진료기록 AI 비식별화, 3단계 실습

진료가 끝난 뒤에도 기록 정리는 남습니다. 이름과 연락처를 가리고, 약품명과 핵심 내용을 다시 옮기다 보면 퇴근 시간이 밀립니다. 그렇다고 민감한 문장을 외부 AI에 그대로 넣기는 망설여집니다.

2026년 9월 15일 공개된 OpenMed 2.5.0은 진료 문서 비식별화와 임상 정보 추출을 내 컴퓨터에서 실행하는 오픈소스 도구입니다. 공식 저장소와 Python 패키지 안내에서 설치법과 기능을 확인할 수 있습니다. 비식별화는 기록에서 사람을 알아볼 수 있는 연결고리를 줄이는 작업입니다. 다만 AI가 이름을 하나 놓치면 보호가 무너질 수 있으므로, 자동 처리를 곧바로 안전한 처리로 여기면 안 됩니다.

OpenMed는 무엇을 해주나요?

사람이 기록을 읽으며 이름을 찾아 형광펜으로 가리는 일을 떠올려 보세요. OpenMed는 문장을 읽고 이름·날짜·식별번호 같은 개인정보 후보를 표시하거나 가리고, 선택한 모델에 따라 약품·질환 등 임상 정보를 구조화합니다. 쉽게 말해 문서 정리의 첫 손을 보태는 도구입니다.

NIST는 비식별화를 “식별 정보와 데이터 주체 사이의 연관성을 제거하는 모든 과정의 일반 용어”로 정의합니다. 이 정의가 알려주는 점은 분명합니다. 이름만 지우는 것으로 충분하다고 단정할 수 없고, 문맥과 다른 식별 정보도 함께 살펴야 합니다.

OpenMed SDK는 Apache-2.0 라이선스로 제공되며 Python 3.10 이상이 필요합니다. 모델과 데이터셋은 이용 조건이 서로 다를 수 있습니다. 프로젝트는 필요한 모델 파일을 준비한 뒤 CPU에서도 실행할 수 있다고 안내합니다. 모델을 처음 받을 때는 인터넷 연결이 필요할 수 있고, 캐시에 모델을 준비한 뒤 로컬 전용 설정으로 실행하는 방법도 문서에 나와 있습니다. 설치한 SDK의 라이선스와 모델 가중치의 이용 조건은 별도로 확인해야 합니다.

로컬 실행은 데이터 흐름을 통제하는 선택지이지, 비식별화 완료를 인증해 주는 도장이 아닙니다. OpenMed FAQ도 결과를 검토하라고 안내하며, 탐지는 개인정보 검토 절차를 대신하지 않는다고 밝힙니다.

우리 업무에 붙이는 방법

작은 의원에서 매일 작성하는 상담 기록을 예로 들어보겠습니다. 원본을 바로 자동 입력하는 대신, 담당자가 승인한 시험용 CSV 사본을 만들고 합성 기록부터 처리합니다. 먼저 내보내기 항목과 보관 위치를 정하고, 비식별화 결과를 별도 열에 저장한 뒤 직원이 원문과 대조합니다. 검토를 통과한 다음에야 반복 입력을 줄일 수 있는 범위를 정하는 편이 안전합니다.

상담센터나 소규모 사업장도 원리는 같습니다. 예약 메모나 문의 내용처럼 자유롭게 적힌 문장을 로컬에서 가린 다음, 필요한 항목만 엑셀에 옮기는 흐름을 만들 수 있습니다. OpenMed 예제에는 CSV 문서의 배치 처리와 임상 문서의 비식별화·정보 추출 절차가 있습니다. 실제 업무에 연결할 때는 원본 파일 접근 권한, 임시 파일 삭제, 결과 승인 담당자를 먼저 정하세요.

(주)비젼솔루션의 관점에서 자동화의 기준은 사람이 하던 단계를 무조건 없애는 데 있지 않습니다. 민감한 원문은 누가 보고, 기계가 만든 결과는 누가 확인하며, 틀렸을 때 어디서 멈출지를 먼저 정해야 작은 조직에서도 오래 쓸 수 있습니다.

합성 기록으로 3단계 실습

실제 진료 기록은 넣지 마세요. 아래 예시는 모두 가상의 영어 문장으로, 설치와 결과 형태를 익히기 위한 연습입니다. 첫 실행 때 필요한 모델 파일을 내려받을 수 있으며, 이후 인터넷 없이 실행하려면 로컬 캐시 또는 모델 경로를 미리 준비해야 합니다.

▲ 합성 문장으로 설치·처리·검토를 차례로 연습합니다 · 출처: OpenMed 공식 설치·사용 예제를 바탕으로 구성했습니다.

1. Python 환경을 준비하고 설치합니다. 공식 설치 안내가 안내하는 Hugging Face 실행 옵션을 설치합니다. 모델을 내려받는 동안에는 인터넷 연결이 필요할 수 있습니다.

python -m venv .venv
source .venv/bin/activate
python -m pip install "openmed[hf]"

Windows PowerShell에서는 가상 환경을 아래처럼 활성화합니다.

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install "openmed[hf]"

1. 가상의 기록을 비식별화하고 약품·질환 정보를 추출합니다. 아래 문장은 예시일 뿐 실제 환자 정보가 아닙니다. 첫 실행에는 선택한 모델을 불러오는 시간이 들 수 있습니다.

import openmed

note = (
    "Patient Alex Example was prescribed 500 mg metformin "
    "for type 2 diabetes."
)

masked = openmed.deidentify(
    note,
    method="mask",
    policy="hipaa_safe_harbor",
)
print(masked.deidentified_text)

result = openmed.analyze_text(
    masked.deidentified_text,
    model_name="disease_detection_superclinical",
)
for item in result.entities:
    print(item.label, item.text, item.confidence)

1. 사람이 결과를 확인하고 작은 업무부터 연결합니다. 이름과 날짜가 충분히 가려졌는지, 약품·질환 결과가 문맥에 맞는지 원문과 비교합니다. 실제 자료를 다룰 때는 기관의 개인정보 처리 절차와 접근 권한을 먼저 확인하고, 승인된 로컬 폴더의 사본으로 제한해 보세요.

이 코드가 보여주는 것은 처리 흐름입니다. 특정 언어·모델이 여러분의 양식에서 필요한 항목을 빠짐없이 찾아낸다는 뜻은 아닙니다. 오탈자, 별칭, 문맥에 섞인 단서는 놓칠 수 있고, 의료 판단이나 진료 기록의 자동 확정에 사용해서는 안 됩니다. 먼저 합성 자료로 시험하고, 오류 유형과 사람의 수정 시간을 기록해 계속 쓸 가치가 있는지 판단하세요.

복잡한 전자의무기록 연동이나 부서별 권한 설계는 이 실습 범위를 넘어섭니다. 우선 CSV 사본 한 종류에서 시작해 검토 절차까지 작동하는지 확인하면, 우리 조직에 맞는 다음 단계를 더 정확히 고를 수 있습니다.