AX Field Notes

전체 사례No. 070

대화로 서식을 채우는 머시의 AI 간호 차팅

병상 대화를 플로우시트로 바꾸고 간호사는 검토 후 제출합니다

사례 번호
070
1차 출처
Microsoft customer story and Mercy chief nurse executive article
원문 게시
2026-08-14

요약

  • 머시 간호사는 진료 중 음성을 듣는 인공지능으로 병상 기록을 자동 생성했습니다.
  • 시범 병동에서 기록 시간이 줄고 초과근무와 환자 소통 점수가 개선되었습니다.
  • 인공지능이 서식을 채우고 사람은 검토와 승인을 맡을 때 현장 도입이 성공합니다.

퇴근 뒤에도 끝나지 않던 간호사의 기록 업무

병원에서 교대 근무가 끝난 뒤에도 컴퓨터 앞에 남아 차트를 작성하는 간호사의 모습은 낯설지 않습니다. 미국 아칸소, 일리노이, 캔자스, 미주리, 오클라호마 등 5개 주에서 50개 이상의 병원과 1,000곳에 가까운 진료 시설을 운영하며 약 1만 5,000명의 간호사가 근무하는 대형 보건의료 체계 머시(Mercy)도 같은 문제로 깊은 고민을 안고 있었습니다. 2026년 8월 마이크로소프트 고객 사례 보고서와 2026년 봄 가톨릭 보건 협회 학술지 헬스 프로그레스(Health Progress)에 실린 최고간호책임자의 글은 당시 간호사들이 겪던 고충을 생생하게 전합니다.

간호사들은 환자의 혈압이나 맥박 같은 활력징후, 통증 수치, 피부 상태 등을 플로우시트(flowsheet)라는 전자서식에 빼곡히 입력해야 했습니다. 플로우시트는 전자의무기록 화면에서 환자의 각종 측정값과 점검 항목을 행과 열로 구성된 표에 항목별로 기록하는 정형화된 서식입니다. 간호사들은 여러 전산 시스템을 오가며 매 근무 시간의 상당 부분을 이 표를 채우는 데 썼고, 제때 다 끝내지 못해 정규 근무 시간이 끝난 뒤에도 병원에 남아 기록을 이어가곤 했습니다.

기록 요구 항목이 늘어날수록 행정적 복잡성이 커졌고, 이는 인지적 부담과 업무 흐름의 마찰, 초과근무로 이어졌습니다. 화면을 들여다보며 자판을 두드리는 시간이 길어질수록 침상 옆에서 환자와 눈을 맞추는 시간은 줄어들 수밖에 없었습니다. 머시의 수석부사장 겸 최고간호책임자인 스테퍼니 클레먼츠(Stephanie Clements)는 “기록 업무는 우리 간호사들에게 가장 큰 마찰을 일으키는 요인 중 하나였습니다”라고 설명했습니다. 단순한 부분 개선으로는 이 구조적 부담을 덜 수 없다고 판단한 경영진은 전면적인 접근법을 찾기 시작했습니다.

환자를 돌보며 나누는 일상 대화가 차트로 바뀝니다

머시는 행정 부담을 줄여 간호사의 시선을 다시 환자에게 돌려놓겠다는 분명한 목표를 세웠습니다. 다만 새로운 도구가 현장의 흐름을 방해해서는 안 되며, 간호사들이 돌봄을 제공하는 기본 방식을 통째로 뜯어고치게 만들어서도 안 된다는 엄격한 조건을 걸었습니다. 이미 의사 진료에 마이크로소프트의 드래곤 코파일럿(Dragon Copilot)을 도입해 효과를 보았던 머시는 이 기술을 간호 현장으로 확장하기로 결정했습니다. 머시는 마이크로소프트와 협력하여 간호사용 드래곤 코파일럿을 공동 개발하고 시험한 미국 내 9개 보건의료 체계 가운데 하나가 되었습니다. 간호사를 위한 전용 기능은 2025년 12월에 공식 출시되었습니다.

이 시스템의 핵심은 앰비언트 AI(ambient AI), 즉 주변 청취 기술입니다. 간호사가 컴퓨터를 향해 별도로 말을 받아적게 명령할 필요 없이, 환자를 돌보며 나누는 자연스러운 대화를 기기가 배경에서 스스로 듣고 이해하는 기술을 말합니다. 대화 속 임상 정보를 추출한 시스템은 에픽 로버(Epic Rover) 안의 플로우시트 데이터로 변환합니다. 에픽 로버는 간호사들이 모바일 기기로 전자의무기록을 조회하고 입력할 때 사용하는 모바일 앱입니다.

현장의 일하는 순서는 단순한 세 단계로 정리되었습니다. 첫째는 앰비언트 활성화입니다. 간호사가 주변 청취 기능을 켭니다. 임상간호교육자인 크리스틴 듀파이어(Christine Dupire)는 “환자 방으로 걸어 들어가면서 드래곤 코파일럿을 활성화할 수 있어 그 순간의 모든 상황이 정확하게 기록됩니다. 근무 후반에 ‘내가 이 세부 사항을 빠뜨리지 않고 차트에 적었나?’ 하고 걱정하던 스트레스가 크게 줄었습니다”라고 말했습니다.

둘째는 환자 사정과 대화입니다. 간호사는 평소처럼 환자의 상태를 살피고 체온이나 혈압을 측정하며 수치를 말로 소리 내어 전달합니다. 환자에게 건네는 일상적인 질문과 확인 속에서 인공지능이 임상 세부 사항을 추출해 알맞은 플로우시트 항목에 초안 형태로 배치합니다. 셋째는 검토, 수정, 제출입니다. 간호사는 인공지능이 준비해 둔 기록을 살펴보고 잘못된 내용을 수정한 뒤 최종적으로 서식에 등록합니다. 사후에 돌봄 내용을 기록하던 방식에서 벗어나 간호사들은 자신의 업무 내용이 실시간으로 담기는 모습을 확인했습니다.

플로우시트 작성 3단계 흐름
앰비언트 활성화사정 및 대화검토·수정·제출활력징후통증 사정거동피부 점검AI 생성 초안간호사 수정최종 제출
기록 상태와 수정 항목은 이해를 돕기 위한 예시입니다. (출처: Health Progress)

세심하게 준비한 현장 안착 과정과 성능 개선

새로운 도구를 실제 병동에 배치하는 과정은 단계적으로 이루어졌습니다. 마이크로소프트 및 에픽과의 협력은 2024년 가을에 시작되었으며, 첫 도입지인 세인트루이스 혁신 병동은 2025년 2월에 가동에 들어갔습니다. 2025년 6월에는 마이크로소프트가 그곳에서 가동 후 간호사 사용자 85명을 대상으로 설문조사를 진행했습니다. 이어 아칸소주 포트스미스 병동이 2025년 8월 5일에, 미주리주 스프링필드 병동이 2025년 10월 6일에 각각 가동을 시작했습니다. 2026년 봄 기준으로 세인트루이스, 스프링필드, 포트스미스의 세 병동에서 이 도구를 사용했습니다.

머시가 기술을 현장에 안착시킨 비결은 네 가지였습니다. 첫째는 간호 리더들의 직접적인 참여였습니다. 리더들은 일선 직원들과 긴밀히 협력하며 기대치를 강조하고 변화 과정 전반에 걸쳐 지원을 제공했습니다. 둘째는 가동 전 실습 시뮬레이션이었습니다. 직접 체험을 통해 시스템 사용이 어렵지 않다는 점을 보여주어 변화에 따른 불안을 줄였습니다. 셋째는 모든 교대 근무마다 배치된 슈퍼 유저(super user)였습니다. 슈퍼 유저는 모든 교대 근무에 걸쳐 실시간으로 지원을 제공했습니다. 넷째는 매일 운영된 피드백 루프였습니다. 간호사들이 겪은 불편과 건의 사항을 매일 취합했고 머시와 마이크로소프트는 이 피드백에 빠르게 대응했습니다.

이러한 즉각적인 피드백 덕분에 시스템의 완성도는 빠르게 올라갔습니다. 스테퍼니 클레먼츠에 따르면 세인트루이스 혁신 병동에 처음 도입했을 당시 30% 수준이었던 정확도는 간호사들의 피드백을 학습하면서 채 1년도 지나지 않아 90%까지 상승했습니다.

실제 시스템 이면에서는 정교한 데이터 처리가 이루어졌을 것입니다. 간호사가 방에 들어서며 에픽 로버를 켤 때 녹음은 해당 환자의 식별 정보와 즉시 연결되었을 것입니다. 대화가 끝나면 음성이 텍스트로 변환되고 머시의 해당 병동 양식에 맞추어 플로우시트의 각 행으로 매핑되었을 것입니다. 이때 인공지능은 임의로 완성본을 저장하는 대신 간호사가 수락하거나 고칠 수 있는 제안 상태로 화면에 띄웠을 가능성이 높습니다. 대화에서 언급되지 않은 항목은 함부로 추측하지 않고 빈칸으로 두어야 환자 안전을 지킬 수 있기 때문입니다. 또한 간호사가 제안된 값을 수정할 때 발생하는 차이 데이터와 슈퍼 유저가 매일 보고한 현장 피드백은 모델의 임상 추출 성능을 다듬는 결정적인 학습 신호로 쓰였을 것입니다.

시범 병동에서 확인된 구체적인 변화

머시가 공개한 성과는 전사 1만 5,000명 전체의 통계가 아니라 명확한 측정 기간과 대상이 지정된 개별 병동의 수치입니다.

간호사 46명이 근무하는 포트스미스 병동에서는 2025년 8월 5일 가동 전후 12주를 비교했습니다. 그 결과 교대 근무당 플로우시트 기록 시간이 22% 감소했습니다. 진료 행위가 일어난 뒤 차트에 최종 기록되기까지 걸리는 지연 시간 또한 11.7% 줄어들었습니다.

간호사 55명이 참여한 스프링필드 병동에서는 인사 기록을 통해 늦은 퇴근과 점심을 거른 데 따른 식사시간 공제 취소 내역을 분석했습니다. 도입 전인 2025년 7월부터 9월까지와 도입 후인 2025년 10월부터 12월까지를 비교한 결과, 추가 초과근무가 29%에서 56% 감소했습니다. 또한 가동일인 2025년 10월 6일 전후 12주간 플로우시트 주요 항목의 완료율을 측정한 결과, 통증 사정 기록 완료율은 17%, 거동 관련 기록은 11%, 피부 점검 기록은 13% 상승했습니다.

환자 경험도 개선되었습니다. 스프링필드와 포트스미스 두 병동 환자를 대상으로 2025년 10월부터 12월까지 조사한 미국 국가 표준 입원 환자 경험 조사(HCAHPS)에서 간호사 의사소통 종합 점수가 전년 동기 대비 20% 상대적으로 상승했습니다. 환자들은 간호사가 자신의 말을 더 잘 들어주고 설명을 더 잘해준다고 느꼈습니다. 2025년 6월 세인트루이스에서 간호사 사용자 85명을 대상으로 진행한 설문조사에서는 스스로 체감하는 인지적 부담이 65% 감소했다고 응답했습니다.

병동별 측정 기간 및 성과 비교
도입 전도입 후가동일포트스미스 46명기록 시간 −22% · 지연 시간 −11.7%8/5스프링필드 55명통증 사정 +17% · 거동 +11%·피부 +13%10/6스프링필드 55명초과근무 −29%~−56%두 병동 HCAHPS의사소통 +20%← 전년 동기 대비세인트루이스 간호사 설문인지적 부담 −65%5월6월7월8월9월10월11월12월2025
모든 수치는 전사가 아닌 병동·인원·측정 기간별 개별 결과입니다. (출처: Microsoft)

현장 간호사인 해나 램버트(Hannah Lambert)는 “환자 한 명당 차팅 시간을 20분은 줄이고 있을 것이라 생각합니다”라며 자신이 추정한 시간 절감 효과를 전했습니다. 수치로 완전히 환산할 수는 없지만 간호사들은 점심시간을 온전히 챙기고 정시에 퇴근하며 환자 곁에 머무는 시간을 늘릴 수 있게 되었습니다. 머시는 이 성과를 바탕으로 향후 일반 입원 병동인 내외과 병동 전체를 포함한 다른 부서로 시스템을 넓혀갈 계획입니다.

다른 기업 리더들이 이 사례에서 발견할 점

머시의 사례는 인공지능 전환을 시도하는 조직에 중요한 원칙을 보여줍니다. 간호 현장에서 실제로 줄어든 것은 간호사의 임상적 판단이 아니라 컴퓨터 자판을 두드리는 타이핑 노동이었습니다. 이전에는 간호사가 환자를 관찰한 뒤 기억에 의존해 여러 전산 화면을 넘나들며 항목을 채워 넣었습니다. 바뀐 환경에서는 대화 중에 인공지능이 서식 초안을 미리 채워두고, 간호사는 전문가로서 내용을 확인하고 서명하는 최종 관문 역할에 집중합니다. 작성의 주체는 기술로 넘기되 환자 기록에 대한 승인 권한과 책임은 온전히 사람에게 남겼습니다.

또한 기록 시점의 이동이 조직의 초과근무를 줄이는 열쇠였습니다. 간호사들이 겪던 고통은 단순히 타이핑 시간이 길다는 점에 그치지 않고, 모든 돌봄이 끝난 교대 근무 막바지나 퇴근 시간 이후에 기록이 몰린다는 데 있었습니다. 실제로 간호사 55명이 참여한 스프링필드 병동에서는 늦은 퇴근과 점심을 거른 내역을 기준으로 측정한 추가 초과근무가 29%에서 56% 줄어들었습니다.

초기 성능이 완벽하지 않아도 현장의 협력 구조를 통해 완성도를 끌어올릴 수 있다는 사실도 주목할 만합니다. 처음 도입했을 때 30%였던 정확도가 간호사들의 피드백을 학습하며 1년도 안 되어 90%까지 올라갔습니다. 기술을 사서 바로 배치하는 것으로 끝내지 않고 현장 실무자가 직접 시스템을 길들일 수 있는 소통 창구를 열어두었습니다.

발표된 수치는 머시 전체 간호사가 아니라 46명 또는 55명이 속한 개별 병동과 세인트루이스 혁신 병동, 그리고 간호사 85명을 대상으로 한 설문조사 단위의 결과입니다. 머시는 마이크로소프트와 이 제품을 공동 개발했습니다. 현장 실무자가 겪는 서식 입력의 번거로움을 덜어주고 본연의 업무인 환자 돌봄으로 시간을 되돌려주었다는 점에서, 머시의 경험은 행정 부담을 줄이려는 조직에 실질적인 참고가 됩니다.


출처