이미 보유한 데이터 플랫폼을 기반으로, Health Catalyst가 의료 시스템의 외래 진료 성장을 저해하는 운영 장벽을 제거하도록 지원하는 방법
작성자: Morgan Wilkie, 브라이언 스미스 , Tiffany Nixon
외래 진료(대부분의 환자가 의료 시스템을 처음 접하는 외래 클리닉 및 의원)는 병원 성장의 성패를 좌우하는 곳입니다. 하지만 많은 의료 시스템이 의료진 수용 능력, 리퍼럴(환자 전원) 유지, 후속 재무 성과 등 진료 접근성을 제한하는 운영상의 제약으로 어려움을 겪고 있습니다.
접근성은 잘못된 방향으로 가고 있습니다. AMN Healthcare의 2025년 의사 접근성 설문조사에 따르면, 일반 진료를 예약하려는 신규 환자는 진료를 받기 위해 평균 31일을 대기해야 하며, 이는 2022년 이후 19% 증가한 수치입니다.
리퍼럴 역시 또 다른 압박 요인입니다. ReferralMD에 따르면 미국 의료 시스템은 리퍼럴 누출(referral leakage)로 인해 연간 약 1,500억 달러의 손실을 입는 것으로 추정되며, MGMA의 2025년 리퍼럴 조정 벤치마킹 연구에 따르면 리퍼럴의 38%는 루프를 완료하지 못하는(완결되지 않는) 것으로 나타났습니다.
외래 진료 리더들에게 이는 개별적인 문제가 아닙니다. 접근성, 의료진 수용 능력, 리퍼럴 유지, 패널 관리, 재무 성과는 서로 깊이 연결되어 있습니다. 진짜 과제는 문제를 인식하는 것보다 네트워크의 어느 부분에 제약이 존재하는지, 한 영역에서의 결정이 다른 영역의 결과에 어떤 영향을 미치는지, 그리고 어디에 먼저 집중해야 하는지 이해하는 것입니다.
Health Catalyst의 최고 제품 책임자(Chief Product Officer)인 Robbie Hughes는 그의 팀이 협업하는 여러 의료 시스템에서 동일한 패턴을 목격하고 있습니다.
"매일 환자들은 예약을 위해 몇 주를 대기하지만, 결국 담당 의사가 신규 환자를 받지 않는다는 사실을 알게 됩니다. 리퍼럴은 유실됩니다. 의료진은 바쁘지만 여전히 경제성을 맞추지 못합니다." Hughes는 말했습니다. "그들이 신경 쓰지 않아서가 아닙니다. 개선에 필요한 정보가 서로 단절된 5~6개의 시스템에 흩어져 있고, 이를 모두 취합할 때쯤이면 이미 유효기간이 지난 데이터가 되어버리기 때문입니다."
"문제가 있다는 것을 파악하고 실제로 조치를 취하기까지 수개월이 걸릴 수 있습니다." Hughes는 말했습니다. "이는 데이터가 부족해서가 아닙니다. 대개의 경우 데이터가 의미하는 바에 대한 합의가 부족하기 때문입니다. 모두가 대시보드를 가지고 있고, 모두가 저마다의 의견을 냅니다."
기존의 도구들로는 이 격차를 좁힐 수 없습니다. EHR 보고서, 오래된 추출 데이터 기반의 Tableau 뷰, 일시적인 스냅샷만 남기고 끝나는 컨설팅 등이 그렇습니다. 이러한 도구들은 데이터를 추출한 시점에 단 한 번만 질문에 답해줄 뿐입니다. 운영 책임자와 재무 책임자가 함께 보며 신뢰하고 합의할 수 있는 단일화된 최신 현황을 제공하지 못합니다.
조직이 보고 있는 수치를 신뢰하더라도, 그 이면에 있는 운영 동인을 이해하는 데 어려움을 겪는 경우가 많습니다. 대기 시간이 길다는 것은 의료진의 수용 능력이 부족함을 나타낼 수도 있지만, 리퍼럴 병목 현상, 잘못된 일정 예약 방식 또는 불균형한 패널 분포의 결과일 수도 있습니다. 의료진의 생산성 저하는 한 클리닉의 유휴 수용 능력과 다른 클리닉의 접근성 제약을 의미할 수 있습니다. 동일한 지표가 완전히 다른 다양한 근본 문제를 가리킬 수 있는 것입니다.
이러한 복잡성이 바로 외래 진료 인텔리전스 격차를 만들어냅니다. 접근성, 의료진 생산성, 리퍼럴, 패널 관리, 재무 성과는 독립적으로 작동하지 않으며 서로 영향을 미칩니다. 한 영역을 개선하면 제약 조건이 다른 영역으로 이동할 수 있습니다. 무슨 일이 일어나고 있는지 이해하는 것도 중요하지만, 왜 그런 일이 일어나는지, 무엇이 이를 유발하는지, 그리고 어디에 개입해야 가장 큰 효과를 볼 수 있는지 이해하는 것이 진정한 개선을 가능하게 합니다.
최근 AI의 발전으로 가능성의 영역이 넓어졌습니다. 오늘날의 AI 모델은 복잡한 운영 관계를 분석하고, 방대한 데이터에서 패턴을 찾아내며, 이전에는 어렵거나 불가능했던 방식으로 정보를 추론하고 분석할 수 있습니다.
하지만 AI만으로는 문제를 해결할 수 없습니다.
AI는 데이터에서 패턴을 식별할 수 있지만, 외래 진료 운영 방식과 네트워크 구성 요소 간의 복잡한 상호 관계를 본질적으로 이해하지는 못합니다. 과거에 어떤 개입 조치가 접근성을 개선하고, 의료진 활용도를 높이거나, 리퍼럴 누출을 줄였는지 알지 못합니다. 이러한 해답을 얻으려면 운영 맥락과 개선 전문성이 필요하며, 이는 오랫동안 해당 분야의 베테랑 전문가들의 영역이었습니다.
이것이 바로 Health Catalyst의 접근 방식이 다른 점입니다. Health Catalyst의 Ambulatory Intelligence 솔루션은 현대적인 AI 기능과 거의 20년에 걸친 의료 개선 전문성을 결합하여, 의료 분야에 특화된 지식, 운영 모범 사례, 검증된 개선 방법론을 솔루션에 직접 내장하고 있습니다.
하지만 조직의 민감한 환자 데이터를 외부 리소스에 연결하는 것은 의료 제공자에게 항상 까다로운 문제였습니다. 이러한 이유로 Health Catalyst는 자사의 AI 솔루션을 고객의 자체 Databricks 워크스페이스에 직접 배포합니다. Health Catalyst는 전문성을 데이터가 있는 곳으로 가져가므로, 데이터가 의료 시스템 환경을 절대 벗어나지 않도록 보장합니다.
이러한 선택은 Hughes가 지켜봐 온 변화의 흐름과 일치합니다. 그는 고객들이 점점 더 자신들의 데이터를 자체 레이크하우스에 호스팅하기를 원하며, AI 시대에는 거버넌스와 통제권에 집중하고 있다고 말합니다. 그의 표현을 빌리자 면, 고객들은 자신들의 데이터가 "동의한 적도 없는 다른 누군가의 가치 창출을 위한 학습장으로 사용되는 것"을 원치 않습니다.
Health Catalyst에서 전략적 벤더 파트너십을 이끄는 Brian Eliason은 시장의 방향성이 명확했다고 말합니다. "고객의 태도가 바뀌어 이제는 자체 데이터를 직접 통제하기를 원합니다. 하지만 동시에 데이터 소유권은 자신들이 가지되, Health Catalyst와의 관계는 계속 유지하고 싶어 합니다. 이것이 우리가 직접 배포하는 모델(shipped model)을 추진한 이유입니다."
이 단계에 도달하기까지는 진정한 엔지니어링 노력이 필요했습니다. Hughes는 메달리온 아키텍처(medallion architecture) 덕분에 회사의 서비스 전문성을 공통 시맨틱 레이어로 전환할 수 있었으며, "이전에는 수개월 또는 수년이 걸렸을 작업을 단 몇 주 만에 해결했다"고 말합니다.
고객의 환경 내부에서 구축하려면 거버넌스, 성능, 사용성 간의 균형을 맞춰야 했습니다. Health Catalyst의 솔루션은 각각 특정 목적을 수행하는 여러 Databricks 구성 요소에 의존합니다.
실제적인 효과는 회의의 성격이 달라진다는 점입니다. 분석가와 책임자가 며칠 동안 질문을 주고받는 대신, 모두가 회의실에 모여 있는 동안 즉시 해답을 얻을 수 있습니다.
Health Catalyst의 도메인 모델이 이미 내장된 상태로 제품이 제공되므로, 운영 책임자는 6개월짜리 분석 프로젝트를 거치지 않고 도입한 바로 그 주에 시각화된 현황을 파악할 수 있습니다.
이 솔루션은 접근성 최적화(Access Optimization), 매출 인텔리전스(Revenue Intelligence), 패널 관리(Panel Management), 리퍼럴 인사이트(Referral Insights)의 4개 도메인으로 구성된 수십 개의 사전 구축된 지표와 함께 제공됩니다. 각 도메인은 운영 리더에게 외래 진료 성과의 고유한 측면에 대한 완전한 그림을 제공합니다.
도메인 간 경영진 및 제공자 스코어카드는 외래 진료 기업 전반의 이러한 인사이트를 연결하여, 리더가 한 영역에서의 운영 결정이 다른 영역의 결과에 어떻게 영향을 미치는지 이해하고, 가장 가치 있는 기회의 우선순위를 정하며, 측정 가능한 효과를 창출할 가능성이 가장 높은 곳에 개선 노력을 집중할 수 있도록 지원합니다.
또한 고객의 자체 환경에서 실행되므로 의료 시스템은 이를 맞춤 조정할 수 있는 능력을 유지합니다. Hughes는 고객이 벤더의 고정된 정의에 맞추는 대신, 용어를 조정하고 서비스를 제공하는 특정 시장에 맞게 워크플로우를 맞춤화할 수 있음을 확인했습니다.
그 영향은 조직이 Health Catalyst의 외래 진료 개선 작업을 통해 달성한 결과에 반영되어 있습니다:
Ambulatory Intelligence는 단독 도구가 아닌 포트폴리오의 첫 번째 제품입니다. 비용 계산 및 임상 품질 솔루션이 동일한 데이터 기반 위에 구축되며, Hughes는 이들이 연결되면서 시너지 효과를 낼 것으로 기대합니다. 기본 데이터 자산이 서로를 강화하고 Ignite Intelligence에 데이터를 공급하며, 이는 이전의 개선 패턴을 마이닝하여 고객이 미처 발견하지 못했을 수 있는 관계를 표면화합니다.
그 영향은 조직이 Health Catalyst의 외래 진료 개선 작업을 통해 달성한 결과에 반영되어 있습니다.
향후 기능은 Health Catalyst의 성장하는 증거 기반을 활용하여 팀이 인사이트에서 행동으로 더 빠르게 이동할 수 있도록 설계되었습니다.
Hughes가 가장 기대하고 있는 부분은 장기적인 전망입니다. Health Catalyst는 18년간의 독점적인 개선 데이터를 보유하고 있으며, 이 역사를 단순히 문제를 설명하는 데 그치지 않는 모델로 전환할 계획입니다:
"우리가 도입하는 가장 흥미로운 단 한 가지는 수천 개의 실제 결과를 솔루션에 내장된 AI 기반 모델로 전환하는 것입니다"라고 Hughes는 말했습니다. "이 모델은 조직이 유사한 상황에서 어떤 개입이 효과적이었는지 이해하도록 돕고, 측정 가능한 영향을 미칠 가능성이 가장 높은 접근 방식으로 팀을 안내할 것입니다. 맞춤형 플레이북을 빠르게 이용할 수 있게 됩니다."
이러한 방향성은 에이전트 기능(agentic capability)을 지향합니다. Databricks Agent Bricks와 같은 프레임워크를 기반으로 구축되는 이 솔루션의 향후 버전은 기회를 식별하는 것을 넘어 결과 제공에 이르는 전체 경로를 지원하도록 확장될 것입니다. 이 작업은 아직 진행 중이지만, 이에 필요한 데이터 기반은 이미 프로덕션 환경에 적용되어 있습니다.
의료 시스템 리더가 성장하는 데 필요한 정보는 항상 데이터 어딘가에 존재해 왔습니다. 격차는 데이터에 대한 접근성 문제가 아니었습니다. 가장 중요한 기회와 제약 조건을 식별하고, 조치가 가장 큰 영향을 미칠 수 있는 곳에 개입하며, 자신 있게 결과를 개선하는 능력이 부족했던 것입니다.
Health Catalyst는 접근성을 개선하고, 리퍼럴(referral) 유지를 강화하며, 제공자 역량을 최적화하고, 재무 성과를 촉진함으로써 외래 진료 성장을 제한하는 운영 장벽을 의료 시스템이 제거할 수 있도록 돕기 위해 Ambulatory Intelligence를 구축했습니다.
Ambulatory Intelligence가 어떻게 작동하는지, 그리고 여러분의 자체 환경에서 무엇을 발견할 수 있는지 직접 확인해 보세요.
(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)
블로그를 구독하고 최신 게시물을 이메일로 받아보세요.