I’m looking to gather specific numbers and perform a deep analysis on chronic diseases in Korea. I have figures like hypertension affecting around 13 million people, diabetes around 6 million, and dyslipidemia about 12 million. Additionally, I should reference that chronic diseases account for approximately 80% of deaths globally. With Korea’s aging population projected to surpass 20% elderly by 2026, I’m considering how AI can transition into chronic disease care. There are concerns about reimbursement, data integration, algorithm bias, and privacy that I need to address.
2026년 4월 9일 보건복지부가 만성질환 의료 전 주기의 ‘AI 전환’을 추진하겠다고 밝힌 것은 단순한 디지털화 선언이 아니다. 한국 의료비 증가의 가장 큰 압력을 만드는 고혈압·당뇨병·이상지질혈증·심부전 같은 만성질환을, 병원 방문 이후가 아니라 발병 위험 예측부터 약 복용 관리, 합병증 조기 경보, 재입원 방지까지 한 흐름으로 관리하겠다는 신호다. 이미 한국은 65세 이상 인구 비중이 20% 안팎에 이르는 초고령사회 문턱을 넘어섰고, 건강보험 청구와 국가 통계를 종합하면 고혈압 관리 대상은 1300만명 안팎, 당뇨병 유병자는 600만명 안팎으로 추산된다. 이 규모의 환자를 기존 외래 중심 방식만으로 붙잡아 두기 어렵다는 현실이 정책의 출발점이다.
핵심은 ‘AI를 도입한다’는 기술 자체가 아니라, 한국 의료가 그동안 가장 취약했던 지점을 겨냥했다는 데 있다. 만성질환 치료는 대개 응급수술처럼 한 번의 고난도 처치로 끝나지 않는다. 환자는 진단 후 수년, 길게는 수십 년 동안 식사·운동·복약·검사·합병증 예방을 반복해야 한다. 문제는 이 반복 과정에서 탈락률이 높다는 점이다. 복약 순응도 저하, 검사 지연, 의원-병원 간 정보 단절, 방문 간격이 긴 사이 악화되는 혈압·혈당 변동이 누적되면 결국 뇌졸중, 심근경색, 투석, 실명 같은 고비용 합병증으로 이어진다. 복지부가 ‘전 주기 AI’를 꺼낸 이유는, 기술 과시가 아니라 이 누수를 줄이지 않으면 건강보험 재정과 지역 의료 모두 버티기 어렵다는 구조적 압박 때문이다.
왜 지금 만성질환 AI 전환인가
한국 건강정책의 가장 무거운 짐은 감염병이 아니라 만성질환이다. 질병 양상은 오래전부터 바뀌었지만, 의료 전달체계와 지불제도는 여전히 ‘아프면 병원에 와서 진료받는’ 단발성 구조에 머무는 면이 강했다. 그러나 고혈압과 당뇨병은 증상이 약해 환자 스스로 관리 동기가 떨어지기 쉽고, 진료실에서 3~5분 설명만으로 생활습관을 바꾸게 만들기는 현실적으로 어렵다. 결국 임상적으로 중요한 것은 처방 한 번이 아니라, 진료실 밖 24시간을 어떻게 관리하느냐다.
경제적 압력도 크다. 만성질환은 직접 진료비뿐 아니라 입원, 장기 합병증, 생산성 저하, 가족 돌봄 비용까지 동반한다. 당뇨병 환자가 혈당 조절에 실패해 신장 합병증이 진행하면 약제비 차원을 넘어 투석과 입원, 심혈관 사건 치료가 연쇄적으로 발생한다. 건강보험 재정에서 노인 진료비 비중이 커지는 상황에서, 예방 가능한 악화를 줄이는 체계가 없다면 재정 효율은 급격히 떨어질 수밖에 없다. AI는 이 지점에서 ‘더 빨리, 더 많이 진료’하는 도구가 아니라, 악화되기 전 신호를 찾아내어 비싼 입원을 줄이는 관리 기술로 평가받는다.
공급 측면에서도 시급하다. 지역 의원과 중소병원은 인력 부족, 상담 시간 제한, 교육 수가 미비로 만성질환 관리를 촘촘하게 하기 어렵다. 특히 농어촌과 고령층 밀집 지역에서는 정기 방문 자체가 부담이다. 따라서 AI 전환이 의미를 가지려면 의사를 대체하는 방향이 아니라, 간호사·영양사·코디네이터·돌봄 인력의 업무를 보조하고, 환자별 위험도를 먼저 분류해 의료진 시간을 고위험군에 집중시키는 방식이어야 한다. 정책의 승패는 기술 수준보다 ‘누가, 어느 단계에서, 어떤 환자에게’ 쓰느냐에 달려 있다.
‘전 주기’라는 말의 실제 의미
만성질환 의료 전 주기는 통상 5단계로 나눠 볼 수 있다. 첫째는 위험 예측과 조기 선별이다. 건강검진, 과거 진료기록, 처방 이력, 체중 변화, 가족력, 생활습관 데이터를 활용해 향후 1~3년 내 고혈압·당뇨병 발생 위험이 높은 사람을 분류하는 단계다. 둘째는 진단 이후 초기 개입이다. 검사 수치가 경계선에 있거나 막 약을 시작한 환자에게 식단·운동·복약 교육을 집중해 조기 이탈을 줄인다. 셋째는 장기 모니터링이다. 혈압계, 연속혈당측정기, 스마트워치, 모바일 문진을 통해 집에서 생기는 변동을 읽는다.
넷째는 악화 예측과 개입 우선순위화다. 예를 들어 2주 연속 새벽 고혈당, 체중 급증, 활동량 급감, 처방약 미수령, 최근 응급실 방문 같은 신호가 겹치면, AI가 재입원 위험군 또는 심부전 악화 가능성이 높은 환자를 먼저 추린다. 다섯째는 합병증 예방과 사후관리다. 안저검사, 신장기능 검사, 발 검진 같은 필수 점검이 미뤄지는 환자를 찾아 알리고, 검사 누락 자체를 줄이는 것이다. 즉 전 주기 AI는 진료실 안의 판독 알고리즘 하나를 뜻하지 않는다. 의료기관 밖에서 벌어지는 관리 실패를 데이터로 포착하는 운영 체계에 가깝다.
이 구조가 작동하려면 데이터의 종류가 훨씬 넓어져야 한다. 지금까지는 전자의무기록과 보험 청구자료가 중심이었다면, 앞으로는 생체신호·약국 조제 정보·검진·재택의료 기록·환자 자가 입력 데이터가 연결돼야 한다. 문제는 데이터를 많이 모으는 것이 곧 성과가 아니라는 점이다. 실제 임상에서는 ‘무슨 데이터를 더 볼까’보다 ‘어떤 경고가 왔을 때 누가 대응할까’가 더 중요하다. 경고만 쏟아지고 실행 인력이 없으면 의료진 피로만 커진다. 전 주기 AI의 본질은 데이터 축적이 아니라 행동 가능한 개입 설계다.
가장 큰 기대 효과는 ‘합병증 이전 개입’
이 정책이 현실화될 경우 가장 큰 변화는 진료의 무게중심이 치료에서 예측으로 옮겨간다는 점이다. 예컨대 혈압이 외래에서는 정상이지만 집에서는 지속적으로 높은 ‘가면 고혈압’ 환자, 약 처방은 받지만 실제 복용이 불규칙한 환자, 혈당 수치는 아직 급격히 나쁘지 않아도 체중·수면·활동량 변화가 위험 신호를 보이는 환자를 조기에 찾아낼 수 있다. 이런 환자는 지금까지 의료시스템에서 비교적 늦게 발견됐다. AI가 제대로 쓰이면 ‘큰일 나기 전’ 개입 가능성이 높아진다.
합병증 감소는 환자 개인의 삶의 질과 재정 모두에 큰 차이를 만든다. 뇌졸중, 심근경색, 만성콩팥병, 당뇨발, 실명은 한 번 발생하면 치료비가 급증하고 회복에도 긴 시간이 걸린다. 반대로 혈압·혈당을 일정 범위 안에서 안정적으로 관리하면 입원과 응급실 방문을 상당 부분 줄일 수 있다. 국제 연구에서는 만성질환 원격 모니터링과 맞춤형 피드백이 특정 환자군에서 재입원률과 응급실 방문을 줄인다는 결과가 반복적으로 보고돼 왔다. 다만 한국에서 동일한 효과가 나오려면, 기술을 도입하는 것만으로는 부족하고 실제 진료 동선에 얹혀야 한다.
의료 접근성 개선도 주목할 부분이다. 거동이 불편한 고령자, 독거노인, 섬·산간 거주자, 대형병원 방문이 어려운 환자에게 AI 기반 재택관리와 비대면 모니터링은 단순 편의가 아니라 치료 지속성을 높이는 수단이 될 수 있다. 특히 의원급 의료기관이 표준화된 AI 도구를 활용해 고위험 환자를 추적하고, 필요 시 상급병원과 연계하는 구조가 만들어지면 지역 간 격차를 줄이는 데 의미가 있다. 기술이 대형병원에만 집중되면 격차는 더 벌어지지만, 1차의료 역량을 보강하는 방식이라면 정반대 효과가 가능하다.
그러나 성공을 가르는 것은 기술이 아니라 제도다
가장 먼저 부딪히는 장벽은 수가와 책임 구조다. 의사가 AI 경고를 보고 환자에게 전화 상담을 하거나 간호사가 생활습관 지도를 반복해도, 보상이 불충분하면 지속 가능성이 없다. 한국 의료는 여전히 대면 진찰·검사·처치 중심 보상이 강하다. 만성질환 관리처럼 시간이 많이 들고 눈에 잘 띄지 않는 업무는 제도적으로 저평가돼 왔다. AI 전환이 진짜 정책이 되려면 소프트웨어 구입비 지원보다, 경고 확인·환자 연락·교육·재평가에 대한 지불체계 개편이 먼저다.
법적 책임도 불명확하다. AI가 고위험 환자를 놓쳤을 때 책임은 개발사에 있는지, 의료기관에 있는지, 최종 판단한 의사에게 있는지 현재 구조는 명확하지 않다. 반대로 AI가 과잉 경고를 보내 불필요한 검사와 진료가 늘어날 가능성도 있다. 의료 현장은 원래 보수적일 수밖에 없기 때문에, 책임과 면책 범위를 분명히 하지 않으면 도입 속도는 더딜 수밖에 없다. 특히 판독형 AI보다 관리형 AI는 의사결정 경계가 흐리기 때문에 임상적·법률적 가이드라인이 필요하다.
상호운용성 문제 역시 핵심이다. 한국 의료기관은 전자의무기록 시스템이 제각각이고, 데이터 표준화 수준도 충분히 높지 않다. 대형병원은 그나마 구축 여력이 있지만, 의원급은 인력과 비용이 부족하다. 데이터가 병원마다 다른 형식으로 저장되면 AI는 학습과 적용 모두에서 성능이 흔들린다. 결국 국가 단위 표준, 공공 인프라, 인증 체계가 뒷받침돼야 한다. 이 부분을 건너뛰고 개별 기관에 ‘AI를 써보라’고 주문하면, 시범사업은 늘어나도 전국 확산은 어렵다.
환자 데이터와 알고리즘 편향, 더 민감한 문제
만성질환 AI는 영상판독 AI보다 훨씬 더 많은 생활 데이터에 접근할 가능성이 높다. 혈압·혈당·수면·걸음 수·식사 기록·복약 패턴·거주 환경·돌봄 상황까지 결합되면, 기술적 효용은 커지지만 사생활 민감성도 급격히 높아진다. 환자 입장에서는 “내 건강을 위해 쓰인다”는 설명만으로 안심하기 어렵다. 누가 데이터를 보관하고, 보험사나 고용주로의 간접 유출 위험은 없는지, 동의 철회는 가능한지, 비식별 처리 수준은 충분한지에 대한 명확한 설명이 필요하다.
편향 문제도 작지 않다. AI는 학습에 사용된 데이터의 특성을 닮는다. 대형병원 환자 위주 데이터로 만든 모델을 지역 의원 고령층에 적용하면 성능이 떨어질 수 있다. 디지털 기기 사용이 익숙한 중장년층 데이터가 많고, 저소득층·독거노인·장애인 데이터가 적다면 오히려 가장 관리가 필요한 집단을 놓칠 수 있다. 이는 단순한 기술 오류가 아니라 건강 불평등을 심화시키는 문제다. 성능평가는 전체 평균 정확도뿐 아니라 연령, 지역, 소득, 질환 중증도별 차이를 함께 공개해야 한다.
또 하나의 사각지대는 ‘디지털 역량’이다. 한국은 스마트폰 보급률이 높지만, 만성질환 관리의 핵심 대상은 고령층이다. 앱 알림이 자꾸 와도 내용을 이해하지 못하거나 입력 자체를 번거로워하면 관리 효과는 반감된다. 따라서 AI 전환은 환자 앱을 배포하는 것으로 끝나지 않는다. 보호자, 방문간호, 보건소, 의원 코디네이터가 함께 개입하는 오프라인 보완 구조가 필요하다. 디지털 도구를 잘 쓰는 환자만 더 좋은 서비스를 받는 구조가 되면 정책 목표는 절반만 달성된다.
산업 측면에선 의료 AI의 ‘2막’이 열린다
그동안 한국 의료 AI 산업은 주로 영상 진단 보조나 판독 소프트웨어에 관심이 쏠려 있었다. 흉부 엑스레이, CT, 병리 이미지 등은 기술 검증이 비교적 명확하고 글로벌 시장 진입 경로도 분명했기 때문이다. 그러나 만성질환 관리 AI는 시장 구조가 다르다. 병원 단독 구매가 아니라 건강보험 수가, 재택의료, 공공보건, 웨어러블 기기, 약국, 제약사 지원 프로그램과 연결될 수 있어 산업 파급 범위가 넓다. 잘 설계되면 단순 소프트웨어 판매가 아니라 서비스형 의료관리 시장으로 확장될 수 있다.
제약·디지털헬스케어 기업에도 의미가 크다. 만성질환 치료제는 복약 지속성이 성과를 좌우하는 경우가 많다. 약의 효능이 좋아도 환자가 중도에 복용을 멈추거나 생활습관 관리를 병행하지 않으면 실제 효과는 떨어진다. AI 기반 복약관리와 위험 예측이 도입되면, 치료제를 둘러싼 서비스 경쟁이 본격화될 수 있다. 다만 이 과정에서 특정 회사 제품 중심으로 환자 관리 체계가 설계되면 중립성과 공정성 문제가 생긴다. 공공사업일수록 플랫폼 거버넌스를 투명하게 짜야 한다.
해외 진출 가능성도 있지만, 내수 실증이 먼저다. 의료 AI는 논문이나 시범사업보다 상용화 데이터가 중요하다. 한국이 전국 단위 건강검진, 보험 청구, 비교적 높은 디지털 인프라를 갖췄다는 점은 강점이지만, 실제로 의료현장에서 얼마나 재입원률, 응급실 방문, 합병증 발생, 환자 만족도를 개선했는지 결과가 축적돼야 해외 설득력이 생긴다. 산업 육성과 건강정책을 동시에 노리려면, 성급한 수출 홍보보다 국내 성과지표를 차근차근 쌓는 편이 훨씬 중요하다.
앞으로 1~3년, 무엇이 관건인가
단기적으로는 시범사업 설계가 승부처다. 어떤 질환군부터 시작할 것인지, 예를 들어 고혈압·당뇨병처럼 대상이 넓은 영역을 먼저 볼지, 아니면 심부전·만성콩팥병처럼 재입원 위험이 높아 성과 측정이 쉬운 분야를 먼저 볼지 선택이 필요하다. 정책 효율만 보면 고위험군 집중이 유리하지만, 국민 체감도는 고혈압·당뇨처럼 환자 수가 많은 질환에서 더 높다. 아마 정부는 두 축을 병행하려 할 가능성이 크다. 하나는 대규모 1차의료 관리, 다른 하나는 중증 환자 조기 악화 예측이다.
성과 평가지표 역시 바뀌어야 한다. 단순히 앱 설치 건수, 연동 기기 수, 참여기관 수로는 의미 있는 성과를 증명할 수 없다. 혈압 조절률, 당화혈색소 개선률, 검사 누락 감소, 재입원률, 응급실 방문률, 합병증 발생률, 환자 이탈률, 의료진 업무시간 변화처럼 임상과 운영을 함께 보는 지표가 필요하다. 특히 AI가 의료진 부담을 줄였는지, 오히려 알림 과잉으로 업무를 늘렸는지까지 측정해야 한다. 기술의 성공은 정확도가 아니라 현장 효율성과 환자 결과에서 판가름 난다.
장기적으로는 한국 의료의 역할 재편과 연결될 수 있다. 만성질환 AI 전환이 제대로 안착하면, 상급종합병원은 고난도 합병증과 중증도 높은 환자에 집중하고, 지역 의원은 표준화된 디지털 도구를 기반으로 장기 추적관리를 맡는 구조가 강화될 수 있다. 반대로 제도 설계가 미흡하면 대형병원만 더 많은 데이터를 쌓고 더 좋은 알고리즘을 확보해 쏠림이 심해질 수도 있다. 결국 이번 정책은 ‘AI 도입’ 문제가 아니라 한국 의료가 만성질환 시대에 맞게 1차의료, 재택의료, 디지털 관리체계를 재설계할 수 있느냐를 묻는 시험대다. 2026년 4월 9일의 발표가 진짜 전환점이 되려면, 정부는 기술 시연보다 수가·표준·책임·보안·형평성이라는 어려운 질문에 먼저 답해야 한다. 그 답이 준비될 때 비로소 AI는 미래 홍보 문구가 아니라, 환자의 혈압과 혈당, 그리고 건강보험의 지속 가능성을 동시에 바꾸는 실질적 인프라가 될 수 있다.
