Reducing medical claims review time with AI on AWS: The EXL Medical IDP solution

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

EXL은 AWS 기반 Medical IDP에서 Xtrakto.AI와 도메인 특화 EXL Insurance LLM을 결합해 의료기록 처리를 자동화하고, 주요 단계의 사람 검증을 유지하면서 의료기록 검토 시간을 수일에서 수시간으로 줄였다고 보고했다.

📌 핵심 요약

• 보험금 심사 담당자는 건당 100분 이상 의료기록을 수작업으로 검토하며, 수백 페이지에 이르는 비정형 기록과 전문 임상 용어, 환자 상태의 시간적 변화를 해석해야 해 처리 지연과 평가 불일치가 발생한다.
• Xtrakto.AI는 사전 정의된 템플릿 없이 문서 수집·분할·분류·추출·보강·후처리를 수행하고, EXL Insurance LLM은 보험·의료 지식을 바탕으로 요약, 자연어 질의, 추적 가능한 추론과 구조화된 출력을 제공한다.
• Amazon SageMaker AI는 도메인 모델의 학습과 실시간 추론을 담당하고, Amazon Bedrock은 범용 기반 모델을 제공한다. 솔루션은 하나의 AWS 리전 안에서 실행되며, IAM 접근 통제와 운영 환경에서 분리된 모델 개발 환경을 사용한다.
• EXL은 9년간의 보험금 청구 업무에서 확보한 13,500건 이상의 기록을 준비하고, HIPAA 요구사항에 부합하는 비식별화와 데이터 정제를 거쳐 Amazon SageMaker AI에서 PEFT·LoRA 방식으로 모델을 미세 조정했다.
• EXL 내부 벤치마크는 자동 평가 지표와 보험 분야 전문가 3명의 블라인드 검토로 주요 업무 성능을 평가했으며, 원문은 구체적인 점수 없이 긍정적인 결과와 수일에서 수시간으로의 검토 시간 단축을 보고한다. 제공된 본문은 7단계 처리 과정 중 2단계의 필기 문서 설명에서 중단된다.

🧩 주요 포인트

1. 문서 처리와 도메인 해석의 역할 분담 → Xtrakto.AI의 추출 결과를 EXL Insurance LLM의 보험·의료 추론으로 연결해 심사 업무에 활용할 수 있는 정보로 전환한다.
2. 범용 모델과 도메인 모델의 병행 → Amazon Bedrock과 Amazon SageMaker AI를 통해 과업에 맞는 모델을 사용하고, 공통 접근 통제 아래 학습과 운영을 관리한다.
3. 내부 평가와 사람 검증을 동반한 시간 단축 → 업무 효율 개선 가능성을 보여주지만, 구체적인 평가 점수와 전체 처리 과정이 제시되지 않아 성능 및 적용 범위의 판단에는 한계가 있다.

🧠 상세 정리

1. 의료기록 검토의 복잡성과 업무 부담

보험금 심사와 생명보험 인수심사에서 의료기록은 청구의 타당성, 지급액, 인수 여부를 판단하는 핵심 근거이며, 담당자는 건당 100분 이상을 수작업 검토에 사용한다. 기록은 흔히 수백 페이지에 이르고, 비정형 문서에 담긴 전문 임상 용어를 이해하면서 환자의 상태와 시간에 따른 변화를 여러 자료에 걸쳐 연결해야 한다. 문서 유형도 척추 지압 치료 기록, 진단검사, 응급실 방문, 수술 보고서, 의사 상담, 처방약 보고서, 정신과 평가, 검사 결과, 독립 의료검사 보고서와 동료 검토 등으로 다양하다. 이 작업에는 의료 전문성, 지속적인 집중력과 해석적 판단이 필요하므로 처리 속도가 느리고, 같은 자료도 검토자에 따라 다르게 해석될 수 있다. 원문은 이러한 어려움이 보험금 지급 지연, 평가 정확성 문제, 보상 비용 증가, 고객 경험 악화와 규제 당국의 감독 강화로 이어진다고 설명한다.

2. 두 AI 애플리케이션을 결합한 해결 방식

EXL은 25년 이상 Fortune 500 기업에 서비스를 제공해 온 데이터 분석·AI·디지털 솔루션 기업으로, 전 세계 50,000명 이상의 인력을 보유하고 보험과 의료를 비롯한 여러 산업에서 활동한다. 이 회사는 의료기록 처리 문제를 해결하기 위해 AWS에 호스팅되는 하나의 종단 간 솔루션 안에 Xtrakto.AI와 EXL Insurance LLM을 결합했다. Xtrakto.AI는 컴퓨터 비전, 자연어 처리와 에이전트형 AI 워크플로를 사용해 사전 구성된 템플릿 없이 문서를 수집·분할·분류하고 데이터를 추출·보강·후처리한다. EXL Insurance LLM은 보험·의료 데이터로 미세 조정되어 임상 용어, ICD·CPT 코드, 진단과 치료의 관계를 이해하고 의료 요약, 자연어 질의, 추적 가능한 심층 추론과 구조화된 출력을 담당한다. 두 애플리케이션은 원시 의료 문서를 보험금 심사 담당자, 인수심사 담당자와 케어 코디네이터가 활용할 수 있는 정보로 전환하는 자동화 파이프라인을 구성한다.

3. AWS 기반 모델 운영과 전체 아키텍처

EXL은 모델 개발과 운영 추론을 일관된 보안 통제 아래 관리하기 위해 AWS를 선택했으며, 솔루션은 하나의 AWS 리전 안에서 실행되고 외부 고객 애플리케이션과 보안 API로 연결된다. Amazon SageMaker AI는 다중 GPU 미세 조정, 운영과 분리된 실험, 청구량에 맞춰 확장되는 실시간 추론 엔드포인트를 제공하고, Amazon Bedrock은 단일 API로 범용 기반 모델에 대한 온디맨드 접근을 제공한다. 두 서비스에는 IAM으로 범위가 지정된 접근 통제가 적용되며, 원문은 이를 보호 대상 건강정보를 다루는 업무의 필수 요소로 설명한다. 전체 구조는 수집부터 결과 전달까지 11단계와 별도의 모델 개발 단계로 구성되고, Amazon API Gateway와 Amazon Cognito가 API 및 인증·인가를, AWS Step Functions가 요청 분해와 라우팅을 맡는다. Amazon Textract와 AWS Lambda는 전처리를, Amazon DynamoDB와 Amazon RDS는 참조 데이터에 의한 보강을, Amazon S3는 문서와 처리 결과 저장을 담당한다. AWS Lambda는 여러 형식의 출력을 생성하고 Amazon CloudWatch는 애플리케이션과 모델을 모니터링하며, Amazon Bedrock의 모델 가용성은 AWS 리전에 따라 확인하도록 안내된다.

4. 프롬프트 조정 대신 도메인 미세 조정을 택한 이유

원문은 의료기록을 다루는 보험금 청구 업무에 맞춰 미세 조정한 EXL Insurance LLM을 이 솔루션의 핵심 차별점으로 제시한다. GPT-4나 Claude 같은 범용 모델은 폭넓은 언어 이해 능력을 갖추고 있지만, 보험금 심사에 필요한 전문 어휘, 추론 방식과 업무 흐름에 대한 이해는 부족하다는 것이 EXL의 설명이다. 구체적으로 의료기록 주석에는 여러 유형의 태그가 필요하고, 경제적·비경제적 손해에 맞춘 요약 형식이나 협상 지침 생성처럼 보험 업무에 특화된 과제가 존재한다. EXL은 이러한 요구를 대규모로 일관되게 충족하려면 프롬프트만으로는 충분하지 않고 깊은 도메인 적응이 필요하다고 주장한다. 이에 따라 Amazon SageMaker AI에서 목적에 맞게 모델을 학습시키고 보험 특화 자연어 처리 과제로 범용 모델과 비교했으며, 범용 언어 작업에는 Amazon Bedrock을 통해 제공되는 모델을 함께 사용한다.

5. 학습 데이터 준비와 민감정보 처리

EXL은 9년간의 보험금 청구 업무에서 축적한 13,500건 이상의 기록을 학습 데이터로 선별했으며, 여기에는 구조화된 데이터베이스 기록과 비정형 의료 문서가 모두 포함된다. Amazon Textract를 사용한 OCR은 스캔된 의료 PDF에서 텍스트를 추출하면서 줄과 단어 수준의 위치 맥락을 보존해 의료 소견 사이의 관계를 유지하도록 했다. 자동 분류기는 무관하거나 스캔 품질이 낮은 페이지를 찾아 제거해 학습 데이터의 품질 저하를 줄이는 역할을 맡았다. 학습 전에는 HIPAA 요구사항에 부합하는 비식별화 절차로 보호 대상 건강정보를 제거하여 모델이 민감한 환자 데이터를 학습하지 않도록 했다고 설명한다. 또한 한 페이지에 여러 의료 소견이 있을 때 출력이 불일치하는 문제를 줄이기 위해 페이지별 여러 태그 인용을 하나의 학습 예제로 통합했다.

6. 미세 조정 방식과 내부 성능 평가

EXL은 Amazon SageMaker AI에서 PEFT와 LoRA를 사용해 기반 모델의 모든 매개변수를 수정하지 않고도 도메인에 적응시키는 방식을 채택했으며, 이를 성능을 유지하면서 계산 비용을 낮추는 접근으로 설명한다. 학습에는 NVIDIA GPU를 탑재한 다중 GPU 인스턴스, 데이터 병렬화와 모델 병렬화, 학습 파이프라인 구축·관리를 위한 NVIDIA NeMo 프레임워크가 사용됐다. 실험은 운영 추론과 분리된 SageMaker AI 환경에서 수행되어 실제 서비스 작업에 영향을 주지 않도록 구성됐다. EXL 내부 벤치마크는 태깅, 요약, 질의응답과 추론을 BLEU·ROUGE·BERTScore·METEOR 및 보험 분야 전문가 3명의 블라인드 검토로 평가했고, 원문은 우수한 성능을 보였다고 서술한다. 다만 구체적인 점수와 상세 방법론은 본문에 제시하지 않고 별도의 EXL 백서를 참조하도록 하며, 의료기록 검토 시간을 수일에서 수시간으로 줄이는 과정에서 주요 단계의 사람 검증으로 품질 유지를 지원했다고 보고한다.

7. 처리 1단계: 문서 분할과 의미 기반 분류

실제 문서 처리 설명은 7단계로 소개되며, 첫 단계는 상위 애플리케이션이 Amazon API Gateway 기반 수집 API로 추출 요청을 보내는 데서 시작한다. 여러 채널과 형식으로 들어온 문서는 AWS Lambda 함수가 Apache Tika를 이용해 파싱하고 OCR 이후 정규화하는 초기 처리를 거치며, 원본은 Amazon S3에 저장된다. Amazon Cognito를 통한 인증 이후 AWS Step Functions가 입력에 맞춰 하위 요청을 만들고 적절한 처리 모듈로 내용을 전달한다. Xtrakto.AI의 분류 엔진은 문서 배치나 미리 정의한 템플릿 대신 의미와 맥락을 기준으로 추론하며, 퓨샷 학습과 전이학습을 활용해 적은 학습 샘플로 새로운 문서 유형을 분류할 수 있다고 설명한다. 여러 첨부파일이 포함된 이메일과 같은 묶음 파일은 개별 하위 문서로 나뉘고, 각 문서는 해당하는 후속 추출 모듈로 전달된다.

8. 처리 2단계: 스캔 품질 보정과 필기 문서의 복잡성

두 번째 단계는 신뢰도 점수와 추적성을 갖춘 데이터 추출로 소개되지만, 제공된 본문은 그중 전처리와 필기 문서 유형을 설명하는 부분에서 중단된다. 문서는 기계 판독 가능성 검사, Amazon Textract 기반 OCR, 파일 형식 변환과 텍스트 임베딩 생성을 거치며, 이 과정은 AWS Step Functions가 조정하는 Lambda 함수로 실행된다. Amazon SageMaker AI에 배포된 CNN·RCNN 컴퓨터 비전 모델은 픽셀 수준의 이미지 데이터를 처리해 낮은 해상도, 주름이나 얼룩에 의한 잡음, 기울어짐, 필기와 인쇄 내용의 혼재 같은 문제에 대응한다. 이 모델들은 중복 페이지, 테두리가 있거나 없는 표, 추출 영역과 서명을 탐지하고 바코드 및 QR 코드를 해석하는 역할도 수행한다. 원문에 따르면 전체 문서의 약 25~30%에 필기가 포함되며, 필기 분량 중 구조화된 양식 기입은 약 50~60%, 반구조화 주석은 약 15~20%, 완전한 자유 형식 의사 메모는 약 15~20%를 차지한다. 유형마다 전문적인 처리가 필요하다는 설명 도중 본문이 끊겨, 세부 처리법이나 신뢰도 점수 산정 및 이후 단계의 실제 동작은 제공된 자료로 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 이 솔루션의 설계상 특징은 문서에서 데이터를 꺼내는 기능과 보험·의료 맥락을 해석하는 기능을 분리한 뒤 연결하는 데 있으며, 두 기능이 심사 업무에 필요한 정보 생성 과정에서 상호 보완한다.
• 도메인 미세 조정은 범용 모델의 전면 대체로 제시되지 않는다. EXL은 전문 추론에는 EXL Insurance LLM을, 더 넓은 언어 작업에는 Amazon Bedrock의 범용 모델을 사용하는 역할 분담을 택했다.
• 보고된 시간 단축에는 주요 단계의 사람 검증이 함께 포함되므로 완전 무인 심사의 성과로 해석할 수 없으며, 내부 평가의 구체적인 점수가 없어 모델 간 우위의 크기도 확인하기 어렵다.

✅ 액션 아이템

• Xtrakto.AI의 문서 처리와 EXL Insurance LLM의 보험·의료 해석을 구분해 적용 대상 업무를 검토한다.
• Amazon SageMaker AI와 Amazon Bedrock의 과업별 역할 및 IAM 접근 통제 구성을 검토한다.
• 수일에서 수시간으로의 검토 시간 단축을 평가할 때 사람 검증의 범위와 내부 벤치마크의 구체적인 평가 점수를 확인한다.

❓ 열린 질문

• 수일에서 수시간으로의 검토 시간 단축은 어떤 의료기록과 업무 범위를 기준으로 측정됐는가?
• EXL 내부 벤치마크의 구체적인 평가 점수와 보험 분야 전문가 3명의 블라인드 검토 결과는 무엇인가?
• 7단계 처리 과정에서 사람 검증이 수행되는 주요 단계와 검증 범위는 무엇인가?