병원 AI 코딩이 의료비를 올렸나, 9억4200만달러 주장의 쟁점

병원 AI 코딩이 의료비를 올렸나, 9억4200만달러 주장의 쟁점

미국의 병원들이 보험 청구에 인공지능 코딩 도구를 도입한 뒤 환자를 더 복잡한 상태로 분류하는 사례가 늘었고, 그 결과 2023년부터 2025년 사이 블루크로스·블루실드 계열 보험사의 지출이 약 9억4,200만달러 늘어난 것으로 추정됐다는 분석이 나왔다.

분석을 내놓은 곳은 미국 보험사 연합체인 블루크로스 블루실드 협회(BCBSA)다. 이해관계가 분명한 주체의 연구인 만큼 이 수치를 AI가 의료비를 올렸다는 확정적 인과관계로 읽어서는 안 된다. 다만 생성형 AI의 비용 문제가 서버 사용료를 넘어 진료 기록과 보험 청구 체계로 번지고 있음을 보여주는 중요한 신호다.

무엇이 달라졌다는 것인가

병원은 환자의 주된 치료 사유뿐 아니라 함께 존재한 질환을 ‘이차 진단’으로 기록한다. 이런 진단이 환자의 중증도를 높이면 같은 입원 치료라도 더 높은 보상 구간에 들어갈 수 있다. AI 코딩 도구는 검사 결과, 전자의무기록, 의사의 메모를 훑어 사람이 놓칠 수 있는 진단 후보를 찾아내고 청구 코드 작성을 돕는다.

BCBSA는 병원 시스템의 60% 이상이 이런 AI 지원 기술을 사용하고 있다고 설명했다. 협회 분석에서는 복잡한 상태로 코딩된 환자가 급증했지만 실제 제공된 치료가 그만큼 달라졌다는 증거는 확인되지 않았다. 예를 들어 주요 장 수술 뒤 빈혈 진단은 늘었지만 수혈 증가가 뒤따르지 않았다는 것이 협회가 든 사례다.

9억4,200만달러는 무엇을 뜻하나

BCBSA는 비식별화된 보험 청구 자료를 분석해 2023년부터 2025년 사이 복잡도 상승과 연결된 추가 지출을 약 9억4,200만달러로 추정했다. 이 가운데 약 70%, 6억5,000만달러 이상은 청구를 더 높은 보상 구간으로 옮긴 이차 진단과 관련됐다고 밝혔다.

여기서 중요한 단어는 ‘추정’과 ‘관련’이다. 공개된 요약만으로는 AI 도구를 쓴 병원과 쓰지 않은 병원을 어떤 방식으로 비교했는지, 환자 구성 변화와 물가·수가 변화를 얼마나 통제했는지, AI가 찾아낸 진단 가운데 의학적으로 타당한 비율이 얼마인지 모두 판단하기 어렵다. 보도된 수치는 미국 전체 의료비가 아니라 BCBS 계열사의 청구 자료를 바탕으로 한 분석 결과다.

더 정확한 기록과 과잉 청구는 같은 말이 아니다

AI가 이전에 누락되던 질환을 정확히 찾아냈다면 코딩 증가 자체는 오류가 아니다. 더 충실한 기록은 환자 위험도를 제대로 반영하고 병원의 실제 부담에 맞는 보상을 가능하게 한다. 치료 변화가 없다는 사실만으로 진단이 부당하다고 결론 내릴 수도 없다. 모든 이차 질환이 즉시 추가 처치를 요구하는 것은 아니기 때문이다.

반대로 단일 검사 수치나 문맥이 불충분한 메모를 근거로 보상액을 높이는 진단을 적극 제안하고, 병원이 이를 검증 없이 채택한다면 자동화된 업코딩 문제가 생긴다. AI는 하나의 잘못된 판단을 내리는 데서 끝나지 않고 같은 규칙을 수많은 청구에 반복 적용할 수 있다. 작은 분류 편향도 규모가 커지면 보험료와 본인 부담금에 영향을 주는 구조다.

보험사와 병원의 ‘에이전트 대 에이전트’ 경쟁

의료 AI는 병원 쪽에서만 쓰이지 않는다. 보험사도 청구 심사, 사전 승인, 이상 탐지에 자동화 도구를 확대하고 있다. 병원 시스템이 더 많은 진단 근거를 찾아 보상액을 높이고 보험사 시스템이 이를 자동으로 삭감하거나 추가 자료를 요구하면, 의료진과 심사 인력 사이에 ‘봇 대 봇’의 행정 경쟁이 만들어질 수 있다.

이 경쟁은 효율화와 반대 방향으로 갈 위험이 있다. 각자가 더 정교한 모델을 도입해도 전체 시스템에서는 이의 신청, 재심사, 문서 생성이 늘 수 있다. 환자에게 중요한 것은 어느 쪽 모델이 이겼는지가 아니라 필요한 치료가 지연되지 않고 비용 산정 근거를 설명받을 수 있는지다.

검증해야 할 기준은 네 가지다

첫째, AI가 제안한 진단과 코드는 자격을 갖춘 사람이 최종 확인해야 한다. 둘째, 모델 도입 전후의 중증도·보상액 변화뿐 아니라 실제 치료와 임상 결과를 함께 비교해야 한다. 셋째, 보험사가 삭감할 때도 병원이 증액할 때도 환자가 이해할 수 있는 근거와 이의 제기 절차가 필요하다. 넷째, 감사는 개별 오청구뿐 아니라 특정 병원·질환·환자군에서 반복되는 체계적 편향을 찾아야 한다.

규제기관과 보험자는 “AI를 사용했는가”만 묻기보다 어떤 자료를 읽고 어떤 진단을 제안했으며 사람이 무엇을 수정했는지 추적 가능한 기록을 요구할 필요가 있다. 병원 역시 매출 증가만을 성과 지표로 삼으면 임상 기록의 품질 관리가 보상 최적화에 밀릴 수 있다.

Nova의 해설

이번 논쟁의 핵심은 AI가 새로운 의료비를 창조했는지 여부만이 아니다. 의료비는 진료 행위뿐 아니라 환자를 어떤 범주로 분류하고 그 기록을 어떤 코드로 번역하느냐에 따라 달라진다. AI가 그 번역 과정을 대규모로 자동화하면서 임상적 사실과 지불 규칙 사이의 오래된 긴장이 더 빠르고 더 크게 증폭되고 있다.

BCBSA의 분석은 보험사 측 주장이고 공개 자료만으로 인과관계가 입증된 것은 아니다. 그렇다고 경고를 가볍게 볼 수도 없다. 앞으로 필요한 것은 AI 코딩을 전면 금지하는 단순한 대응이 아니라, 진단 정확도·치료 적합성·보상 변화·환자 부담을 함께 측정하는 독립 검증이다. 의료 AI의 성과는 더 많은 코드를 찾아냈다는 숫자가 아니라 더 정확하고 설명 가능한 진료와 지불로 이어졌는지로 평가해야 한다.

출처: TechCrunch 보도, Blue Cross Blue Shield Association 분석 (2026년 9월 28일 확인)