[국민건강보험공단] AI 기반 물리치료 청구 이상징후 탐지 실증(PoC)

국민건강보험공단 AI 이상징후 탐지 – 7천만 건의 물리치료 청구에서 위험신호를 찾다

국민건강보험은 모든 국민이 필요한 의료서비스를 이용할 수 있도록 만든 사회안전망입니다.

하지만 의료이용이 빠르게 늘면서 보험재정의 지속가능성도 중요한 과제가 됐습니다. 한국의 최근 10년 의료비 증가율은 7.8%로 OECD 평균 5.2%보다 2.6%p 높았고, 건강보험 진료비는 2015년 58조 원에서 2024년 116.7조 원으로 늘었습니다.

재정을 안정적으로 운영하려면 과잉·이상 의료이용을 조기에 발견해야 합니다.

문제는 데이터의 규모입니다.

건강보험공단이 매년 처리하는 청구명세서는 약 15억 건입니다. 사람이 전체를 눈으로 확인해 기관별 진료패턴과 복합적인 상관관계를 찾는 것은 불가능합니다. 기존 규칙 기반 탐지는 알려진 패턴에는 강하지만, 의료행태가 지능화되고 새로운 조합으로 나타날수록 놓칠 가능성이 커집니다.

공단은 이 문제를 풀기 위해 정답표가 없는 데이터에서도 스스로 이상패턴을 찾는 비지도학습 AI를 실증했습니다.

Challenge – 명확한 정답이 없는 15억 건의 청구를 살펴야 해요

부당·과잉청구 탐지는 일반적인 분류문제와 다릅니다.

모든 의료기관의 모든 청구에 ‘정상’ 또는 ‘이상’이라는 정답 라벨이 붙어 있지 않습니다. 진료비가 높다는 이유만으로 이상이라고 할 수도 없습니다. 환자구성, 병원의 진료과목, 내원주기, 상병과 처방의 관계를 함께 봐야 합니다.

기존 통계규칙은 이미 알려진 기준을 빠르게 찾는 데 유용하지만, 여러 진료행위가 새로운 방식으로 조합되면 탐지력이 떨어질 수 있습니다.

또 하나의 과제는 설명가능성입니다.

AI가 특정 의료기관을 고위험으로 분류해도 그 이유를 설명하지 못하면 실제 심사와 행정조치에 활용하기 어렵습니다. 의료기관에 영향을 미치는 판단인 만큼 전문가가 근거를 확인하고 반박 가능성을 검토할 수 있어야 합니다.

따라서 모델은 다음 조건을 만족해야 했습니다.

• 정답 라벨 없이 숨은 이상패턴을 찾을 것

• 단순 금액이 아니라 진료맥락을 함께 볼 것

• 어떤 변수가 판단에 영향을 줬는지 설명할 것

• AI의 결과를 전문가가 다시 검증할 것

Solution – 파생변수와 진료맥락을 두 갈래로 분석했어요

PoC는 최근 의원급 외과외래에서 이용이 크게 늘어난 물리치료를 대상으로 진행했습니다.

2025년 물리치료 청구명세서 7천만 건, 진료내역 4억2천만 줄을 온프레미스 데이터마트에 구축했습니다. 외부 클라우드로 원천데이터를 보내지 않고 공단 내부 환경에서 처리했습니다.

① 상병·행위·약제의 관계를 진료맥락으로 만들었어요

청구데이터에는 상병, 검사, 처방, 행위코드가 따로 기록됩니다. 공단은 물리치료 과정에서 함께 나타나는 코드의 관계를 학습해 ‘진료맥락 임베딩’을 만들었습니다.

Word2Vec을 이용해 상병·검사·처방 등 진료코드의 연관성을 숫자로 표현하고, 의료기관별 청구빈도와 내원주기, 건당 진료비 등 도메인 지식을 파생변수로 구성했습니다.

전문의 그룹과 일반의원 그룹의 통계적 차이도 반영해 특정 집단에 불리한 편향을 줄이도록 데이터를 분리해 학습했습니다.

② 두 개의 이상탐지 모델을 결합했어요

명확한 정답 라벨이 없기 때문에 Isolation Forest 기반 비지도학습을 사용했습니다.

하나의 모델은 의료기관별 파생변수를 학습하고, 다른 모델은 진료맥락 임베딩을 학습합니다. 두 모델의 이상점수를 합산하는 투트랙 앙상블로 최종 위험도를 계산했습니다.

이를 통해 단순히 진료비가 높은 기관만 찾는 것이 아니라, 비슷한 기관과 비교해 진료패턴의 조합이 유난히 다른 곳을 선별합니다.

③ SHAP으로 ‘왜 이상한지’를 설명해요

이상점수만 제시하면 심사담당자가 결과를 신뢰하기 어렵습니다.

공단은 SHAP 기반 설명가능 AI를 적용해 어떤 변수와 진료맥락이 고위험 판정에 영향을 줬는지 보여주는 ‘AI 의심 사유서’를 자동으로 발급하도록 했습니다.

모델이 선별한 사례는 실제 청구명세서와 대조하고, 임상·심사 전문가 자문위원이 의학적 타당성과 행정적 활용 가능성을 검토했습니다.

AI 탐지 → 근거 시각화 → 전문가 검증 → 정답지 축적의 순환구조입니다.

PoC 결과 – 고위험 기관 100곳을 찾고 전문가 일치율 80%를 확인했어요

모델은 이상점수를 기준으로 고위험 의료기관 100곳을 선별했습니다.

PoC의 다섯 가지 성과지표는 다음과 같습니다.

여기서 ‘목표 100% 달성’은 미리 정한 PoC 기능과 산출지표를 구현했다는 뜻입니다. 부당청구액이나 재정 절감액의 절대규모가 공개된 것은 아닙니다.

또한 고위험 기관 100곳은 AI가 조사대상 후보로 선별한 결과이지, 100곳 모두가 부당청구 기관으로 확정됐다는 의미가 아닙니다. 실제 부당 여부와 조치 필요성은 전문가 심사와 행정절차를 거쳐 판단해야 합니다.

따라서 현재 확인된 성과는 대규모 청구데이터에서 설명 가능한 이상신호를 찾아 전문가 검증으로 연결한 PoC 성공입니다. 재정 절감과 환자안전 개선은 후속 적용을 통해 확인해야 할 효과입니다.

시사점과 확장 방향 – 공단 내부 AI 플랫폼의 업무특화 모델로

이번 PoC는 공단 내부 온프레미스 환경에서 AI모델개발부, AI기반부, 일산병원 전문가가 역할을 나눠 수행했습니다.

• AI모델개발부는 데이터 전처리, 파생변수, 투트랙 모델과 XAI를 개발했습니다.

• AI기반부는 가명처리, 폐쇄망 서버, 안전한 데이터 연계를 지원했습니다.

• 일산병원 전문가는 고위험 기관의 의학적·행정적 타당성을 최종 검증했습니다.

이 구조는 다른 의료이용 영역에도 확장할 수 있습니다. 다만 물리치료 PoC에서 확인한 성능이 다른 상병과 진료행위에 그대로 적용된다고 볼 수는 없습니다. 업무별 데이터와 임상근거를 다시 반영해 별도의 모델을 검증해야 합니다.

공단은 내부 온프레미스 AI 플랫폼을 기반으로 업무도메인 특화모델 개발을 활성화해 재정 효율화와 국민건강 보호에 활용하는 방향을 제시했습니다. 이는 향후 확대 방향이며, 전국 단위 자동 심사나 확정 재정절감 실적이 이미 달성됐다는 의미는 아닙니다.

마무리 – AI는 의심신호를 찾고, 사람은 그 의미를 판단해요

건강보험 청구데이터는 너무 많고 복잡해 사람이 전체를 살펴볼 수 없습니다.

AI는 7천만 건의 물리치료 청구에서 비슷한 기관과 다른 패턴을 찾아내고, 어떤 변수가 영향을 줬는지 설명할 수 있습니다. 하지만 이상하다는 신호가 곧 부당청구를 뜻하지는 않습니다.

그래서 이 시스템의 핵심은 탐지율만이 아닙니다.

AI가 고위험 후보와 근거를 제시하고, 임상·심사 전문가가 실제 청구를 확인하며, 그 결과를 다시 정답지로 축적하는 구조입니다.

대규모 데이터는 AI가 살피고, 의료와 행정의 최종 판단은 사람이 맡는 것.

국민건강보험공단의 PoC는 건강보험 재정관리에서 설명가능 AI와 Human-in-the-loop가 왜 함께 필요한지를 보여줍니다.

주요 성과