Carta Healthcare, Claude로 임상 데이터 처리 시간을 66% 단축하다

Carta Healthcare는 Stanford Children's Hospital에서의 단순한 불만에서 시작되었습니다. 느리고 수동적인 데이터 수집이 의미 있는 발전을 저해하고 있었습니다. 이 과제는 AI와 임상 전문 지식을 결합하여 임상 데이터 추상화를 더 빠르고, 더 높은 품질로, 더 낮은 비용으로 수행하는 새로운 아이디어를 촉발했으며, Carta는 이를 “하이브리드 인텔리전스”라고 부릅니다.

Claude를 통해 Carta Healthcare가 달성한 성과:

• 데이터 품질을 개선하면서 임상 데이터 추상화 시간을 최대 66% 단축
• 이전에는 자동화가 불가능했던 임상적으로 복잡한 질문의 처리를 가능하게 함
• 의료 업계의 데이터 품질 골드 스탠더드인 평가자 간 신뢰도(IRR) 98~99% 달성
• 임상의를 수동 데이터 탐색자에서 고부가가치 검증자 및 의료 개선을 위한 데이터 활용자로 전환

문제점

매일 병원은 의사 기록, 검사 결과, 투약 기록, 수술 보고서 등 방대한 양의 임상 문서를 생성합니다. 이러한 기록 속에는 임상 레지스트리가 필요로 하는 중요한 질문에 대한 답변이 숨겨져 있습니다. 이 수술 환자는 30일 이내에 감염이 발생했는가? 입원 시 BMI는 얼마였는가? 절개 전 적절한 시간 내에 항생제가 투여되었는가? Door-to-balloon 시간은 얼마였는가?

이러한 답변을 추출하는 것을 임상 데이터 추상화라고 하며, 이는 매우 고된 작업입니다. 훈련된 추상화 담당자는 건당 평균 1시간을 들여 임상 메모와 문서를 수동으로 검토하며, 전자 의무 기록에 파묻힌 특정 세부 정보를 찾습니다. 복잡한 사례의 경우 5~6시간이 소요될 수 있습니다. 단일 의료 시스템에서 연간 22,000건 이상의 수술 사례를 추상화해야 할 수 있으며, 연간 11,000시간 이상의 노동력이 투입됩니다.

그러나 과제는 양만이 아닙니다. 임상 문서는 지저분하고, 일관성이 없으며, 종종 여러 시스템과 형식에 흩어져 있습니다. 같은 병원 내에서도 레지스트리 질문에 대한 “정답”을 찾기 위해서는 해석, 상충되는 기록의 조정, 임상적 의도에 대한 깊은 이해가 필요할 수 있습니다. 이러한 복잡성 때문에 기존의 자동화 시도는 종종 부족하며, 완전한 수동 워크플로우는 비용이 많이 들고 지속하기 어렵습니다.

Carta Healthcare의 엔지니어링 부사장 겸 CISO인 Andrew Crowder는 "병원 정보 시스템은 매우 복잡하며, 병원 내 기존 데이터 추출 및 통합 워크플로우는 취약하기로 악명 높으며, 시스템마다 크게 다르고, 전자 의무 기록이 업그레이드될 때 종종 중단됩니다"라고 말했습니다. "우리는 이러한 불일치로부터 보호받고, 취약한 사이트별 프로세스에 의존하지 않고 가치를 제공할 수 있는 접근 방식이 필요했습니다."

Claude를 선택한 이유

보안이 Carta Healthcare의 모델 선택에서 결정적인 요소였습니다. 보호 대상 건강 정보를 포함한 민감한 의료 정보를 다루려면 엄격한 데이터 개인정보 보호 통제가 필요합니다. Amazon Bedrock에서의 Claude 가용성은 데이터 개인정보 보호와 고객 데이터가 모델 훈련에 사용되지 않는다는 보증을 통해 Carta Healthcare에 필요한 신뢰를 제공했습니다.

Crowder는 "다른 모델도 Amazon Bedrock에서 사용할 수 있었지만, Anthropic 모델에서 발견한 추론 및 이해 능력을 보여준 다른 모델은 없었습니다"라고 말했습니다. "또한 편향과 모델 정렬에 대한 공개된 연구 덕분에 엄격한 병원 AI 심사를 통과할 수 있었습니다."

보안 인프라, 추론 능력, 모델 정렬에 대한 문서화된 연구의 조합을 통해 Carta Healthcare는 환자 데이터를 처리하는 모든 시스템의 전제 조건인 병원 IT 및 AI 검토 위원회의 높은 기준을 충족할 수 있었습니다.

임상 등급의 AI 시스템 구축

Claude는 Carta Healthcare의 Lighthouse 플랫폼을 구동하며, 임상 레지스트리 추상화를 위한 AI 엔진 역할을 합니다. Claude는 정형 및 비정형 의료 데이터를 의미론적으로 해석하여 임상적 맥락을 이해하고 답변을 도출하며, 근거를 제시하고, 의료 기록에서 직접 인용을 표면화합니다. 이 시스템은 차트 깊숙이 파묻힌 문서나 수년 전 진료에서 비롯된 기록 등 수동 검토에서 놓치기 쉬운 근거를 찾을 수 있습니다.

Carta Healthcare는 2단계 추출 파이프라인을 구현했습니다. 1단계에서는 Claude Haiku 3.5와 Sonnet 4가 의료 문서에서 관련 정보를 추출하여 정형 데이터와 비정형 임상 기록을 모두 처리했습니다. 2단계에서는 Claude Sonnet이 추출된 모든 근거를 종합하여 레지스트리 질문에 대한 제안 답변을 도출하고, 근거를 점수화하고 순위를 매겼습니다. 이 접근 방식은 정확도를 높이고 추상화 담당자의 검증 부담을 줄였습니다. 이제 담당자들은 정보를 찾는 대신 결과를 검증합니다.

시스템이 Claude의 자연어 이해 능력을 중심으로 구축되었기 때문에, 임상 전문가들이 직접 개선할 수 있습니다. 추상화 담당자가 문제를 발견하면 팀은 코드를 다시 작성하는 대신 프롬프트를 조정하며, 이러한 변경 사항은 당일 프로덕션에서 테스트할 수 있습니다. 이를 통해 임상적 뉴앙스를 이해하는 사람들이 시스템의 작동 방식을 제어할 수 있습니다.

성과

14개 병원에서 연간 22,000건 이상의 수술 사례를 추상화하는 한 대형 의료 시스템에서 결과는 즉각적이었습니다. 일반 사례의 건당 소요 시간이 30분에서 15~22분으로 감소했습니다. 추상화 담당자의 하루 5~6시간을 소비하던 복잡한 사례의 경우 90분으로 단축되었습니다. 연간 시간 절감은 3,667~6,050시간에 달했으며, 평가자 간 신뢰도는 일관되게 99%를 유지했습니다.

한 대형 복합 의료 시스템에서 NSQIP 사례의 수동 추상화는 지속적인 부담이었습니다. 14개 병원에 걸쳐 연간 22,000건 이상의 사례가 있으며, 각각 약 30분의 추상화 시간이 소요되어 업무량이 막대했고, 매년 11,000시간 이상의 노동력이 투입되었습니다. 프로세스는 느리고, 비용이 많이 들며, 인적 오류에 취약했습니다. Carta Healthcare의 Lighthouse 플랫폼을 사용하기 전, 한 경험 많은 추상화 담당자는 AI에 대해 매우 회의적이었습니다. 그녀는 경험이 풍부하고 임상적으로 날카로웠으며, AI가 기대에 부응하지 못할까 우려했습니다.

그러나 그녀는 가능성을 보았습니다. Carta Healthcare의 제품 팀과 만나 상세한 피드백을 공유하고, 엔지니어링 팀과 긴밀히 협력하여 플랫폼을 개선했습니다. 그녀의 임상 전문 지식은 매우 중요했습니다. 무언가 잘못되었을 때 이를 감지할 수 있었고, 그녀의 입력은 Lighthouse를 신뢰할 수 있는 도구로 만드는 데 도움이 되었습니다.

오늘날 그녀는 Lighthouse를 완전히 신뢰합니다. 복잡한 사례의 경우 두 번째 눈으로 활용하여 발생 사항을 이중 확인하고, 수술 후 투약과 같이 놓칠 수 있는 세부 사항을 포착합니다. 그녀는 "학학Lighthouse는 제 판단을 대체하는 것이 아니라 강화해 줍니다"라고 말합니다. 그 영향은 극적이었습니다:

핵심 LLM으로 Claude를 선택한 것은 Carta Healthcare의 비즈니스 모델을 근본적으로 변화시쳠습니다. 비정형 임상 데이터를 추상화하는 인지 작업을 자동화함으로써, Claude와 Lighthouse는 회사의 임상의를 "수동 데이터 탐색자에서 고부가가치 검증자로" 전환시쳠다고 Crowder는 설명했습니다. Carta Healthcare는 100% 고객 유지율을 보고하고 있으며, 고객의 90%가 시간이 지남에 따라 참여를 확대하고 있습니다.

앞으로 Carta Healthcare는 다수의 시술이 포함된 사례 등 더 복잡한 레지스트리 시나리오를 처리할 수 있도록 AI 능력을 확장할 계획입니다. Crowder는 "Anthropic 모델의 사용을 확대하게 되어 기쁩니다"라고 말했습니다. "또한 Claude로 새로운 가능성을 탐색하면서 기술적 관계를 확장하기를 기대합니다."