기존 화면 안에서,
세 단계로 동작합니다.
별도 시스템을 도입하지 않습니다. MEV는 EMR/OCS 워크플로 안에서 추천하고, 의료진이 확정합니다.
EMR/OCS 연동
병원 내부망에서 기존 시스템과 연결합니다. 데이터는 병원을 떠나지 않습니다.
분석·추천·근거
청구·코딩·회송에서 추천과 초안을 만들고, 모든 결과에 근거를 동반합니다.
의사 확정 · 기록
확정은 의사가 합니다. 누가·무엇을·언제 확정했는지 감사추적에 남습니다.
병원의 수익·기록·전달체계,
세 곳을 동시에.
세 영역은 대등합니다. 각 영역에서 MEV는 추천과 초안을 만들고, 의료진이 확정합니다.
보험수가·청구 최적화 AI
청구 직전에 삭감 위험과 누락을 점검해, 정당한 수익을 지킵니다.
- 청구 전 삭감 위험 사전 차단
- 누락된 청구 발굴
- 청구 정확도 향상
자동화된 임상코딩 변환·추천
의무기록·판독·처치를 진단·수가 코드로 추천하고, 확정은 의사가 합니다.
- 반복 코딩 작업 시간 단축
- 코더 간 편차 감소
- 코딩 정확도 = 청구·통계 정확도
진료 의뢰·회송 AI 에이전트
회송이 필요한 환자를 식별하고 의뢰서·회송서 초안을 만들어, 회송률 지표를 관리합니다.
- 상급종합병원 지정평가 회송률 지표 관리
- 의뢰/회송서 작성 시간 단축
무엇을 어떻게 하는지로
증명합니다.
MEV가 실제로 수행하는 일을 보여드립니다. 도입 병원의 실측 지표는 데이터가 확정되면 별도로 공개합니다.
하나의 에이전트가 인코더의 맥락을 읽습니다
기록·판독·처치·청구를 함께 이해해, 분절된 도구가 아닌 하나의 흐름으로 추천합니다.
청구 삭감 사전 방지
청구 직전 삭감 위험 항목을 탐지하고, 근거와 함께 교정 지점을 제시합니다.
회송 대상 자동 식별
기준에 맞는 환자를 식별하고 의뢰·회송서 초안을 만들어 지표 관리를 돕습니다.
임상코딩 자동 추천
기록·판독·처치에서 진단·수가 코드를 추천하고 누락을 점검합니다.
근거 기반 청구 정확도
코딩과 청구를 근거로 연결해 정확도와 적정성평가 대응을 높입니다.
상급병원이 도입할 수 있도록
설계했습니다.
데이터는 병원을 떠나지 않고, 판단은 의사가 내리며, 모든 과정은 추적됩니다. MEV는 별도 시스템이 아니라 기존 EMR/OCS 워크플로 안에서 동작합니다.
데이터 거버넌스
환자 데이터는 병원 네트워크를 떠나지 않습니다.
- ·온프레미스·폐쇄망 배포 지원
- ·가명처리 후 처리, 식별정보 외부 전송 없음
- ·의료법·개인정보보호법 기준으로 설계
규제 적합성
의료법·개인정보보호법을 기준으로 설계하고, 결과의 임상적 타당성을 검증합니다.
- ·설계 단계부터 의료법·개인정보보호법 준수
- ·임상적 타당성·근거 검증 절차 내장
Human-in-the-loop
AI는 추천·초안까지. 확정은 의사가 합니다.
설명가능 AI · XAI
근거 없는 결과는 내보내지 않습니다.
- ·모든 추천에 기록 문구·코드·가이드라인 출처를 동반
- ·출처칩으로 어떤 근거에서 나왔는지 즉시 확인
의료·AI·규제를 아는
팀이 만듭니다.
MEV는 임상 현장과 보험심사, AI 엔지니어링, 의료 규제를 함께 이해하는 팀입니다.
대표 소개
고태훈
가톨릭중앙의료원 인공지능뇌과학사업단 교수
가톨릭중앙의료원에서 의료 AI와 데이터 표준화를 연구해 온 의료정보학자. 임상 데이터 전문성을 MEV의 청구·코딩·회송 제품으로 구현합니다.
- 학력
- 서울대학교 산업공학 박사 · 데이터마이닝 전공
- 수상
- 대한의료정보학회 정보의학학술상(2024) · 보건복지부 장관 표창
- 연구
- 의료 AI SCI 논문 30편+ · 멀티모달 임상 AI·데이터 표준화 외 다수