[근로복지공단] AI 기반 산재 요양기간 자동심사 체계 구축

근로복지공단 AI 자동심사 – 산재 요양기간 결정을 5.7일에서 1.9일로 줄이다

산업재해를 입은 근로자가 치료를 계속 받으려면 진료계획서를 제출하고 요양기간의 적정성을 심사받아야 합니다.

수술이나 입원처럼 복잡한 사례도 있지만, 정해진 기준과 유사한 치료경과를 확인하면 되는 비교적 단순한 사례도 있습니다. 기존에는 두 유형 모두 자문의사의 검토를 거쳤습니다.

문제는 의학자문 수요가 빠르게 늘었다는 점입니다.

진료계획서 자문은 전체 의학자문의 절반인 연간 약 24만 건을 차지하고, 최근 3년간 자문 수요는 42% 증가했습니다. 자문의사 부족으로 일정이 늦어지고, 산재근로자는 결과를 기다리는 동안 치료공백을 걱정해야 했습니다.

근로복지공단은 모든 사례를 같은 절차로 처리하는 대신, AI가 먼저 요양기간의 적정성을 검증하고 전문가 판단이 필요한 사례만 자문의사에게 보내는 방식으로 프로세스를 바꿨습니다.

Challenge – 단순한 진료계획서까지 모두 전문가가 확인했어요

기존 절차에서는 진료계획서를 접수한 뒤 관련 진료과목의 자문의사를 배정하고, 자문의사가 의학적 소견을 작성한 다음 담당자가 승인했습니다.

처리량이 늘어도 전문가가 검토할 수 있는 시간은 제한적입니다. 단순한 요양기간 확인과 복잡한 의학적 판단이 같은 대기열에 들어가면서 중요한 사례에 충분한 시간을 쓰기 어려웠습니다.

판단의 일관성도 과제였습니다.

동일한 사례라도 자문의사의 경험에 따라 의견이 달라질 수 있고, 산재근로자와 주치의 입장에서는 왜 특정 기간이 인정되거나 조정됐는지 이해하기 어려웠습니다.

공단이 AI에 기대한 역할은 의사를 대신하는 진단이 아니었습니다.

과거 유사사례를 바탕으로 예상 요양기간을 제시해 단순사례는 빠르게 처리하고, 기준에서 벗어난 사례는 전문가가 더 깊게 검토하도록 업무 우선순위를 나누는 것이 목표였습니다.

Solution – 58만 명의 산재데이터에서 요양기간 패턴을 학습했어요

공단은 최근 5년 안에 요양이 끝난 산재근로자 59만 명 가운데 필수정보가 부족한 사례를 제외한 약 58만 명을 학습대상으로 삼았습니다.

33개 원천데이터에서 총 8,083,137건을 수집했고, 개인정보는 가명처리했습니다. 연령, 성별, 상병코드, 재해경위, 병원종류, 입원비율, 진료횟수, 주요 검사정보 등 58개 설명변수를 정리한 뒤 중요도와 현장 활용성을 고려해 최종 23개 변수를 선택했습니다.

① 숫자와 텍스트를 함께 읽는 멀티모달 모델을 적용했어요

요양기간은 한 가지 정보만으로 결정되지 않습니다.

상병코드 같은 범주형 데이터, 진료횟수와 같은 숫자, 상세상병명과 재해경위 같은 텍스트를 함께 분석해야 합니다. 공단은 통계모델과 XGBoost, RandomForest, CatBoost, LightGBM, 앙상블모델 등을 비교한 뒤, 여러 형태의 데이터를 함께 처리하는 Multimodal Transformer 기반 회귀모델을 선택했습니다.

초기 Multimodal-net의 평균 제곱근 오차(RMSE)는 58.66, 설명력(R²)은 0.74였습니다. 데이터셋을 진료계획서 단위로 재구성하고 파생변수를 추가해 성능을 최적화한 최종 모델은 RMSE 28.8, R² 0.88을 기록했습니다.

자료에서는 이를 각각 오차 51% 개선, 설명력 19% 개선으로 제시합니다.

② 예측값이 기준에 맞으면 자문을 생략하고, 다르면 전문가가 봐요

업무 흐름은 다음과 같습니다.

진료계획서 접수 → 23개 변수 기반 AI 검증 → 기준 부합 여부 판단 → 담당자 최종검토 → 결과 통보

AI 예측값이 중앙값 또는 기준범위 안에 있으면 자문의사 검토를 생략하고 신속 처리합니다. 기준과 맞지 않거나 의학적 판단이 필요한 경우에는 기존처럼 자문의사가 검토합니다.

AI가 승인 여부를 단독으로 결정하지는 않습니다. AI와 자문의사의 판단이 일치하면 담당자가 확인해 처리하고, 불일치하면 자문의사의 의학적 소견을 우선해 담당자가 최종 결정합니다.

2025년 10월에는 이 절차를 공단 의학자문 운영지침에 반영해 운영근거를 명문화했습니다.

③ 예측기간만 보여주지 않고 유사사례 분포를 함께 제공해요

담당자가 결과를 이해할 수 있도록 유사 산재근로자의 요양기간 분포와 AI 예측일수를 시각화합니다.

모델은 개인정보를 직접 취급하지 않으며, 업무시스템과 AI 사이에는 비식별 데이터만 연계합니다. 운영 중에는 서비스 로그, 오류율, RMSE를 분기별로 확인하고, 최근 5년치 데이터로 매년 재학습할 계획입니다.

Benefit – 처리기간 3.8일을 줄이고 자문의사는 어려운 사례에 집중해요

AI는 2024년 5월부터 시범운영으로 검증됐고, 2025년 2월부터 접수되는 모든 진료계획서에 자동 적용됐습니다.

적용 후 평균 처리기간은 5.7일에서 1.9일로 3.8일 단축됐습니다. 산재근로자는 결과를 더 빨리 받고, 단순한 판단을 기다리느라 치료가 늦어질 가능성을 줄일 수 있게 됐습니다.

의학자문 수당 예산은 2025년 당초 5억4,400만 원에서 AI 적용 후 4억8,000만 원으로 6,400만 원 감소했습니다.

운영인력은 2023년 635명에서 2025년 603명으로 32명 줄었습니다. 자료는 이를 프로세스 개선효과로 제시하지만, 인력감소 전체가 AI만의 직접 효과라고 단정하기보다는 같은 기간의 운영 변화와 함께 보는 것이 적절합니다.

자문의사에게는 더 중요한 변화가 생겼습니다.

기준범위 안의 단순사례는 AI가 먼저 걸러내고, 예측과 실제 진료계획이 다르거나 복잡한 의학적 판단이 필요한 사례에 시간을 집중할 수 있게 됐습니다. AI 자동심사의 목적이 전문가를 없애는 것이 아니라 전문가의 시간을 필요한 곳에 배분하는 것임을 보여줍니다.

고도화 계획 – 자동처리 범위를 25%에서 50%로 넓혀요

현재 확인된 운영성과는 2025년 전면 적용 이후의 처리기간과 예산 개선입니다.

2026년에는 운영성과를 추가 검증하고 모델을 고도화하며, 2027년부터 AI 개발·운영 통합체계와 전담인력을 갖출 계획입니다.

향후 과제로는 입원과 통원을 구분한 예측기간 제공, 주요수술과 항생제 주사제 사용 여부 등 변수 추가, 자문생략 추천비율을 현재 25%에서 50%로 확대하는 방안이 제시됐습니다.

이 비율 확대는 아직 달성 성과가 아니라 목표입니다. 정확도와 현장 수용도를 함께 확인하면서 단계적으로 적용해야 합니다.

마무리 – AI가 단순사례를 정리하면 전문가는 더 어려운 판단에 집중해요

산재 요양기간 심사는 속도와 공정성이 모두 중요합니다.

빨리 처리하려고 복잡한 사례까지 자동화하면 위험하고, 모든 사례를 전문가에게 보내면 대기시간이 길어집니다.

근로복지공단은 AI가 과거 데이터를 바탕으로 기준범위 안의 사례를 먼저 확인하고, 예측이 맞지 않는 사례는 자문의사가 검토하도록 역할을 나눴습니다. 마지막 결정은 담당자가 내립니다.

그 결과 처리기간은 줄고, 전문가는 더 어려운 의학적 판단에 집중할 수 있게 됐습니다.

AI 자동심사의 가치는 사람의 판단을 없애는 데 있지 않고, 사람의 판단이 가장 필요한 곳을 가려내는 데 있습니다.

주요 성과