From Ambient Documentation to Clinical Intelligence — Chaitanya Asawa, Abridge

한 줄 핵심

Abridge는 진료 대화를 중심으로 문서 작성부터 임상 의사결정과 주문 처리까지 확장하며, 의료처럼 고위험 분야에서 평가·지연시간·비용을 동시에 통제하는 AI 제품 구조를 보여준다.

시간별 요약

1. 0:00
   현장의 반응을 읽고, 임상의의 목소리를 듣기 의료 현장에서 실제로 쓰이는 이유는 진료 중에 환자에게 집중할 수 있게 해주고, 진료 후 문서 작업 부담을 줄여주기 때문이다. 사용자들은 Abridge가 진료 방식의 핵심이 되었고, 환자를 보면서 메모 걱정 없이 대화에 집중할 수 있다고 말한다.
2. 2:08
   의료가 기술 분야로 가볍게 취급되는 이유 의료는 팩스처럼 낡은 방식이 남아 있어 기술적으로 덜 흥미롭다고 여겨지기 쉽지만, 실제로는 가장 높은 위험도와 복잡성을 가진 문제들이 모여 있다. 이 발표는 임상 문서화에서 임상 지능으로 이어지는 Abridge의 여정과, 의료에 필요한 최전선 AI 문제를 보여주려는 데 초점이 있다.
3. 2:59
   로보틱스에서 검색을 거쳐 의료로 초기에는 Vicarious에서 로보틱스와 AGI 연구를 했고, 이후 Glean에서 조직 내 정보가 흩어진 문제를 해결하며 컨텍스트의 중요성을 체감했다. 의료는 접근성과 비용 같은 오랜 문제를 가진 분야였고, 기술이 충분히 성숙하면 산업이 실제 임상으로 들어갈 수 있다는 기대가 커졌다고 본다.
4. 5:25
   계속 오르는 비용과 생산성의 역설 다른 산업과 달리 의료는 시간이 지나도 행정 비용이 내려가지 않고 오히려 올라가며, 노동을 더 투입해도 생산성이 따라가지 못하는 구조다. 이는 기술이 의료에 충분히 스며들지 못한 탓이 크고, 그래서 자동화와 지능화의 여지가 매우 크다.
5. 6:14
   폐업, 얇은 마진, 그리고 임상의 번아웃 병원은 마진이 매우 얇고 일부는 폐업하고 있으며, 환자들의 의료 부채도 심각한 문제로 남아 있다. 무엇보다 의사들이 번아웃을 겪고 자녀에게 권하기 어려운 직업이 되었다는 점이, 문서 작업을 줄여야 하는 강한 이유가 된다.
6. 7:04
   모든 진료 뒤에 남는 노트와 파자마 타임 모든 진료가 끝난 뒤에는 SOAP note 같은 임상 노트를 작성해야 하고, 이 작업은 하루 2시간 정도를 차지하며 퇴근 후 파자마 타임으로 이어지기 쉽다. 그러나 이 문서는 청구와 감사, 다음 진료자에게 전달되는 환자 맥락의 기반이 되므로 정확성과 완성도가 매우 중요하다.
7. 7:56
   문서화가 첫 번째 진입점이 된 이유 기술이 성숙하면서 임상의별로 맞춤화된 고품질 의료 노트를 만들 수 있게 되었고, 이는 기술에 보수적인 의료 조직에 들어가는 강력한 진입점이 되었다. 문서 품질이 좋아지면 만족도와 생산성이 올라가고, 청구·감사 측면에서도 더 나은 기록을 남길 수 있어 빠르게 확산될 수 있었다.
8. 8:48
   모든 것은 진료 대화에서 파생된다 청구, 임상시험 매칭, 임상 의사결정 지원까지 핵심은 결국 의사와 환자의 대화에서 출발한다. 따라서 목표는 이 대화를 다시 중심에 두고, 그 주변에 쌓인 행정 작업을 자동화하는 것이다.
9. 9:38
   음성으로 임상시험을 묻고 주문을 넣기 의사가 음성으로 특정 환자의 임상시험 적합 여부를 묻고, 이어서 에코 검사를 주문하는 식으로 Abridge와 직접 상호작용하는 흐름이 소개된다. 진료 전에는 논의 주제를 제안하고, 진료 후에는 차트 준비와 문서 생성, 주문 초안을 자동으로 처리하는 방향으로 전체 방문 경험을 바꾸려 한다.
10. 10:27
    시스템이 실제로 읽는 컨텍스트 이 시스템은 EHR의 과거 검사와 메모, 현재 진료 중의 실시간 대화, 그리고 의학 문헌과 임상 가이드라인을 함께 읽어 작업한다. 환자의 현재 상태를 이해하는 핵심은 대화이며, 나머지 기록과 지식은 그 판단을 보강하는 근거가 된다.
11. 11:27
    품질·지연시간·비용을 모두 سخت모드로 다루기 의료의 생성형 AI는 품질, 지연시간, 비용이라는 세 가지 KPI를 모두 극한 조건에서 만족시켜야 한다. 특히 임상 의사결정 지원에서는 틀리면 신뢰를 잃고 실제 피해가 발생하므로, 높은 품질을 유지하면서도 대화 중에 제때 응답하고 대규모 비용을 감당해야 한다.
12. 13:08
    평가를 운영체제로 삼기 신규 기능을 만들기 전에 내부 벤치마크와 오프라인 평가를 먼저 만들고, 이후 알파 그룹과 베타, AB 테스트, 전면 출시 후 모니터링으로 점진적으로 확장한다. 의료는 실험용 프로토타입을 바로 배포할 수 없는 영역이므로, 평가가 제품 개발의 중심 운영 체계 역할을 한다.
13. 13:57
    임상의의 판단을 판정기로 인코딩하기 의료 지식이 없는 구성원도 빠르게 움직이기 위해서는 임상의의 판단 기준을 LM judge에 녹여 넣어야 한다. 이렇게 만든 판정기는 원하는 제품 행동을 반영하고, 점수와 피드백이 다시 학습과 개선으로 이어지는 루프를 만든다.
14. 14:48
    맥락 기반 임상 의사결정 지원 예를 들어 발열성 호중구감소증 기준을 묻는 질문은 질문 자체만으로는 정보가 부족하므로, EHR의 과거 검사와 현재 대화, 가이드라인과 논문을 결합해 답을 만든다. 이 제품은 질문에 대한 답변 생성보다도, 주어진 환자 맥락을 정확히 수집하고 근거에 맞게 결합하는 것이 핵심이다.
15. 15:38
    생성기와 검증기 간격이 거의 사라질 때 이 문제는 정답을 만들기 어려운 만큼 정답을 검증하기도 어렵기 때문에, 생성기와 검증기의 격차가 매우 작다. 그래서 하나의 언어모델이 답을 만들고 또 검증하는 식으로는 부족하며, 여러 신호를 결합한 신뢰 체계가 필요하다.
16. 16:27
    한 개의 루브릭을 만들기 위해 네 명의 의사 임상 품질, 경계·적대적 안전성, 톤과 스타일처럼 서로 다른 신호를 별도로 평가해 전체 품질을 맞춘다. 임상 품질 루브릭은 실제 사례를 바탕으로 여러 의사가 독립적으로 작성하고, 다른 의사가 조정·검수해 최종 기준을 만든 뒤 LM judge가 그 기준과 답변을 비교한다.
17. 18:05
    연 1억 건 대화에서의 비용 문제 Abridge는 연 1억 건의 의료 대화를 실시간으로 처리하므로, 모든 작업을 큰 foundation model에 맡기면 비용과 지연시간이 감당되지 않는다. 임상 노트처럼 여러 섹션으로 나뉜 문제는 더 작은 워크플로와 더 작은 모델로 분해해 해결하는 편이 훨씬 효율적이다.
18. 18:56
    노트의 각 섹션마다 더 작은 모델 병력, 과거력, 평가·계획처럼 섹션별로 특화된 작은 모델을 포스트트레이닝하면 품질을 유지하면서 비용과 지연시간을 낮출 수 있다. 또한 100 million medical conversations a year라는 고유 데이터셋이 모델 훈련에서의 경쟁 우위가 되며, frontier model의 변화 속도보다 더 빠르게 개선할 여지도 있다.
19. 19:49
    진료 중 말한 오더를 잡아내기 의사가 진료 중 말한 약물·비약물 오더를 실시간으로 감지해 백그라운드에서 큐에 넣고, EHR에서 서명할 수 있게 연결한다. 다만 단순 키워드 탐지가 아니라 시스템 승인 여부와 대화 맥락까지 맞아야 하므로, 저비용 게이트로 후보를 좁힌 뒤 무거운 모델을 호출하는 구조가 필요하다.

실무 인사이트

• 의료 AI는 한 번에 큰 문제를 풀기보다, 진료 대화라는 단일 원천을 중심으로 문서·의사결정·주문을 단계적으로 확장하는 전략이 효과적이다.
• 고위험 도메인에서는 모델 성능보다 평가 체계가 먼저다. 내부 루브릭, 임상의 판정, 점진적 롤아웃, 상시 모니터링을 함께 설계해야 한다.
• 비용과 지연시간은 부가 조건이 아니라 제품의 핵심 제약이다. 큰 모델을 기본값으로 두기보다, 섹션별·이벤트별로 작은 모델과 게이트를 조합하는 구조가 필요하다.