2025년 10월
예시 시나리오: 이 글은 이런 종류의 프로젝트가 어떻게 진행되는지 보여 주기 위해 여러 사례를 합쳐 구성한 예시입니다. 실명으로 밝힌 고객을 다루지 않으며, 수치도 예시입니다.
이 시나리오의 문제
솔직히 말씀드리면, 2024년 초에 이 프로젝트를 시작했을 때는 6개월이면 끝나리라 생각했습니다. FHIR 파사드와 종양학 파이프라인은 2024년 중반부터 단계적으로 가동되었고, 가장 어려운 부분인 사회복지 연계는 최근 몇 달에 들어서야 성과가 나기 시작했습니다. 지금은 2025년 말이며, 네트워크 전체로는 이제 막 속도가 붙기 시작한 단계입니다.
이 시나리오의 의료 네트워크는 병원 그룹 세 곳으로 이루어져 있고, 약 350만 명에게 의료 서비스를 제공합니다. 서류상으로는 5년 전에 "통합"되었습니다. 그러나 실제로는 시스템이 여전히 완전히 분리되어 있었습니다.
이것이 실제로 무엇을 뜻하는지 보겠습니다. 한 고령 환자가 넘어져서 응급실에 옵니다. 의사는 자기 병원 시스템에서 환자가 페니실린 알레르기가 있다는 것을 확인합니다. 여기까지는 좋습니다. 그런데 의사가 볼 수 없는 정보가 있습니다.
- 2주 전에 사회복지 서비스가 실시한 가정 안전 평가
- 시내 반대편 암센터에서 실험적 항암 치료를 받고 있다는 사실
- 약의 절반은 실제로 복용하지 않는다는 지역 약국 기록
이론상의 이야기가 아닙니다. 통합된 의료 네트워크에서는 이런 공백이 흔하며, 기록이 공유되지 않으면 환자가 피해를 입을 수 있습니다.
기존 구성이 작동하지 않은 이유
통합 인프라는 이미 있었습니다. 하루에 수백만 건의 HL7 v2 메시지를 처리하는 인터페이스 엔진이었습니다. 문제는 모든 연결이 포인트 투 포인트 방식이고 푸시 기반 메시징이라는 점이었습니다.
이렇게 생각해 보십시오. 누군가 석 달 전에 중요한 이메일을 보냈는데 스팸 필터에 걸렸다면, 그 정보는 나에게 존재하지 않는 것과 같습니다. 이 시스템들이 바로 그렇게 작동했습니다.
진짜 골칫거리는 사회복지 부서를 연결하는 일이었습니다. 이들의 "현대적인" 연동은 CSV 파일을 HL7 메시지로 변환하는 맞춤형 VPN 터널이었습니다. 개발자 세 명이 두 달 걸려 만든 것이었습니다. 연결해야 할 1차 진료 클리닉은 200곳이었습니다. 계산해 보시기 바랍니다.
연구팀은 더 어려운 상황이었습니다. 종양 크기와 바이오마커 수치 같은 구체적인 데이터가 필요했지만, 모든 것이 PDF 병리 보고서 안에 갇혀 있었습니다. 말 그대로 누군가가 데이터를 스프레드시트에 손으로 옮겨 적고 있었습니다.
실제로 구축한 것
파사드 전략: 모든 것을 교체하지 않는 방법
가장 먼저 받는 질문이 있습니다. "기존 시스템을 전부 걷어냈습니까?"
아닙니다. 절대 아닙니다. 그렇게 했다면 수천만 달러가 들고 수년이 걸렸을 것입니다.
대신 FHIR 파사드라고 부르는 구성을 만들었습니다. 기존 데이터베이스 위에 놓이는 번역기라고 생각하면 됩니다. 레거시 시스템은 그 자리에 그대로 두고, 누군가 최신 API를 호출하면(예: GET /Patient/12345) 파사드가 이를 기존 시스템이 요구하는 난해한 SQL 쿼리나 HL7 조회로 바꿔 줍니다.
단순한 데이터에는 아주 잘 맞았습니다. 복잡한 종양학 데이터에는 더 무거운 구성이 필요했습니다.
종양학 파이프라인: 일이 복잡해진 곳
병리 보고서는 PDF, XML 파일, 때로는 스캔 이미지로 들어왔습니다. 그래서 다음과 같은 파이프라인을 만들었습니다.
- 수집 – 보고서가 Kafka 스트림으로 흘러 들어옵니다
- 파싱 – ETL 서비스가 PDF와 XML을 분해합니다
- FHIR 매핑 – 올바른 FHIR 리소스(Patient, Observation, Specimen)로 변환합니다
- 익명화 – 연구용 접근 전에 개인 식별 정보를 제거합니다
이렇게 나열하면 깔끔해 보입니다. 현실은 달랐습니다. 병리의마다 보고서 서식이 달라서, PDF에서 종양 크기를 안정적으로 추출하는 방법을 찾는 데만 석 달을 썼습니다.
신원 확인의 위기
임상 데이터를 공유하기 전에 먼저 "이 사람이 누구인가?"라는 문제를 풀어야 했습니다.
병원 A는 "Martha J. Jones"(ID: 111)를 알았습니다. 사회복지 서비스는 "Martha Jones"(ID: 999)를 알았습니다. 암센터는 "M. Jones"(ID: ABC-7734)를 알았습니다.
Master Patient Index를 구현했습니다. FHIR의 Patient 리소스와 $match 연산을 사용합니다. 이제 환자를 조회하면 시스템이 "골든 레코드"를 찾아 세 신원을 하나로 연결합니다.
운영 데이터에서 처음 실행했을 때 중복 환자 기록이 약 8,000건 나왔습니다. 네트워크 전체에서 ID를 네 개씩 가진 사람도 있었습니다.
실제로 혁신이 일어난 곳: 사회복지 연계
가장 어려운 부분이었고, 솔직히 저희가 한 일 중 가장 자랑스러운 부분이기도 합니다.
병원 시스템은 SNOMED-CT, LOINC 같은 표준 의료 코드를 사용합니다. 사회복지 기록은 어떨까요? "보행이 불편함", "장보기에 도움이 필요함" 같은 자유 서술 메모입니다.
FHIR의 CarePlan과 Consent 리소스를 다른 곳에서는 본 적 없는 방식으로 사용했습니다.
CarePlan: 사회복지사가 세운 지원 계획이 병원 퇴원 담당 간호사의 화면에 바로 표시됩니다. PDF 첨부 파일이 아니라 구조화된 실행 가능한 데이터로 보입니다.
Consent: 이 부분이 중요합니다. 환자가 자신의 HIV 감염 여부는 병원과 공유하되 요양원 관리자에게는 공유하지 않도록 허용할 수 있게, 세분화된 동의 제어를 만들었습니다.
자유 서술 문제는 모든 데이터를 NLP 엔진에 통과시켜 해결했습니다. "보행이 불편함"을 이동성 장애에 해당하는 SNOMED 코드로 매핑했습니다. 그 결과 의사가 이동성 문제를 검색하면, 원래 일반 텍스트로 시작한 사회복지 기록도 함께 나타나게 되었습니다.
보안: 데이터 유출 악몽을 만들지 않은 방법
조직 간에 API를 여는 일은 보안 담당자를 긴장시킵니다. 당연한 일입니다.
SMART on FHIR를 사용했습니다. 기본적으로 인가를 OAuth 2.0에 위임하는 방식입니다. 실제 동작은 다음과 같습니다.
의사가 Epic 시스템에서 "지역사회 기록 보기"를 클릭합니다. 그러면 iframe 안에서 저희 앱이 실행되며 컨텍스트(어떤 사용자, 어떤 환자)가 전달됩니다. 저희 인가 서버가 자격 증명과 권한을 확인합니다. 정당한 사용자라면 필요한 범위로 정확히 제한된 액세스 토큰을 받습니다. 예를 들어 Observation에 대한 읽기 전용 접근만 허용되고 그 밖에는 아무것도 열리지 않습니다.
테스트 중에 어떤 토큰이 제대로 만료되지 않는 아슬아슬한 순간이 한 번 있었습니다. 그 문제는 빠르게 고쳤습니다.
실제로 달라진 것
2024년 중반 FHIR 파사드를 가동한 이후의 변화입니다.
중복 검사가 30% 줄었습니다. 응급실 의사가 전문 센터의 최근 검사 결과를 마침내 볼 수 있게 되었기 때문입니다. 비용도 절감되고 환자도 편해졌습니다. 바늘에 두 번 찔리고 싶은 사람은 없습니다.
퇴원 계획 수립 기간이 4일에서 하루 반으로 줄었습니다. 병원 퇴원 담당팀이 사회복지 계획을 바로 볼 수 있게 되니, 사흘 동안 서로 전화만 주고받던 일이 없어졌습니다.
투약 오류가 18% 감소했습니다. 병원 처방과 지역 약국 조제 내역을 하나의 MedicationStatement 뷰로 통합했습니다.
연구팀의 코호트 구성 시간이 4개월에서 2주로 줄었습니다. 이제 데이터를 다루는 데 모든 시간을 쓰는 대신 실제로 논문을 발표하고 있습니다.
힘들게 배운 것들
모든 것을 매핑하지 마십시오. 처음에는 모든 레거시 데이터베이스의 모든 필드를 FHIR로 변환하려 했습니다. 석 달이 지나도 진척이 거의 없었습니다. 그래서 방향을 크게 틀었습니다. 해당 사용 사례에서 임상적으로 중요한 것만 매핑하십시오. 나머지는 v2로 미뤄도 됩니다.
엄격하게 검증하십시오. 초기에는 잘못된 데이터가 계속 앱을 중단시켰습니다. 그래서 API 게이트웨이에서 엄격한 검증을 적용했습니다. 어떤 시스템이 생년월일(저희 프로파일에서는 필수)이 없는 Patient 리소스를 보내면, 자세한 오류 메시지와 함께 거부했습니다. 각 시스템은 데이터 품질을 아주 빠르게 정리했습니다.
문화 문제가 기술 문제보다 어렵습니다. 사회복지사들은 로그인과 시스템이 하나 더 늘어나는 것을 원하지 않았습니다. 그래서 FHIR 뷰어를 iframe으로 기존 사례 관리 도구에 직접 넣었습니다. 그들은 "새 기술"을 쓰고 있다는 사실조차 몰랐습니다. 익숙한 화면 안에서 그냥 작동했기 때문입니다.
다음 단계
기반이 갖춰졌으므로 의사결정 지원으로 넘어갑니다. CDS Hooks를 구현하고 있습니다. 의사가 약을 처방하면 서비스가 FHIR 데이터에서 금기 사항을 확인하고, 그 즉시 경고를 띄울 수 있습니다.
익명화한 데이터로 재입원 위험을 예측하는 ML 모델도 학습하고 있습니다. 임상 데이터와 사회적 결정 요인 데이터를 결합합니다. 모든 것이 따로 갇혀 있을 때는 불가능했던 일입니다.
이와 같은 프로젝트를 고려하고 있다면, 생각보다 더 많은 시간을 잡고, 임상 인력의 동의를 일찍 얻고, 첫 번째 버전에서 모든 문제를 풀려고 하지 마십시오.
비슷한 과제를 안고 있다면 구체적인 내용을 기꺼이 함께 이야기하겠습니다. 저희가 겪은 시행착오를 되풀이하실 필요는 없습니다.
상호운용성 과제를 논의하고 싶으신가요? 연락 주십시오.
