돈 버는 의료인공지능은
따로 있다
카카오벤처스 디지털헬스케어 스터디_20241008
KV's Note
의료인공지능이 병원에서 쓰이는 것을 넘어 수익을 창출하기 위해서는 개발 단계에서부터 어떤 지역에서 어떤 수가 구조와 코드를 받아 운영할지 설계하고 시작하는 것이 중요해졌습니다.
인터뷰에서는 가치 기반 지불제 활용이나 무작위 대규모 임상시험 등 장기적이고 비용이 많이 드는 요소들을 제시하고 있습니다. 모든 의료 인공지능이 이러한 경로를 따라야 하는 것은 아니지만, 모델의 개발뿐만 아니라 시장 적응 측면에서도 큰 자본이 필요한 방향으로 흐르고 있습니다.
10월 2주 차 디헬 이슈
돈 버는 의료인공지능은 따로 있다
지금까지 미국 FDA는 인공지능과 머신러닝을 사용하는 950개의 의료기기를 승인했습니다. 그러나 실제로 환자 치료에 의미 있는 영향을 미친 기기는 그보다 훨씬 적습니다.
오늘의 레터는 스탠포드의 인공지능 연구자 James Zou 교수가 의료전문매체 STAT와 진행한 인터뷰 내용을 다룹니다. Zou 교수는 의료 인공지능의 개발을 넘어서, 기술을 의료 시스템에 효과적으로 도입할 수 있는 방법을 연구하고 있습니다. 그는 최근 발표한 두 편의 논문에서 FDA 승인을 받은 의료 인공지능 중 소수만이 실제로 보상을 받고 있다고 밝혔고, 논문 내에서 의료 시스템이 의료 AI에 비용을 지불할 수 있는 다양한 모델을 탐구했습니다.
이 주의 뉴스
STAT, by Katie Palmer, 2024년 9월 30일
청구 데이터를 기준으로 볼 때,
의료 분야에서 AI는 어떤 방식으로 도입되고 있나요?
현재 FDA에서 승인 또는 허가한 의료기기는 거의 1,000개에 이릅니다. 특히 지난 몇 년 동안 다수의 기기가 시장에 출시되었죠. 하지만 저희 분석에 따르면, 보험사의 지불 데이터를 기준으로 봤을 때 실제로 널리 사용되고 있는 의료 AI는 극히 적습니다. 그중에서도 단 4개 기기만이 두드러지게 사용되고 있음을 확인했습니다. 물론 보험 청구 없이 AI를 활용하는 경우도 있을 수 있겠지만, 이 부분은 파악하기 어렵고 모호한 면이 있습니다.
시간이 지남에 따라 더 많은 기기가 본격적으로 도입될 것이라고 보시나요?
아니면 더 널리 쓰이는 데 어려움이 있을까요?
새로운 의료 AI 기기가 계속해서 출시됨에 따라, 이러한 기기들에 대한 보상 체계도 점차 개선될 것으로 예상됩니다. 하지만 그럼에도 불구하고 승인받은 기기 중 일부만 널리 사용될 가능성이 큽니다.
저희가 연구에서 도출한 첫 번째 인사이트는, 의료 AI가 규제 승인을 받는 것은 '시작'일 뿐이라는 점입니다. 가장 어려운 부분은 실제로 기기에 대한 보상 체계와 재무 모델을 구축하는 단계입니다. CPT 코드나 수가 코드를 받는 데만 1~2년, 때로는 그 이상이 걸릴 수 있습니다.
FDA 승인과 보험 수가 간의 간격이 상당히 길어서 (그 기간 동안 매출이 없다보니) 많은 스타트업이 버티기 어려워합니다. 우리는 이것을 의료 스타트업의 '죽음의 계곡'이라 부르기도 합니다. 수백 개의 알고리즘이 FDA 승인을 받지만, 그 간격을 넘어서 지속 가능한 재무 모델을 구축한 경우는 매우 드물다는 것을 알 수 있습니다.
보험 수가가 책정된 의료기기의 도입을 촉진하는 요인은 무엇인가요?
가장 중요한 단일 요인으로는 학술병원이 있습니다. 교육과 연구를 겸하는 대형 의료기관이 존재할 경우, 의료 AI 기기 도입이 10배 이상 증가하는 경향이 있습니다. 또 다른 중요한 요인으로는 대도시 및 소득이 높은 지역을 들 수 있습니다. 이는 다른 기술들이 사회에 도입될 때도 나타나는 비슷한 추세입니다.
그렇다면 의료 AI 개발자는 어떤 전략을 택해야 할까요?
이미 자원이 풍부한 대학병원을 우선 타겟팅하는 것이 좋을까요,
아니면 채택률이 낮은 지역에서 접근성을 확대하는 쪽에 더 큰 잠재력이 있을까요?
아주 중요한 질문입니다. 이는 잠재적인 기회와 앞으로의 과제를 모두 내포하고 있는 이슈죠. 학술 의료 센터가 의료 AI 도입의 초기 선두주자가 된 이유는 이곳에서 시범 도입을 진행하기가 더 수월하기 때문입니다. 이런 곳들은 IT 인프라가 잘 구축되어 있을 뿐 아니라 일부 알고리즘이 병원이나 근처 대학과의 협력으로 개발되기 때문이죠. 스탠포드에서 개발한 EchoNet 알고리즘도 스탠포드 병원에서 초기 테스트가 진행되었던 것처럼요.
앞으로는 이와 같은 알고리즘이 학술 센터뿐만 아니라 지역 병원에서도 더 널리 사용될 수 있는 기회가 생길 것이라고 생각합니다. 특히 자동화된 시스템 중 일부는 지역 병원에서 큰 가치를 발휘할 것으로 보고 있습니다.
하지만 미개척 시장을 찾아내서 그 사람들이 널리 사용하고 보상을 받는 방법은
너무 어려운 도전처럼 보이는데요.
맞습니다. 제 연구에서 보험 청구 데이터를 분석한 결과, AI 기기를 유지하기 위한 재무 모델을 구축하는 것이 가장 큰 난관이자 중요한 과제라는 점을 확인했습니다. 단순한 행위 기반 수가책정을 넘어서는 새로운 재정 모델을 구상할 수 있을까요? 이에 대해 알아보고자 저희는 두 번째 논문에서 이미 활용되고 있는 다양한 재정 모델들을 분석하여, AI 도입을 촉진할 수 있는 더 적합한 방안들을 탐구해 보았습니다.
그중 어떤 모델들이 있나요?
가치 기반 치료가 대표적인 대안입니다. 이는 다른 맥락에서도 많이 논의된 주제인데, 의료 AI 도입을 확산시키는 데 중요한 인센티브가 될 수 있습니다. 많은 AI 알고리즘은 진단의 정확도나 서비스의 질을 향상하고, 효율성을 높이는 데 기여합니다. 이러한 가치 제안은 가치 기반 수가제 또는 포괄수가제에서 큰 의미를 가질 수 있습니다.
현재 의료 AI에 가치 기반 치료가 적용된 비즈니스 모델 사례가 있을까요?
사실 이에 대해 좋은 사례를 찾는 것이 쉽지 않긴 합니다. 대부분의 가치 기반 치료 사례에서 AI 알고리즘은 큰 워크플로의 하나의 구성 요소일 뿐입니다. 따라서 AI의 기여도를 명확하게 파악하는 것이 어려운 상황입니다.
그렇다면, 행위 기반 수가제처럼 CPT 코드를 받지 않더라도
실제로 AI가 사용되었는지 데이터로 확인할 수 있는 방법이 없다면
AI의 기여도를 측정하기가 힘들겠네요.
맞습니다. 이 문제는 흔히 말하는 '닭과 달걀' 문제와 비슷합니다. 이에 대한 하나의 해결책은, 의료 AI 알고리즘이 보상을 받기 전에 더 많은 전향적 사용자 연구를 수행하는 것입니다.
예를 들어, EchoNet 알고리즘은 심장초음파 평가에 사용되는데, 올해 4월 FDA 승인을 받기 전에 Cedars-Sinai에서 임상 워크플로 내 무작위 임상 시험을 진행했습니다. 우리는 이 알고리즘이 표준 방법과 비교했을 때 심장 전문의의 시간을 얼마나 절약했는지 측정했고, 매우 긍정적인 결과를 얻을 수 있었습니다. 이를 통해 이 알고리즘의 전반적인 가치를 추정할 수 있었죠.
하지만 시간을 절약하는 것 외에 더 측정하기 어려운 가치들도 있지 않나요?
시간 절약이 정말로 환자 치료에 긍정적인 영향을 미치지 않을 수도 있지 않나요?
그렇죠. 저는 이것이 저희가 관심을 가져야 할 지표라고 생각합니다.
EchoNet 알고리즘을 사용한다고 해서 이것이 실제로 환자들이 뇌졸중이나 다른 합병증에 걸릴 위험을 줄여줄 수 있을까요? 현재의 의료 시스템에서는 이것을 명확히 측정할 방법이 부족합니다. 그래서 대부분의 AI 개발자나 기업들은 시간 절약이나 정확성 향상 같은 중간 지표에 의존할 수밖에 없습니다.
저희 연구에서는 배출 분율을 평가하는 정확도가 향상된 것도 확인했습니다. 배출 분율을 더 정확히 추정하면 질병 X, Y, Z를 더 잘 감지할 수 있지만, 여기에는 더 많은 추론이 필요합니다.
그렇다면 교수님이 개발한 EchoNet 알고리즘의 수익화 전략은 무엇인가요?
저희는 현재 두 가지 전략을 추진 중입니다. 첫 번째는 의료 시스템 및 공급자들에 접근해 이 알고리즘에 대한 라이선스 비용을 지불할 의향이 있는지 확인하는 것입니다. 두 번째는 Philips나 Siemens 같은 영상 장비 공급업체와 협력하여 이 AI 알고리즘을 그들의 장비에 통합하는 방안을 모색하는 것입니다.
FDA 승인이 필요 없는 헬스케어 알고리즘이 많이 있습니다.
의료 AI가 규제 및 수가 책정 문제를 피하고자 FDA 승인이 필요 없는 알고리즘을 개발하는 경향이 있나요?
최근 큰 트렌드 중 하나는 ChatGPT와 같은 대규모 언어 모델을 활용하는 방향으로의 전환입니다. 현재 FDA에서 승인한 대부분의 알고리즘은 주로 이미지를 분석하고 예측하는 컴퓨터 비전 알고리즘입니다. 하지만 최근 등장하는 알고리즘은 대규모 언어 모델을 기반으로 하는 경우가 많아졌습니다. 이러한 언어 모델들은 규제 측면에서 사실상 '회색 지대'에 위치하고 있는데요. 해당 문제에 대해 FDA도 논의 중이라고 생각합니다.
카카오벤처스가 제공하는 디지털 헬스케어 이슈를 매주 확인하고 싶다면?
▼ 다른 주제의 디지털 헬스케어 스터디도 확인해 보세요!
