의료 지식베이스 용어 표준화, 어디서부터 시작해야 실패하지 않을까

의료 지식베이스 용어 표준화는 병원 AI 시스템과 데이터 연계의 출발점이다. 같은 증상을 병원마다 다른 코드로 기록하거나, 동일한 검사 결과를 서로 다른 명칭으로 저장하는 순간, 시스템 간 데이터는 사실상 단절된다. 용어가 맞지 않으면 아무리 정교한 AI 모델을 붙여도 추론 근거 자체가 흔들린다.

2026년 8월 기준, 보건복지부는 제7차 보건의료용어표준 고시를 개정하며 의료현장에서 사용되는 용어 표준화를 지속적으로 확산하고 있다. 단계적 로드맵도 구체화되어 있다. 한국인 주요 10대 호발암과 감염병을 시작으로 심뇌혈관, 만성질환 영역까지 순차적으로 표준 용어 체계를 확장하는 방향이다. 이 흐름 속에서 병원과 의료 IT 실무자가 주목해야 할 것은 “왜 필요한가”보다 “어떻게 시작하고, 무엇을 기준으로 검증하는가”다.

안녕하세요, 마케팅과 업무자동화를 설계하는 FLOWOOD입니다.

의료 용어 표준화가 필요한 이유는 무엇인가

의료 데이터의 가장 큰 문제는 겉으로 같아 보이는 정보가 시스템 안에서 전혀 다른 코드로 분산된다는 점이다. 예를 들어 감기 증상인 ‘목이 아프다’, ‘인후통’, ‘인두염’은 임상 현장에서 혼용되지만, 각기 다른 코드 체계 아래 저장되면 AI가 동일 증상으로 인식하지 못한다. 병원 내부에서도 영상의학과, 병리과, 정형외과가 쓰는 용어 체계가 다를 수 있고, 한국어와 영어 표현이 뒤섞여 있으면 데이터 집계 자체가 불가능해진다.

가톨릭대학교 서울성모병원이 국내 대학병원 최초로 의료데이터를 표준화해 디지털 임상 실증 기반을 확보한 사례는 이 문제를 명확히 보여준다. 단순히 코드를 정리하는 수준이 아니라, 영상의학과·병리과·정형외과·소화기내과에서 사용하는 의료 용어와 한국어·영어를 동시에 인식할 수 있는 체계를 구축한 것이다. 이 수준의 표준화가 이뤄져야 비로소 AI 학습 데이터로 쓸 수 있는 품질이 확보된다.

용어가 통일되지 않은 지식베이스는 아무리 크게 쌓아도 ‘형태만 있는 데이터’에 불과하다. 임상 용어 체계가 정비되지 않은 상태에서 RAG(검색증강생성) 구조나 AI 에이전트를 붙이면, 검색된 문서의 용어가 쿼리와 불일치해 엉뚱한 컨텍스트가 생성된다. AI 통역 시스템 개발 현장에서도 표준화된 용어·약어 체계를 기반으로 통역의 일관성과 안전성을 강화하는 방향이 강조되는 이유가 바로 여기에 있다.

국제 표준 체계의 실제 구조: SNOMED CT, ICD, LOINC의 역할 분리

의료 온톨로지와 임상 용어 체계를 처음 접하면 가장 먼저 혼란스러운 부분이 “SNOMED CT와 ICD는 뭐가 다른가”다. 결론부터 말하면, 이 두 체계는 경쟁 관계가 아니라 역할이 다른 보완 구조다.

**SNOMED CT(Systematized Nomenclature of Medicine — Clinical Terms)**는 임상 개념 간의 관계를 계층적으로 정의한 온톨로지다. ‘당뇨병’이 ‘내분비 질환’의 하위 개념이고, ‘제2형 당뇨병’이 다시 그 하위에 위치하는 방식으로 개념 간 의미 관계를 코드로 표현한다. 국내에서는 SNOMED CT 기반 표준참조용어세트와 용어 매핑 가이드라인을 개발하는 방향으로 정책이 진행되고 있다.

반면 **ICD-10·ICD-11(국제질병분류)**은 주로 청구·통계·행정 목적으로 사용되는 분류 체계다. 임상 기록보다는 질병의 빈도나 사망 원인을 집계하는 데 최적화되어 있어, 세밀한 임상 표현에는 한계가 있다. **LOINC(Logical Observation Identifiers Names and Codes)**는 검사 결과, 활력징후, 임상 문서의 관찰 값에 특화된 코드 체계다. 혈압 측정, CBC 결과, 심전도 판독 같은 데이터를 표준화된 식별자로 기록할 때 쓴다.

이 세 체계를 함께 쓰는 이유는 단순하다. 임상 의미는 SNOMED CT로, 진단 행정 코드는 ICD로, 검사 결과는 LOINC로 각각 관리하고, HL7 FHIR(Fast Healthcare Interoperability Resources) 표준 위에서 이 데이터들이 상호운용 가능하게 연결된다. 국내 보건복지부가 핵심교류데이터(KR CDI)와 핵심공통상세규격(KR Core)을 통해 데이터 상호운용성 확보 중심으로 표준을 개편하는 흐름도 이 맥락에서 이해해야 한다.

의료 지식베이스 용어를 표준화하는 방법: 코드 매핑 설계

의료 지식베이스 용어 체계 정비에서 실무자가 가장 많이 막히는 단계는 코드 매핑이다. 기존 병원 시스템에 이미 수만 개의 용어가 등록되어 있고, 이를 국제 표준 코드와 연결하는 작업은 단순 치환이 아니다.

코드 매핑은 크게 세 가지 유형으로 나뉜다. 첫째는 1:1 정확 매핑(exact match)으로, 병원 로컬 코드와 표준 코드의 의미가 완전히 일치하는 경우다. 둘째는 부분 매핑(partial match)으로, 로컬 코드가 표준 코드보다 더 세밀하거나 더 포괄적인 경우다. 예를 들어 병원이 사용하는 세분화된 검사명이 LOINC에 대응 코드가 없을 때 상위 코드로 매핑하는 방식이다. 셋째는 매핑 불가(unmapped)로, 완전히 병원 고유의 로컬 용어여서 표준 코드로 대응시킬 수 없는 경우다. 이 세 번째 유형을 얼마나 줄이고, 어떻게 처리할지가 매핑 품질의 핵심이다.

여기서 중요한 함정이 있다. 자동화 도구로 코드 매핑을 처음 시도하면 표면적 유사도(문자열 일치율)에 의존하는 경향이 생긴다. 그런데 의학 용어는 축약어, 동음이의어, 한자-한글 혼용이 많아 문자열 유사도만으로 매핑하면 의미가 전혀 다른 코드가 연결되는 오류가 생긴다. ‘MI’가 심근경색(Myocardial Infarction)인지 의료기관(Medical Institution)인지 문맥 없이 판단할 수 없는 것처럼, 매핑 검증 단계에 임상 전문가의 개입이 반드시 필요하다.

메타데이터 정합성도 이 단계에서 점검해야 한다. 코드 매핑이 완료되어도 데이터 타입, 단위, 측정 기준이 병원마다 다르면 집계 결과가 왜곡된다. 혈압을 mmHg로 기록하는 시스템과 kPa로 기록하는 시스템이 같은 LOINC 코드를 공유해도 수치는 호환되지 않는다.

병원 임상 용어 표준화는 어떻게 시작할까: 거버넌스와 임상용어 서버

표준화 절차를 처음 설계할 때 가장 먼저 물어야 하는 질문은 “누가 이 용어를 관리하는가”다. 기술 도구보다 거버넌스 구조가 먼저다.

임상용어 서버(Terminology Server)는 이 거버넌스를 기술적으로 뒷받침하는 핵심 인프라다. 용어 서버는 SNOMED CT, ICD, LOINC 코드 세트를 중앙에서 관리하고, 병원 내 다양한 시스템(EMR, PACS, LIS 등)이 이 서버에 쿼리를 보내 표준 코드를 조회하게 만드는 구조다. 각 부서 시스템이 자체 로컬 코드를 유지하면서도 용어 서버를 통해 표준 코드로 변환·대조할 수 있으므로, 기존 레거시 시스템을 전면 교체하지 않고도 표준화를 점진적으로 적용할 수 있다.

실무 절차는 대략 다음 순서로 진행하는 것이 일반적으로 알려져 있다.

단계	주요 작업	담당 주체
1. 현황 조사	기존 로컬 용어·코드 목록 추출 및 분류	IT팀 + 임상팀
2. 우선순위 설정	연구 수요·교류 빈도 높은 영역부터 선정	의료정보 위원회
3. 표준 매핑	국제 코드 대응, 검증, 예외 처리	임상전문가 + 용어 서버
4. 용어 서버 구축	코드 세트 탑재, API 연동	IT팀
5. 품질 검증	매핑 정확도 검수, 불일치 오류 교정	임상전문가
6. 운영·갱신 거버넌스	주기적 코드 업데이트·신규 용어 등록 관리	용어관리위원회

사실 이 절차에서 2단계, 즉 우선순위 설정이 가장 전략적으로 중요하다. 모든 용어를 한 번에 표준화하려 하면 자원이 분산되고 진척이 더디다. 국내 정책 방향처럼 연구 수요가 높은 분야부터 단계적으로 적용하는 게 현실적이다. 유방촬영술 DICOM 이미지처럼 국제 표준을 따르는 영역이라도 판독 소견, 병변 위치 표현 등 비구조적 텍스트 부분은 여전히 별도 표준화가 필요하다는 점도 놓치지 말아야 한다.

표준화 품질을 어떻게 측정할까: 성과지표와 검증 방법

용어 표준화 작업이 끝났다고 해서 끝이 아니다. 오히려 그 이후 운영 단계에서 품질이 유지되는지를 어떻게 측정하느냐가 장기적인 성패를 가른다.

일반적으로 권장되는 품질 지표는 크게 세 범주로 나눌 수 있다. 첫째, 매핑 완성도다. 전체 로컬 용어 중 표준 코드와 대응된 비율, 그리고 매핑 불가로 남은 항목의 수를 추적한다. 매핑 불가 항목이 특정 진료과에 집중된다면 그 부서의 용어 체계가 아직 정비되지 않은 신호다. 둘째, 코드 불일치율이다. 동일한 임상 개념이 시스템 간 다른 코드로 기록되는 사례를 주기적으로 감사(audit)한다. 셋째, 갱신 주기 준수율이다. SNOMED CT 같은 국제 표준 코드는 정기적으로 버전이 업데이트되는데, 병원 내 용어 서버가 이를 반영하지 못하면 최신 코드 체계와의 괴리가 생긴다.

품질 검증에서 가장 자주 놓치는 부분은 ‘사용 시점의 검증’이다. 코드 매핑을 처음 구축할 때 검수를 철저히 했더라도, 이후 EMR 업데이트나 신규 의료기기 도입으로 새로운 용어가 유입되면 검증 없이 로컬 코드가 쌓인다. 이 누적이 수개월 이상 방치되면 처음 표준화 작업의 효과가 희석된다. 따라서 신규 용어 등록 시 자동으로 표준 코드 대조를 요청하는 워크플로우를 용어 서버에 내장하는 것이 실무적으로 권장되는 방식이다.

표준화 품질은 구축 시점이 아니라 운영 6개월 이후부터 진짜 측정된다.

반론·한계

의료 용어 표준화의 필요성은 분명하지만, 이 작업이 모든 기관에 동일한 방식으로 적용될 수 있다고 단정하면 오히려 실패의 씨앗이 된다.

가장 현실적인 반론은 중소·지역 병원의 자원 한계다. 임상용어 서버를 구축하고 매핑 검증에 임상전문가를 투입하는 과정은 인력·비용·시간 모두에서 대형 병원 중심으로 설계된 접근이다. 전문 인력이 부족한 기관은 매핑 작업 자체를 외부 벤더에 의존할 수밖에 없는데, 이 경우 벤더의 매핑 로직이 병원 임상 맥락과 맞지 않아도 내부에서 검증이 어렵다는 위험이 생긴다. 표준화 결과물의 신뢰성을 담보하려면 외부 용역 결과물에 대한 내부 임상 검수 능력이 반드시 갖춰져야 한다.

또한, 국제 표준 코드 체계가 한국어 임상 맥락과 완벽히 맞아떨어지지 않는 영역이 실제로 존재한다. SNOMED CT나 LOINC는 영어권 임상 환경을 기반으로 발전했기 때문에, 한국 고유의 한방 의학 용어나 특정 전통 분류 체계는 적합한 대응 코드가 없는 경우가 있다. 이런 영역은 국제 표준을 억지로 끼워 맞추기보다 로컬 확장 코드 체계를 별도로 운영하면서 상위 표준 코드와 관계를 정의하는 방식을 먼저 검토해야 한다. 개인정보보호 측면에서도, 용어 서버를 외부 클라우드로 구축할 경우 환자 식별 가능 데이터가 매핑 쿼리에 포함되지 않도록 아키텍처 설계 단계부터 익명화 처리 흐름을 내장해야 한다는 점을 빠뜨리기 쉽다.

자주 묻는 질문

마치며

의료 지식베이스 용어 체계 정비는 기술 문제가 아니라 데이터 거버넌스의 문제다. 어떤 코드 체계를 쓸지보다 누가 어떤 기준으로 용어를 관리하고 갱신하는지가 더 본질적인 질문이다. FLOWOOD는 병원·헬스케어 기업이 AI 지식베이스와 자동화 시스템을 설계할 때 용어 표준화 구조와 데이터 정합성 기준을 함께 설계하는 것을 권장한다. 이 설계가 빠진 AI 도입은 기반 없는 구조물이다. 의료 데이터 기반 AI 시스템 설계나 지식베이스 구축 전략이 필요하다면 FLOWOOD에 문의하기 바란다.