Cloud EMR의 현실: 꿈과 가치의 괴리

Cloud EMR(전자의무기록) 기업들이 주목받고 있습니다. 클라우드 기반으로 더 편리하고, 더 저렴하며, 더 혁신적이라고 주장합니다. 그리고 많은 것들이 EMR을 "발판"으로 더 큰 꿈을 이야기합니다. PHR(개인 건강 기록), PGHD(환자 생성 건강 데이터), AI 기반 진단, 맞춤형 의료.

Oliver Kim

Nov 05, 2021

들어가며

VC들도 처음엔 깊은 관심을 가졌습니다. 수백억, 수천억 원의 밸류에이션이 붙습니다. "EMR 시장을 장악하면, 의료 데이터를 장악하고, 미래 의료의 플랫폼이 된다"는 스토리입니다.

하지만 정말 그럴까요? Cloud EMR 기업들이 그리는 꿈은 현실적일까요? 그들의 밸류에이션은 적정할까요?

EMR의 본질: 행정 업무 효율화 도구

💡 핵심: EMR 시장은 국가-행정적인 업무 효율을 높여주는 솔루션으로, 주된 역할은 심평원 대상 과목별 급여 청구입니다.

최근 Cloud EMR 업체에 대한 Valuation이 과대평가라는 생각이 듭니다. EMR 시장을 자세히 보면 굉장히 국가-행정적인 업무 효율을 높여주는 솔루션 기능으로 만들어진 제품 시장입니다.

EMR이 하는 일

Electronic Medical Record (전자의무기록):

종이 차트를 디지털화한 것입니다. 환자 정보, 진료 기록, 검사 결과, 처방, 청구 등을 전자적으로 관리합니다.

한국 EMR의 핵심 기능:

1. 진료 기록:

환자 등록
진료 내용 입력 (주호소, 진단, 치료 계획)
처방 입력

2. 청구:

특히 심평원 대상으로 과목별 급여 청구가 주된 역할로 사용됩니다.

이것이 한국 EMR의 가장 중요한 기능입니다. 의사가 진료하고, EMR에 입력하면, 자동으로 청구 코드가 생성되고, 심평원(건강보험심사평가원)에 제출됩니다. 심평원이 심사하고, 건강보험공단이 병원에 돈을 지급합니다.

청구의 복잡성:

한국의 건강보험 청구는 매우 복잡합니다. 수천 개의 청구 코드, 복잡한 규칙, 빈번한 변경. 손으로 하면 오류가 많고, 시간이 오래 걸립니다. EMR은 이것을 자동화합니다.

3. 기타 행정 업무:

예약 관리
진단서 발급
통계 (환자 수, 수익 등)
약국, 검사실과의 연동

EMR의 가치

병원 입장: EMR은 "돈 받는 도구"입니다. 제대로 청구해야 수익이 나옵니다. EMR이 없으면 청구가 어렵고, 오류가 많으며, 돈을 덜 받습니다.

또한 행정 업무 효율이 높아집니다. 종이 차트를 찾고, 손으로 쓰고, 팩스로 보내는 대신, 클릭 몇 번으로 끝납니다.

의사 입장: EMR은 "필요악"입니다. 편리한 면도 있지만, 입력하는 데 시간이 많이 걸립니다. 환자를 보는 시간보다 EMR을 보는 시간이 더 길다는 불만이 많습니다.

정부 입장: EMR은 "관리 도구"입니다. 의료비 지출을 추적하고, 심사하며, 통계를 내는 데 필수적입니다.

Cloud EMR의 등장

전통적 EMR의 문제:

복잡하다: 설치, 유지보수 어려움
느리다: 서버가 병원 내에 있어 성능 제한
업데이트 어렵다: 규정 변경 시 수동 업데이트

Cloud EMR의 장점:

저렴하다: 구독 모델 (월 수십만 원)
쉽다: 설치 불필요, 브라우저로 접속
빠르다: 클라우드 서버의 높은 성능
자동 업데이트: 규정 변경 즉시 반영

시장 침투:

Cloud EMR은 특히 작은 의원(1~2명 의사)에 매력적입니다. 초기 비용이 낮고, IT 인력이 필요 없습니다. 최근 몇 년간 빠르게 성장하고 있습니다.

Cloud EMR의 꿈: PGHD와 의료 통계

💡 핵심: 최근 Cloud EMR 업체들은 행정 업무보다 EMR-PHR 연동으로 확보할 수 있는 PGHD에 관심을 쏟고 있습니다.

특히 최근 뛰어드는 Cloud EMR 업체들은 행정적인 업무 효율화보다는 EMR을 시작으로 PHR을 연동해 확보할 수 있는 PGHD에 관심을 쏟고 있습니다.

스토리

Cloud EMR 기업들이 VC에게 하는 이야기는 대략 이렇습니다:

"우리는 단순한 EMR 회사가 아닙니다. 우리는 의료 데이터 플랫폼입니다. 수천 개의 병원이 우리 EMR을 사용하면, 수백만 명의 환자 데이터가 쌓입니다. 이 데이터를 PHR과 연동하고, 환자가 웨어러블로 생성하는 PGHD와 결합하면, 엄청난 의료 데이터베이스가 됩니다.
이 데이터로 AI를 학습시키면, 질병 예측, 맞춤형 치료, 신약 개발 등 무한한 가능성이 열립니다. 우리는 미래 의료의 중심이 될 것입니다."

매력적인 스토리입니다. 그리고 일부는 사실입니다. 데이터는 가치 있고, PGHD는 중요하며, AI는 강력합니다.

하지만 현실은 복잡합니다.

PGHD의 가치

Patient-Generated Health Data (환자 생성 건강 데이터):

환자 스스로 생성하거나 수집하는 건강 데이터입니다. 웨어러블(심박수, 활동량, 수면), 앱(식단, 증상), 가정용 기기(혈압, 혈당) 등.

왜 가치 있는가?

실시간 데이터
실제 세계 데이터
대규모 데이터
개인화 데이터

의료에 어떻게 기여하는가?

만성질환 관리 개선
조기 경고 시스템
임상 연구 강화
맞춤형 치료
신약 개발

이론적으로는 좋아보입니다.

현실의 벽: 코호트의 중요성

💡 핵심: PGHD로 의료에 기여하려면 의미 있는 코호트 집단을 확보해야 하며, 이는 국가-인종, 문화, 유전자까지 포함된 표준화된 치료로 연결되어야 합니다.

하지만 여기서 확보되는 PGHD로 의료 영역에서 기여하려면 의미 있는 코호트 집단을 확보해야 합니다. 그 코호트 집단을 통해 확보된 PGHD는 표준화된 치료까지 연결시켜야 하는데, 이 개념으로는 최소 국가-인종, 문화에 따른 gene까지 포함되어 확보해야 하는 병원이 지역별, 과목별, 인구통계학적 상관관계까지 연계된 커버리지를 넘어서야 합니다.

코호트(Cohort)란?

정의:

특정 특성을 공유하는 사람들의 집단입니다. 의학 연구에서 코호트는 특정 질환, 나이, 성별, 지역, 유전자 등을 공유하는 집단을 의미합니다.

예시:

2형 당뇨병 한국인 코호트
유방암 생존자 코호트
50~60대 고혈압 환자 코호트

왜 코호트가 중요한가?

의학적 발견은 코호트에서 나옵니다.

무작위로 모은 데이터는 노이즈가 많습니다. 하지만 잘 정의된 코호트 데이터는 패턴을 찾고, 인과관계를 밝히며, 치료법을 개선할 수 있습니다.

예시:

"당뇨병 환자"라는 큰 집단보다, "한국인 2형 당뇨병 환자, 40 ~ 60세, BMI 25 ~ 30, 5년 이상 유병기간"이라는 구체적 코호트가 훨씬 유용합니다. 이 코호트에서 어떤 약이 효과적인지, 어떤 생활습관 개입이 도움이 되는지를 명확하게 알 수 있습니다.

의미 있는 코호트의 조건

1. 규모:

통계적 유의성을 위해 충분한 숫자가 필요합니다. 질환에 따라 다르지만, 보통 수백 명~수만 명.

2. 대표성:

코호트가 전체 인구를 대표해야 합니다. 특정 병원, 특정 지역에만 편중되면 bias가 생깁니다.

3. 다양성과 통제:

역설적으로, 다양성과 통제 모두 필요합니다.

다양성: 여러 지역, 나이, 성별, 인종
통제: 특정 변수(예: 질환 유형, 중증도)를 고정

4. 데이터 품질:

표준화된 측정, 정확한 기록, 완전한 데이터. 누락이나 오류가 많으면 쓸모없습니다.

5. 장기 추적:

많은 의학적 발견은 수년~수십 년의 데이터가 필요합니다. 단기 데이터는 제한적입니다.

표준화된 치료로의 연결

코호트 데이터로 발견한 통찰이 실제 치료로 이어지려면:

1. 임상적 검증:

관찰 연구만으로는 부족합니다. 무작위 대조 임상시험(RCT)으로 인과관계를 확인해야 합니다.

2. 프로토콜 개발:

발견을 구체적 치료 프로토콜로 만들어야 합니다. "A 유형 환자에게는 B 치료를 C 방식으로 제공한다."

3. 의료진 교육:

의사들이 새로운 프로토콜을 이해하고 채택해야 합니다.

4. 시스템 통합:

프로토콜이 EMR, 임상 지침, 보험 수가에 반영되어야 합니다.

국가-인종-문화-유전자의 중요성

논문에서 지적하듯이, 의미 있는 코호트는 국가-인종, 문화에 따른 gene까지 포함되어야 합니다.

왜?

1. 유전적 다양성:

인종마다 유전자가 다릅니다. 어떤 약은 동양인에게 효과적이지만 서양인에게는 아닐 수 있습니다 (또는 반대).

예시:

Warfarin (항응고제): 아시아인은 용량 조절 필요
Carbamazepine (항경련제): 특정 유전자 보유 시 치명적 부작용

2. 문화적 차이:

식단, 생활습관, 환경이 다릅니다.

예시:

한국인의 높은 나트륨 섭취 (김치, 찌개)
서양인의 높은 당분 섭취 (청량음료, 디저트)

이것은 질병 패턴과 치료 반응에 영향을 미칩니다.

3. 의료 시스템:

국가마다 의료 접근성, 보험, 진료 패턴이 다릅니다. 미국에서 유효한 치료 프로토콜이 한국에서는 실행 불가능할 수 있습니다.

커버리지의 문제

의미 있는 코호트를 만들려면, 지역별, 과목별, 인구통계학적 상관관계까지 연계된 커버리지를 넘어서야 합니다.

무슨 뜻인가?

1. 지역별:

서울, 부산, 제주의 환자 데이터를 모두 포함해야 합니다. 한 지역만으로는 전국을 대표할 수 없습니다.

2. 과목별:

내과, 외과, 소아과, 정형외과 등 다양한 과의 데이터가 필요합니다. 특정 과만으로는 전체 그림을 볼 수 없습니다.

3. 인구통계학적:

나이, 성별, 소득, 교육 수준 등 다양한 인구 집단을 포함해야 합니다.

4. 병원 규모:

대학병원, 종합병원, 의원 모두 포함해야 합니다. 대학병원 데이터만으로는 일반 인구를 대표할 수 없습니다 (대학병원은 중증 환자를 봅니다).

Cloud EMR의 현실: 의미 있는 코호트를 만들 수 있는가?

💡 핵심: 현재 Cloud EMR 업체가 확보할 수 있는 집단과 병원 수는 의미 있는 코호트 집단으로 이어지기 어렵습니다.

그렇다면 지금 Cloud EMR 업체가 확보할 수 있는 집단과 사용되고 있는 병원 처수가 의미 있는 코호트 집단으로 이어질 것인가?라는 의문을 품고, 이러한 접근으로 보게 된다면 지금의 Cloud EMR 업체의 꿈과 현실과 Valuation에 대한 격차가 상당하다고 판단됩니다.

현실 체크

전형적인 Cloud EMR 스타트업:

설립: 2~5년 전
고객: 100~500개 의원
의사 수: 200~1,000명
환자 데이터: 수만~수십만 건

이것으로 의미 있는 코호트를 만들 수 있는가?

문제 1: 규모 부족

수십만 건의 환자 데이터는 많아 보이지만, 실제로는 부족합니다.

왜?

1. 중복:

한 환자가 여러 번 방문하면 여러 기록이 생깁니다. 실제 환자 수는 훨씬 적습니다.

2. 질환 분포:

모든 환자가 같은 질환을 가진 것이 아닙니다. 당뇨병 환자를 연구하려면, 전체 환자 중 당뇨병 환자만 선별해야 합니다. 그러면 숫자가 크게 줄어듭니다.

예시:

전체 환자: 100,000명
당뇨병 환자: 10,000명 (10%)
2형 당뇨병: 9,000명 (90%)
40~60세: 4,500명 (50%)
5년 이상 유병: 2,250명 (50%)

최종적으로 연구 가능한 코호트는 2,250명입니다. 이것도 나쁘지 않지만, 하위 분석(예: 특정 약물 반응)을 하면 더 줄어듭니다.

문제 2: 선택 편향 (Selection Bias)

Cloud EMR을 사용하는 병원은 무작위가 아닙니다.

누가 Cloud EMR을 채택하는가?

작은 의원 (1~2명 의사)
젊은 의사 (기술 친화적)
특정 지역 (대도시)
특정 과 (내과, 가정의학과)

이것은 bias를 만듭니다.

큰 병원, 나이 든 의사, 시골, 다른 과의 데이터는 부족합니다. 따라서 전체 인구를 대표하지 못합니다.

문제 3: 데이터 품질

EMR 데이터의 현실:

EMR 데이터는 원래 청구 목적으로 만들어졌습니다. 연구 목적이 아닙니다. 따라서:

불완전: 의사가 빠르게 입력하므로 상세하지 않음
비표준화: 병원마다 입력 방식이 다름
부정확: 오타, 잘못된 코드
누락: 중요한 정보가 기록되지 않음 (예: 생활습관, 가족력)

PGHD의 문제:

환자가 직접 입력하는 데이터는 더 문제가 많습니다.

정확성: 환자가 잘못 입력하거나 잊어버림
일관성: 매일 입력하다가 며칠 안 하거나
표준화: 각자 다른 기기, 앱 사용

데이터 정제의 어려움:

이런 데이터를 연구에 사용하려면 막대한 정제 작업이 필요합니다. 시간과 비용이 많이 듭니다. 많은 스타트업이 이것을 과소평가합니다.

문제 4: 커버리지 부족

지역별:

대부분의 Cloud EMR 스타트업은 특정 지역(서울, 경기)에 집중되어 있습니다. 전국 커버리지가 없습니다.

과목별:

주로 내과, 가정의학과입니다. 외과, 소아과, 정형외과 등은 적습니다.

병원 규모:

거의 모두 작은 의원입니다. 종합병원, 대학병원은 거의 없습니다 (이들은 자체 EMR이 있고, 바꾸기 어렵습니다).

결과:

편향되고 제한된 코호트만 만들 수 있습니다.

문제 5: 동일 솔루션 사용률

"동일한 Cloud EMR 솔루션을 사용하는 병원이 60~70% 이상 사용하지 않는다면..."

무슨 뜻인가?

의미 있는 코호트를 만들려면, 대다수의 병원이 같은 시스템을 사용해야 합니다. 그래야 데이터가 표준화되고, 통합되며, 비교 가능합니다.

현실:

한국 EMR 시장은 매우 파편화되어 있습니다. 수십 개의 EMR 업체가 있고, 각자 수백~수천 개 병원을 가지고 있습니다. 어떤 단일 Cloud EMR도 시장의 10%를 차지하지 못합니다.

결과:

60~70% 커버리지는 불가능합니다. 따라서 의미 있는 코호트도 불가능합니다.

결론: 꿈과 현실의 괴리

💡 핵심: Cloud EMR 업체의 PHR-PGHD를 통한 의료 통계 확보는 현실적이지 않으며, 오히려 국민-유저 단위의 일상적 헬스케어 서비스가 더 적합합니다.

즉, 개인적으로는 PHR과 PGHD를 통해 의미 있는 의료적 통계를 확보하는 방향이 Cloud EMR에 있지 않다고 생각합니다 (동일한 Cloud EMR 솔루션을 사용하는 병원이 60~70% 이상 사용하지 않는다면).

오히려 시장에서 검증되지 않은 솔루션을 앞세운 꿈을 파는 행위로 보여집니다.

냉정한 평가

Cloud EMR의 실제 가치:

작은 병원에 편리하고 저렴한 EMR 제공
청구 업무 자동화
클라우드의 이점 (접근성, 업데이트)

이것은 가치 있습니다. 하지만 밸류에이션을 수백억 원으로 만들 만큼의 가치는 아닙니다.

Cloud EMR이 약속하는 미래:

수백만 환자의 데이터 플랫폼
AI 기반 질병 예측
맞춤형 치료
신약 개발 기여

이것은 거의 불가능합니다. 왜냐하면:

규모 부족
선택 편향
데이터 품질 낮음
커버리지 부족
시장 파편화

과대평가의 징후

높은 밸류에이션:

일부 Cloud EMR 스타트업은 수백억 ~ 수천억 원의 밸류에이션을 받습니다. 하지만 매출은? 수억 ~ 수십억 원입니다. P/S Ratio가 10x, 20x, 심지어 50x 이상입니다.

비교:

전통적 소프트웨어 회사: P/S 5~10x
고성장 SaaS: P/S 10~20x
과열된 기업: P/S 20x+

정당화 논리:

"우리는 단순한 EMR이 아니라 데이터 플랫폼입니다. 미래 가치를 보세요."

하지만 그 미래가 실현 가능한지는 의문입니다.

마치며: 현실을 직시하자

💡 핵심: Cloud EMR은 유용한 도구이지만, 의료 데이터 플랫폼이나 미래 의료의 중심이 되기에는 한계가 있습니다. 과대평가를 경계하고, 현실적 가치를 인정해야 합니다.

Cloud EMR은 좋은 제품입니다. 작은 병원에 편리하고 저렴한 솔루션을 제공합니다. 이것은 일부 문제를 해결해주고, 시장이 있으며, 수익을 (작게)낼 수 있습니다.

하지만 그것이 전부입니다. Cloud EMR이 의료 데이터 플랫폼이 되고, AI로 질병을 예측하며, 맞춤형 치료를 제공하고, 신약 개발에 기여한다는 것은 현재는 가능하기가 어려워 보입니다.

실제 사용 병원 수는?
환자 데이터 규모는?
데이터 품질은?
커버리지는?
경쟁사 대비 차별화는?
의미 있는 코호트를 만들 수 있는가?
PHR/PGHD 통합 계획은 구체적인가?
60~70% 시장 점유 계획은?

대부분의 경우, 답은 "아직 모른다" 또는 "계획 중"일 것입니다.

참고자료:

EMR 시장 동향 및 사례 연구