서 반복적으로 최상위 범주를 차지했습니다. 한 코호트 연구에서는 입원 시 불일치의 31%를, 다른 연구에서는 잠재적 약물 부작용의 20%를, 또 다른 연구에서는 불일치의 31.5%를 차지한 것으로 나타났습니다. 다만 정확한 비율은 병원의 환자 구성과 연구 방법론에 따라 다소 차이가 있습니다.
• 입원 시 복용 약물 수가 많을수록 약물 이력 오류의 통계적으로 유의미한 예측 요인으로 작용하는 것으로 나타나, 다약제 복용 환자와 만성질환자가 가장 높은 위험을 안고 있음을 확인시켜 줍니다.

신호: 수작업으로 이루어지는 약물 조정은 환자 안전에서 가장 취약한 지점입니다. 근거: 독립적인 연구들을 종합하면 입원 환자의 약 3분의 1에서 2분의 1이 적어도 하나의 미발견 약물 이력 오류를 가지고 있으며, 심혈관계 약물이 가장 빈번한 원인으로 지목됩니다. 시사점: 의료진이 처방을 결정하기 전에 환자의 약물 목록을 약리학적 규칙에 따라 검증할 수 있는 기술 이라며, 가장 규모가 크고 가장 일관되게 입증된 예방 가능한 처방 위험 요인을 해결할 수 있습니다.

바로 이 공백을 메우기 위해 만들어진 것이 AI 기반 약물 안전 관리 도구이며, 이는 병원 시스템이 다소 불확실한 다른 생성형 AI 활용 사례보다 이 영역을 우선적으로 도입하는 이유이기도 합니다.

Philips 설문 조사: 대다수 의료진, AI 활용하지만 공식 교육은 부재. 여기서 자세히 알아보세요! 

최신 임상 연구가 보여주는 AI와 처방 위험 탐지의 현재

AI 처방 분석은 새로운 개념이 아니지만, 머신러닝이 1세대 규칙 기반 경고 시스템을 대체하면서 탐지의 정확도와 특이도가 눈에 띄게 향상되었습니다.

임상시험이 입증한 오류 감소 효과

• 전산 의사결정 지원 시스템에 대한 무작위 임상시험에서는 약물 오류와 약물 부작용이 크게 감소한 것으로 나타났으며, 초기의 한 무작위 시험에서는 미차단 오류가 55% 감소한 것으로 확인되었습니다.
• 한 소아 중환자실(PICU) 연구에서는 의사결정 지원 기능을 갖춘 전산 처방 입력(CPOE) 시스템 도입으로 약물 오류가 95.9% 감소했으며, 잠재적 약물 부작용은 40.9% 감소한 것으로 나타났습니다. 다만 해당 연구는 개선된 오류의 대부분이 복잡한 임상적 오류가 아니라 판독 불가능한 필체나 정보 누락과 관련된 문제였다고 밝히고 있어, 임상적으로 더 의미 있는 수치는 40.9%의 약물 부작용 감소율이라 할 수 있습니다.
• 의사결정 지원 도구에 관한 한 대규모 체계적 문헌고찰에 포함된 개별 연구에서는 전산 처방 입력 시스템 도입으로 약물 부작용이 50% 감소했다고 보고했으며, 이는 구체적인 수치는 의료 현장별로 다르더라도 전체 근거 기반의 방향성과 일치하는 결과입니다.

머신러닝이 향상시키는 경고 정확도

기존 CDSS(임상 의사결정 지원 시스템) 플랫폼의 핵심적인 한계는 '경고 피로(alert fatigue)'였습니다. 가치가 낮은 경고가 지나치게 많아 의료진이 이를 무시하는 데 익숙해지는 현상입니다. 최신 확률 기반·머신러닝 접근법은 이 문제를 직접적으로 해결하고 있습니다.

• 입원 환자를 대상으로 약 78,000건의 처방을 분석한 한 머신러닝 기반 시스템은 전체 처방의 단 0.4%에서만 경고를 발생시키면서도 높은 정확도와 낮은 위양성률을 유지했습니다. 같은 세대의 경고 모델을 검토한 연구에서는 경고의 85%가 임상적으로 타당하다고 평가되었고, 43%는 실제 처방 변경으로 이어졌다고 보고했는데, 이는 낮은 경고 발생 빈도에 비해 매우 높은 임상적 유의성을 보여주는 수치입니다.
• 경고의 40%는 처방 입력 과정 중에 실시간으로 발생했으며, 나머지 60%는 이후 모니터링 단계에서 나타났습니다. 이는 AI 기반 감시 체계가 처방 시점뿐 아니라 그 이후에도 위험을 포착할 수 있음을 보여주는 근거입니다.

이처럼 경고의 수를 줄이면서도 임상적 관련성을 높이는 정밀도 중심의 전환이야말로, 현대의 AI 임상 의사결정 지원 시스템을 10년 전 의료진을 지치게 했던 경고 과잉 시스템과 구분 짓는 핵심 요소입니다.

감지되지 않는 위험의 규모

탐지 기술이 발전하고 있음에도, 연구자들은 대부분의 약물 부작용(ADE)이 여전히 기록되지 않는다고 경고합니다. 70세 이상 성인을 대상으로 한 연구에서는 6개월 내 78%가 적어도 한 번의 약물 부작용을 경험한 것으로 나타났으며, 보다 광범위한 추정치에 따르면 전체 약물 오류 중 공식적으로 보고되는 비율은 단 10~20%에 불과한 것으로 보입니다. 이는 실제 약물 부작용 발생률이 공식 기록보다 5배에서 10배까지 높을 수 있음을 의미합니다. 이러한 보고 공백이야말로, 자발적 신고에 의존하지 않고 정형·비정형 기록을 지속적으로 스캔하는 AI 기반 감시 체계에 의료 시스템과 규제 기관이 투자하는 이유입니다.

AI 건강 상담 도우미, 불필요한 병원 방문을 줄일 수 있을까? 초기 데이터가 말하는 것들. 여기서 계속 읽어보세요! 

헬스케어 분야의 생성형 AI: 도입이 가속화되다

헬스케어 분야의 생성형 AI는 이미 시범 도입 단계를 훌쩍 넘어섰으며, 약물 안전성은 이러한 성숙 곡선의 혜택을 가장 직접적으로 누리는 활용 사례 중 하나입니다.

• 미국 헬스케어 기관의 생성형 AI 도입률은 2023년 말 25%에서 2024년 47%로 증가한 뒤, 2025년 말에는 50%에 도달했습니다.
• 설문에 참여한 리더 중 80% 이상이 최소 한 가지 이상의 생성형 AI 활용 사례를 최종 사용자에게 적용했다고 답했으며, 응답자 전원이 해당 기술을 지속적으로 추진할 계획이라고 밝혔습니다.
• 도입이 성숙 단계에 접어들면서 헬스케어 리더들의 관심은 확장과 통합으로 옮겨가고 있으며, 기존 시스템과의 통합, 내부 역량 부족을 주요 운영상의 장벽으로 꼽고 있습니다.

신호: 이제 도입 자체는 헬스케어 AI의 병목 지점이 아닙니다. 근거: 절반에 달하는 기관이 시범 단계에서 실제 구현 단계로 넘어갔으며, 회의적인 시각이 아니라 시스템 통합의 어려움이 가장 많이 언급되는 장벽으로 자리 잡았습니다. 시사점: 병원과 의료 시스템이 마주한 경쟁의 핵심 질문은 'AI를 도입해야 하는가'에서 '기존 임상 워크플로우 안에서 이를 실제로 운영할 수 있는가'로 옮겨가고 있으며, 약물 안전성 도구는 오류 감소와 입원 기간 단축이라는 ROI를 직접적으로 측정할 수 있다는 점에서 이를 검증하기에 가장 적합한 영역입니다.

7명 중 1명은 병원 대신 AI를 찾는다 - 연구 결과가 말하는 것. 여기서 더 알아보세요! 

왜 일부 기업만 AI에서 더 큰 가치를 얻는가

헬스케어 AI 도입에서 나타나는 이러한 패턴은 주요 리서치 기관들이 조사한 모든 산업 전반에서 확인되는 더 큰 흐름과 일치합니다. 소수의 조직이 대부분의 가치를 차지하는 반면, 대다수는 여전히 시범 단계에 머물러 있다는 것입니다.

• McKinsey, BCG, Deloitte, Accenture, PwC 등의 연구를 종합한 결과에 따르면, 전체 기업 중 5%에서 12%에 불과한 소수 상위 그룹이 AI로부터 불균형적으로 많은 가치를 창출하고 있습니다.
• PwC의 29th Global CEO Survey에 따르면 최고경영자의 56%가 지난 12개월간 AI로 매출 증가나 비용 절감 중 어느 쪽도 얻지 못했다고 답했으며, 이른바 'AI Vanguard'로 불리는 단 12%만이 두 가지 성과를 모두 달성한 것으로 나타났습니다.
• Deloitte의 2026년 기업 설문에 따르면 공식적으로 승인된 AI 도구에 대한 직원 접근성은 1년 만에 40% 미만에서 약 60%까지, 50% 성장한 것으로 나타났습니다. 그러나 접근 권한을 가진 직원 중 실제로 일상 업무에서 이를 활용하는 비율은 60%에도 미치지 못해, 접근성이 확대되더라도 실질적인 성과로 이어지지 못하는 활용 격차가 존재함을 보여줍니다.
• '미래형(future-built)' 기업으로 불리는, 상당한 AI 성과를 창출하는 소수 그룹은 AI로부터 얻은 수익을 인력과 기술 역량 강화에 재투자하고 있으며, IT 지출을 26% 더 늘리고 IT 예산 중 AI에 배정하는 비중을 최대 64% 더 높이고 있습니다. 그 결과, 이들 기업은 2028년까지 같은 영역에서 낙오 기업 대비 두 배의 매출 증가와 40% 더 큰 비용 절감을 기대하고 있습니다.

승자와 낙오자를 가르는 기술적·조직적 요인

이와 동일한 실행력 격차는 임상 현장에서도 그대로 나타납니다. AI 기반 약물 안전 관리 도구를 단순한 소프트웨어 도입이 아니라 워크플로우 재설계의 관점에서 접근하는 의료 시스템, 즉 처방 화면에 경고를 직접 통합하고, 위양성을 줄이기 위해 모델을 지속적으로 튜닝하며, 약사와 의사에게 경고에 대응하는 방법을 교육하는 시스템은 앞서 설명한 수준의 오류 감소 효과를 얻습니다. 반면 기존 처방 프로세스를 그대로 둔 채 경고 도구만 덧붙이는 시스템은 아무리 정교한 모델을 사용하더라도 경고 피로 문제가 지속되는 경향을 보입니다.

AI 모델이 강력해질수록 헬스케어 AI 거버넌스가 더욱 중요해지는 이유. 여기서 전체 기사를 살펴보세요! 

AI 처방 안전성 이니셔티브 확장 시 공통적으로 나타나는 과제

헬스케어 분야의 AI 활용을 확대해 처방 안전성을 높이려는 기업과 의료 시스템들은 공통적으로 비슷한 장애물을 겪고 있다고 보고합니다.

• 통합 마찰 — AI 모델을 기존 전자의무기록(EHR) 시스템 및 약국 플랫폼과 연결하는 과정으로, 헬스케어 리더들이 추가 도입의 주요 장벽으로 꼽는 요인입니다.
• 데이터 품질과 분절화 — 불완전하거나 개별적으로 분리된 환자 기록은 특히 다약제 복용 환자의 경우 모델이 정확한 약물 이력을 재구성하는 능력을 제한합니다.
• 경고 피로 — 1세대 규칙 기반 시스템은 가치가 낮은 경고를 지나치게 많이 발생시켜 의료진이 기본적으로 이를 무시하게 되며, 이는 도입의 안전성 근거 자체를 약화시킵니다.
• 인력 준비도 — AI 역량 격차는 기업 전반의 AI 도입에서 가장 큰 통합 장벽으로 꼽히고 있으며, 임상 인력 역시 예외가 아닙니다.
• 성과 과소 보고 — 약물 오류 중 공식적으로 보고되는 비율이 단 10~20%에 불과하기 때문에, 의료 시스템은 AI 도입이 실제로 위해를 줄이고 있는지 측정할 기준 데이터 자체가 부족한 경우가 많습니다.

엔터프라이즈 병원이 더 안전한 Healthcare AI Systems를 위해 RAG와 GPT-5를 결합하는 방법. 여기서 더 자세히 알아보세요! 

의료 시스템과 기업 의사결정자에게 주는 시사점

근거가 가리키는 방향은 일관됩니다. AI 처방 위험 탐지는 단순한 소프트웨어 구매가 아니라 임상 워크플로우에 대한 투자로 접근할 때 가장 좋은 성과를 냅니다. 가장 강력한 성과를 거두는 의료 시스템은 모델 도입과 함께 프로세스 재설계, 임상진 교육, 후속 성과에 대한 명확한 측정을 병행하는 곳입니다. 이는 고성과 기업과 여전히 AI의 성과를 기다리고 있는 대다수 기업을 가르는 것과 동일한 조합입니다.

AI 임상 의사결정 지원 플랫폼을 검토하는 의사결정자에게는 공급업체의 기능 목록보다 다음 세 가지 질문이 더 중요합니다.

• 의료진이 남아 있는 경고에 실제로 대응할 만큼, 시스템이 위양성 경고를 충분히 줄이는가?
• 모델이 처방 시점에 통합되어 있는가, 아니면 사후적으로 분리되어 작동하는 검토 도구에 불과한가?
• 자발적 신고만으로는 부작용이 제대로 포착되지 않는다는 점을 감안할 때, 시간에 따른 부작용 감소를 추적할 수 있는 측정 체계가 마련되어 있는가?

이 세 가지 질문 모두에 긍정적으로 답할 수 있는 조직이라면, 헬스케어를 비롯한 모든 산업에서 AI 투자를 또 하나의 활용도 낮은 시범 프로젝트가 아니라 측정 가능하고 지속 가능한 성과로 전환하는 소수의 성공적인 도입 그룹에 합류할 준비가 되어 있다고 할 수 있습니다.

한국의 AI 혁신을 세계에 알리다: 이탈리아 SIGIR 2025에서 공개된 메이크봇의 HybridRAG 프레임워크. 여기서 더 읽어보세요!

결론

최신 임상 연구가 보여주는 근거는 명확합니다. AI 기반 약물 안전성 도구가 처방 워크플로우에 제대로 통합될 경우, 수작업 조정 과정에서 반복적으로 놓치는 오류와 약물 부작용을 실질적으로 줄일 수 있습니다. 동시에, 기업의 AI 투자 성과에 관한 연구는 기술 그 자체만으로는 이러한 성과를 보장할 수 없다는 점도 분명히 보여줍니다. 임상적이든 상업적이든 실질적인 성과를 거두는 조직은 AI 도입과 함께 인력 준비, 집중된 활용 사례 선정, 엄격한 성과 측정을 병행하는 곳입니다. 헬스케어 분야의 생성형 AI가 시범 단계에서 실제 운영 단계로 계속 전환되어 가는 가운데, 약물 안전성을 일회성 소프트웨어 도입이 아니라 지속적이고 측정 가능한 전환 과정으로 다루는 의료 시스템이 앞으로 AI 기반 약물 안전 관리가 실제로 무엇을 이뤄낼 수 있는지에 대한 기준을 세우게 될 것입니다.

더 안전한 의료는 더 나은 임상 시스템에서 시작됩니다.

최신 임상 연구가 공통적으로 보여주는 결론은 분명합니다. AI는 처방 위험과 약물 오류, 그리고 약물 부작용을 실질적으로 줄일 수 있습니다. 그러나 이러한 성과는 AI를 단순히 도입하는 것만으로는 얻을 수 없습니다. 의료진의 의사결정 과정과 임상 워크플로우에 AI를 효과적으로 통합하고, 지속적으로 개선할 수 있는 시스템을 구축할 때 비로소 환자 안전과 운영 성과가 함께 향상됩니다.

메이크봇은 이러한 기반을 구축하도록 지원합니다. LLM 기반 AI Chatbot, HybridRAG 지식 시스템, 그리고 엔터프라이즈 AI 워크플로우를 통해 분산된 임상 정보를 신뢰할 수 있는 지식으로 연결하고, 의료진이 더 빠르고 정확한 의사결정을 내릴 수 있도록 지원합니다. 이를 통해 환자 안전은 물론, 운영 효율성과 AI 거버넌스까지 함께 강화할 수 있습니다.

중요한 질문은 의료기관이 AI를 도입할 것인가가 아닙니다. AI를 통해 환자 안전을 높이고, 임상 의사결정을 지속적으로 개선할 수 있는 시스템을 갖추고 있는가입니다.

메이크봇과 함께 생성형 AI를 더 안전한 임상 워크플로우와 측정 가능한 의료 성과로 연결하는 방법을 확인해 보세요.

‍