병원 전 직원을 위한 AI 입문
- 분류
- 직무교육 · 병원·요양
- 차시
- 14차시
- 교육 대상
- 병원 전 직원(의사·간호사 등 진료 인력과 원무·사무 인력을 포함한 모든 직종)
과정 소개
진료 인력과 원무·행정 인력을 포함한 병원 전 직원을 위한 14차시 AI 기초 과정입니다. 실제 사례로 AI의 작동 원리, 진단 보조의 성과와 한계, 병원에서 쓰는 기록 자동화와 심사 AI, AI가 오진에 관여했을 때의 책임 소재를 다룹니다.
학습목표
- AI·머신러닝의 기본 원리와 한계를 설명할 수 있다. 병원에서 실제로 쓰이는 AI(조기경보·영상진단·기록자동화·보험심사)의 성과와 한계를 사례로 판단할 수 있다. 의료 AI의 국내 도입 현황과 오진 책임소재·규제를 설명할 수 있다.
차시 구성
14차시1차시AI·머신러닝·딥러닝의 차이와 발전사
학습목표
- AI(인공지능)와 머신러닝, 딥러닝이 각각 무엇이고 서로 어떤 관계인지 설명할 수 있다.
- 다트머스 회의부터 두 번의 'AI 겨울(AI에 대한 관심과 투자가 크게 식은 시기)', 알렉스넷까지 AI 역사의 중요한 순간들을 말할 수 있다.
학습내용
- AI 안에 머신러닝이, 머신러닝 안에 딥러닝이 있는 포함관계와 각각의 뜻
- 튜링 테스트와 '기계가 생각할 수 있는가'라는 오래된 질문
- 다트머스 제안서(1955)와 '인공지능'이라는 이름이 생긴 이야기
- 퍼셉트론(1958)의 등장부터 XOR 문제, 역전파(1986)의 재발견까지 이어지는 신경망의 부침
- 전문가시스템의 흥망과 두 번의 AI 겨울
- 알렉스넷(2012)과 딥러닝 시대의 시작
2차시지도학습·비지도학습·강화학습
학습목표
- 지도학습·비지도학습·강화학습이 서로 어떻게 다른지 구분해 설명할 수 있다.
- 각 학습 방식이 실제 업무나 서비스에서 어떻게 쓰이는지 예를 들 수 있다.
학습내용
- 지도학습: 정답 있는 데이터로 배우기
- 비지도학습: 정답 없이 패턴과 무리를 찾기
- 강화학습: 보상을 받으며 시행착오로 배우기
- 세 가지 방식의 대표 활용 사례와 구분 기준
3차시생성형 AI는 어떻게 문장을 만들어낼까요?
학습목표
- AI가 문장을 만들어내는 핵심 원리를 쉬운 비유로 설명할 수 있다.
- 최근 대표 LLM들이 어떻게 달라지고 발전해 왔는지 흐름을 말할 수 있다.
학습내용
- 셀프어텐션: 문장 속 단어끼리 서로 참고하는 방법
- 토큰화·컨텍스트 윈도우: AI가 언어를 다루고 기억하는 방식
- 최근 대표 LLM들의 발전 흐름과 병원 업무에 쓰이는 이유
4차시AI가 잘하는 일과 못하는 일, 그리고 잘 묻는 법
학습목표
- AI가 잘하는 일과 못하는 일을 구분해서 업무에 활용할 수 있다.
- 제로샷·퓨샷·연쇄사고 같은 프롬프트 작성법을 실제 업무 요청에 활용할 수 있다.
학습내용
- 시험 점수로 보는 AI 실력의 급성장과 '들쭉날쭉한 지능'
- AI의 한계: 최신 정보 모름(지식 컷오프)·계산 실수·긴 문서 요약 시 빠뜨리는 내용
- AI에게 잘 시키는 법: 제로샷·퓨샷·연쇄사고(CoT)·역할 지정·체이닝
- AI에게 지시할 때 자주 하는 실수
- AI 말을 그대로 따랐다가 벌어진 실제 사고 사례
5차시AI가 그럴듯한 거짓말을 하는 이유
학습목표
- AI가 왜 그럴듯하지만 틀린 답(환각)을 하는지 설명할 수 있다.
- AI가 특정 집단에 불리한 판단(편향)을 내리는 이유를 설명할 수 있다.
- AI 답을 확인하는 습관을 업무에 적용할 수 있다.
학습내용
- 환각이 생기는 이유: AI가 다음 단어를 확률로 예측하다 보니 생기는 부작용
- 실제 있었던 사고 사례: 법정에 제출된 가짜 판례, 채용·재범예측·의료비 산정에서 드러난 편향
- 확인하는 습관: 출처 확인·사람이 다시 보기
6차시AI에게 물어봐도 되는 것과 안 되는 것
학습목표
- AI를 쓸 때 환자정보·개인정보에 어떤 위험이 있는지 설명할 수 있다.
- AI를 안전하게 쓰기 위한 실무 수칙을 지킬 수 있다.
학습내용
- 개인정보보호법과 GDPR(유럽 개인정보보호법)에서 AI와 관련된 핵심 내용
- 재식별 위험: 이름을 지운 데이터도 다시 개인을 알아볼 수 있다
- AI 서비스에서 실제로 있었던 데이터 유출 사고
- 환자정보·병원 정보를 AI에 입력할 때 지켜야 할 수칙
7차시회사는 왜 AI 도입에 성공하거나 실패할까
학습목표
- AI 도입이 성공하거나 실패하는 이유를 조직 차원에서 설명할 수 있다.
- 책임감 있게 AI를 관리하는 데 필요한 핵심 요소를 말할 수 있다.
학습내용
- AI 도입에 실패한 사례: 질로우 오퍼스, 에어캐나다 챗봇 소송
- MIT 조사 결과: 기업 95%가 투자 대비 성과를 못 낸 이유
- AI를 잘 관리한 사례: DBS은행, KT
- 국제 표준 ISO/IEC 42001과 AI 도입 수준을 재는 방법
8차시AI 시대, 내 일자리와 필요한 능력은 어떻게 바뀌는가
학습목표
- AI가 직업별로 일자리에 어떤 영향을 주는지 통계 자료로 설명할 수 있다.
- AI 시대에 필요한 능력과 다시 배워야 할 방향을 말할 수 있다.
학습내용
- 늘어나는 직업과 줄어드는 직업
- AI가 업무 능률을 끌어올리는 효과
- AI 능력 단계 구분과 재교육 사례
9차시패혈증·낙상 예측 AI의 성과와 한계
학습목표
- 병원에서 쓰이는 조기경보·예측 AI(패혈증·재입원·낙상·욕창)의 작동 방식을 설명할 수 있다.
- 실제 도입·논란 사례로 예측 AI의 성과와 한계를 판단할 수 있다.
- 국내 조기경보 시스템 도입 사례를 설명할 수 있다.
학습내용
- 조기경보 스코어(ESM/eCART) 메커니즘
- 재입원·낙상·욕창 예측 성공 사례
- Epic 패혈증 모델 논란
- 국내 딥카스 등 조기경보 도입 사례
- 임상 워크플로 통합의 어려움
10차시영상 진단 보조 AI와 태국 사례
학습목표
- FDA 승인을 받은 영상의학·병리 AI 도구(Aidoc·Viz.ai·루닛·VUNO)의 역할을 설명할 수 있다.
- 임상 검증·규제 승인 절차를 설명할 수 있다.
- 실험실 정확도와 현장 배치 사이의 격차를 실사례로 판단할 수 있다.
학습내용
- CAD/CADe/CADx 정의
- 해외·국내 대표 진단 보조 AI 사례
- 임상 검증·규제 승인 절차
- 구글 당뇨망막병증 AI의 태국 실배치 사례
- 현장 적용의 한계
11차시진료 기록을 받아쓰는 AI와 서류 작성 AI
학습목표
- 앰비언트 AI 스크라이브(Abridge·DAX Copilot 등)가 진료기록을 자동화하는 방식을 설명할 수 있다.
- 처방약 사전승인 등 행정 문서화 자동화 AI의 효과를 사례로 설명할 수 있다.
- 서울아산병원 등 국내 도입 사례를 설명할 수 있다.
학습내용
- 앰비언트 AI 스크라이브 정의·작동 원리
- 해외·국내 도입 성과(번아웃 감소·시간 절감)
- 처방약 사전승인 자동화
- 품질보증 체계 사례(카이저 퍼머넌트)
12차시보험금 거절 AI와 nH Predict 소송
학습목표
- 미국 보험사의 AI 보장심사·거부 사례(UHC/naviHealth, Cigna)를 설명할 수 있다.
- CMS 등 규제 당국의 대응을 설명할 수 있다.
- 병원 행정직 입장에서 이 논쟁이 갖는 시사점을 판단할 수 있다.
학습내용
- nH Predict 집단소송(Lokken 사건)
- Cigna PXDX 스캔들
- CMS의 AI 사용 규제
- 보험사 AI 사용의 핵심 쟁점
13차시한국 병원 AI의 인허가와 급여 현황
학습목표
- 국내 대형병원의 AI 도입 사례를 설명할 수 있다.
- 식약처 AI 의료기기 인허가 절차를 설명할 수 있다.
- 인허가와 건강보험 급여 제도 사이의 격차를 판단할 수 있다.
학습내용
- 병원별 AI 도입 사례(삼성서울·세브란스·서울아산·분당서울대·국립암센터 등)
- 국내 의료 AI 기업 사례(루닛·제이엘케이 등)
- 식약처 AI 의료기기 인허가 절차
- 건강보험 급여 지체 현황
14차시의료 AI의 규제와 윤리
학습목표
- FDA SaMD 분류와 의료 AI 윤리원칙을 설명할 수 있다.
- 의료 AI 오진 시 책임소재 법리를 판단할 수 있다.
- 데이터 프라이버시·알고리즘 편향 이슈를 설명할 수 있다.
학습내용
- FDA AI 의료기기 분류·PCCP·GMLP
- AMA/WMA 윤리원칙
- HIPAA·국내 개인정보보호법
- 알고리즘 편향 거버넌스
- 의료 AI 책임소재 법리(국내외)
