인공지능은 일상 진료에 점진적으로 도입되고 있습니다. 심장 영역에서도 영상 해석의 정량화, 생리학적 지표 추정, 시술 전후 의사결정 보조에 활용됩니다. 다만 행위별 수가제에서는 인공지능이 의사의 일부 업무를 대체하므로 의사업무량 점수가 크게 늘지 않아 초기 투자와 운영비를 회수하기 어려운 상황이 발생할 수 있습니다. 이 간극을 줄이기 위해 보상의 대상을 소프트웨어가 아니라 임상 서비스로 이해하고, 서비스에 포함된 기술 비용을 투명하게 산정해 점수에 반영하는 접근이 필요합니다. 임상 서비스는 의사 감독 하에 표준 절차를 따르고 결과와 책임이 의무기록에 남는 진료 행위를 뜻하며, AI는 이 행위를 보조하는 수단으로 봅니다. 예를 들어 PCI 계획에서 AI가 혈관 직경과 길이, 석회화 분포를 정량화해 스텐트 선택과 조영제 사용량 감소에 기여했다면 보상 단위를 AI 보조 해석을 포함한 PCI 계획으로 정의할 수 있습니다.

상대가치점수의 구조는 간단합니다. 의사업무량, 의원성 경비, 위험도의 세 성분을 합해 점수를 만들고 여기에 환산지수와 종별가산율을 곱해 금액을 산출합니다. 의사업무량은 시간과 난이도, 환자 상태를 반영합니다. 의원성 경비는 보조 인력, 장비 감가와 유지, 소모품, 공간과 공공요금, 정보시스템과 보안, 품질관리와 교육 등 직접·간접 비용을 담습니다. 위험도는 의료사고 관련 위험을 고려합니다. AI 관련 비용은 원칙적으로 의원성 경비에 편입하며, 의사의 판단 시간과 술기 난이도는 의사업무량에 중복 계상하지 않습니다.

원가 기반 기술비용 산정은 다음 순서로 진행합니다. 연간 총비용을 모으고 일회성 초기 비용은 합리적 기간으로 감가합니다. 서버와 보안, 전산 인력 같은 공용 자원은 사용량과 건수, 저장용량, CPU 시간 등 객관적 기준으로 배분합니다. 연간 적용 건수로 나누어 1건당 기술단가를 구하고 수요 변동과 규제 변경, 성능 드리프트를 고려한 적정 위험·이윤 계수를 적용합니다. 이 금액을 환산지수로 나누면 의원성 경비 점수 증분이 됩니다. 예시로 연간 총비용 9,400만 원, 4,000건 적용 시 1건당 23,500원, 위험·이윤 10% 적용 시 25,850원, 환산지수 95원/점이면 약 272점의 증분이 산출됩니다.

정책 측면에서는 몇 가지 보완책을 고려할 수 있습니다. 초기 확산기에는 안전성 강화, 형평성 개선, 데이터 인프라 구축 등 공익 요소를 반영한 한시적 정책가산이 도움이 될 수 있습니다. 다만 2~3년의 일몰 규정을 두고, 의사결정 시간 단축, 조영제·투시량 감소, 재원일수·30일 사건률, 순의료비용, 지역 간 접근성 등 결과 지표에 연동해 분기별로 유지·감액·종료를 정하는 방식이 비교적 투명합니다. 효과가 불확실한 초기 적응증의 경우에는 공급사와 성과연계 계약을 병행해 목표 미달 시 환급·할인이 작동하도록 하면 위험 분담에 도움이 됩니다. AI가 특정 임상 경로에 필수적으로 내재화된 경우에는 묶음지불에 기술단가를 포함시키고, 실제 절감분을 지불자·의료기관·공급사가 나누는 구조도 검토할 수 있습니다.

결론적으로, AI의 임상적 가치를 수가에 적절히 반영하려면 서비스 단위의 재정의, 원가 기반 의원성 경비 편입, 일몰형 정책가산과 성과연계 지불이 함께 고려될 필요가 있습니다. 각 기관의 여건과 데이터가 다르므로, 병원별 원가산출표와 점수·수가 변환표를 별도로 정리해 보는 방법도 실무에 도움이 될 것입니다.