← Posts

2026 · 07 · 07

medical AI medical device Reimbursement

의료인공지능의 한국에서의 수가 편입에 관하여

Ryoungwoo Jang · 2026

건강보험심사평가원(HIRA)에서 인공지능 기반 의료기기의 수가 책정에 대해서 연구를 출간했습니다. 이번 글에서는 이 연구 보고서를 읽어 봅니다.

의료인공지능 제품의 수가 책정의 어려움

의료인공지능 수가 책정은 다른 의료행위의 수가 책정에 비해 생각보다 꽤나 난감한 일입니다. 병원과 정부의 입장에서 살펴봅시다.

약이나 주사기 같은 “소모성 제품”들은 쓰는 만큼 병원이 구매를 해야 하기 때문에 비용이 건수에 비례하게 됩니다. 따라서 한국이 채택하고 있는 행위별수가제 시스템 하에서는 건별 청구를 하는 것이 매우 합리적입니다.

그리고 CT나 MRI 같은 고가의 장비들은 초기 도입 비용이 매우 큰 동시에 조영제와 같이 사용량에 정비례하는 시스템도 함께 갖습니다. 따라서 이런 경우에는 초기 도입 비용을 얼마나 많은 건수로 시행할건지로 나누어 수가를 책정하는 것이 논리적입니다. 예를 들어 10억원짜리 기계를 도입하면 1,000,000건 촬영이 가능하다고 하면 수가는 10억/1백만을 조금 상회하는 가격으로 책정되고 여기에 조영제와 같이 추가적인 물질에 대한 비용을 얹어 주는 것이 합리적일 것입니다.

하지만 AI 의료기기는 병원 입장에서 분석할 컴푸터 한두대 도입하는 것으로 초기 비용이 상대적 저가로 마무리되고, 대신에 컴퓨터 한 대만 있으면 병원이 사실상 무한히 많은 건수를 청구할 수 있기 때문에 가격 책정이 난감합니다.

그래서 필연적으로 의료인공지능 제품의 수가는 상대적으로 염가에 책정될 수밖에 없습니다. 저도 의료인공지능 산업계에 있지만 정부 입장에서는 의료비를 통제하고 싶어하고, 병원 입장에서는 수익을 최대화하고 싶어하는 충돌에서 정부가 이길 것은 거의 명백해 보이기 때문입니다.

이러한 연유로 인해서 현재 한국을 비롯한 의료인공지능 선진국들은 “환자 예후 향상”에 영향을 주거나, “치료 방향 변경”에 영향을 주지 않으면 거의 수가를 주지 않거나 아주 낮은 가격에 건당 가격이 형성됩니다.

어떤 의료인공지능이 수가 체계로 편입될까?

현재 한국은 혁신의료기술 제도와 평가 유예 신의료 제도를 통해 인공지능 제품을 비급여로 환자에게 100% 청구하고 있습니다만, 그 금액에는 상한선이 존재합니다. 일단 평가 유예 신의료기술 제도, 혁신의료기술, 제한적 의료기술을 비교하면 다음과 같습니다.

이는 혁신적 의료기술의 요양 급여 여부 평가 가이드라인에서 분류를 찾아볼 수 있는데, 참고로 현재 한국에서 통과된 모든 의료인공지능 제품들은 B-X와 C-X입니다.

이렇게 비급여로 환자에게 청구를 할 수 있게 되면 가격은 어떤 modality이냐에 따라 달라지고,

구체적인 액수는 다음과 같습니다.

단, 여러 AI 소프트웨어를 한 환자에게 동시에 적용하는 경우 주된 1개의 수가만 적용합니다.

인공지능 기반 의료기술의 분류

현행 의료기술 혹은 임시등재의 분류는 원천 의료기술의 수가(비용, cost)에 기반하여 급여수가와 비급여 수가 상한 금액을 정하고 있습니다. 그런데 문제점이 존재하죠.

• AI 기반 의료기술은 이미지/데이터 처리 기반이라 원가(개발비용)은 이미지/데이터의 원천만 고려할 수가 없습니다.
• 그러므로, 데이터 원천 의료기술만을 고려하여 급여 수가나 비급여 수가 상한 금행을 정하는 것은 불합리해 보입니다.
• 또한 급여 수가는 원천 검사료 수가(영상의학과 전문의 판독료의 10%)의 1% 수준인 반면, 비급여는 여기에 10배, 25배를 곱해서 10%, 25%로 정했기 때문에 기존 의료행위의 통상적인 급여/비급여 수가비와 비교할 때 왜 AI만 혜택을 주느냐는 형평성 논란이 있을 수 있습니다.

따라서 저자들은 AI 기반 의료기술을 다음처럼 1-4군으로 분류합니다.

• 1군
  • 4군과의 차이점
    • 4군과의 차이점은 보편적 의료 장비에서 나온 이미지, 동영상 등을 활용합니다. 이는 특정 의료 장비에 국한된 기술 적용이 아니라는 것을 말하는 것입니다.
    • 예를 들어 스마틀폰을 보면, iOS은 Apple에 특화된 OS지만, 안드로이드는 삼성등 범용 운용체계라는 것을 들 수 있습니다.
    • 인공지능기반 정보 제공 기술이 특정 의료 장비에 국한/결합된다면 4군입니다.
  • 1A: 환자에게 도움이 되거나, 다른 검사 대체가 가능한 기술 수준
    • 즉, 판독하는 전문의가 해당 기술의 도움을 받아 진단 정확도를 높일 수 있다고 관련 학회에서 인정한 의료기술의 제품입니다.
    • 다른 검사를 대체할 수 있거나 다른 검사를 하지 않아도 되는 경우에 1A로 분류됩니다.
    • 혹은 전문의가 애매하게 생각하는 이미지에 대한 명확한 결과를 제공하는 경우도 이에 해당됩니다.
  • 1B: 단순히 전문의의 시간 또는 업무강도를 줄이는 기술 수준
    • Rule-out에 집중된 의료기술 같은 것들이 해당되는데, 다른 검사를 통해 결과를 확인해야 하는 경우 등이 이에 해당됩니다.
      • 예를 들어, mammography에서 암이라고 AI가 결과를 뱉었지만 병리 검사를 해야 하는 경우 등
      • 이 경우에는 mammo 제품의 성능이 좋아 AI가 암이 아니라고 하면 정말로 암이 아닌 rule-out 제품 같은 경우이기도 합니다.
  • 1E: 응급 상황 등에서 판독 비전문의에게 도움이 되는 기술
    • 의료 소외지 등이 해당됩니다.
• 2군
  • 측정 기능군입니다.
  • 판독 보조군과 다른 점은 여러 정보를 취합하여 수치, 확률, 또는 등급으로 결과 기준을 제시하는 경우를 말합니다.
  • 의료인이 해당 인공지능 기술이 없으면 측정이 불가한 경우에 해당하나, 단순히 기흉 90% 확률, 악성일 확률 70%등 확률 제시 알고리즘은 해당사항 없고 판독보조군으로 분류됩니다.
  • 2A: 측정 결과에 따라 후속 검사/치료가 달라지는 기술입니다.
    • 2군 A는 임상진료(검사, 치료)에 즉시 활용되는 분명한 측정 결과(기준)가 있는 경우입니다.
      • 다만 여러 검사들과 종합하여, 단순히 참조 값으로 활용되는 경우는 2군 B로 분류됩니다.
      • 단순히 참조값으로 활용되는지 여부는 다음과 같이 판단할 수 있습니다.
        • 해당 기술의 기준을 적용할 때와 적용하지 않을 때 차후 검사/치료 선택의 차이가미미한 경우
        • 활용의 가치가 임상진료지침(clinical practice guideline)에 반영되거나, 학술지나해당 학회에서 공식적으로 인정하는 경우에 인정할 수 있습니다.
  • 2B: 타당도가 낮거나 예후 등 단순 예측 기능에 국한된 기술입니다.
    • 2군 B는 2군 A와는 달리 즉시 필요한 임상적 검사/치료 정보를 제공하지 못하고(암)발생가능성, 예후 등 단순 예측 정보를 제공하는 것을 의미합니다.
• 3군
  • 예측 기능군입니다.
  • EMR, 다양한 생체 정보 등을 종합하고 통계와 알고리즘에 의거하여 가능성을 예측하는 기술입니다.
  • 3A: 결과 기준(알람)에 따라 후속 검사/치료 선택이 달라지는 기술입니다.
    • 심정지 가능성 등에 대한 예측을 예로 들면 일정 수준의 가능성이 있을 때, 의료진의검사·치료·조치 등이 임상진료지침으로 기록되어 있고, ‘반드시’ 이 지침에 따라 후속조치가 있어야 합니다.
    • 알람이 있었음에도 불구하고 단순히 환자 방문으로 그치는 경우가 대부분이고, 실질적인 검사·치료·조치 등으로 이어지는 경우가 매우 적은 경우에는 수가 분류에서하위 분류(기준 등급)으로 분류되거나, 수가 적용이 되지 않는 3군 B로 분류됩니다.
    • 활용의 가치는 임상진료지침(clinical practice guideline)에 반영되거나, 학술지나해당 학회에서 공식으로 인정하는 경우에 인정할 수 있음
  • 3B: 타당도가 낮거나 단순 경보(경고)에 그치는 기술입니다.
    • 알람이 있었음에도 불구하고 단순히 환자 방문으로 그치는 경우가 대부분이고, 실질적인 검사·치료·조치 등으로 이어지는 경우가 매우 적은 경우에는 3군 B로 분류됩니다.
• 4군
  • 특정장비결합군입니다.
  • 현재 건강보험 임시등재된 기술 중 특정 의료 장비(medical device)만을 결합하여활용되는 인공지능기반 의료기술은 없습니다.
  • 스마트폰 운영체계를 예로 들면, 안드로이드(android)는 삼성 등 범용으로 사용할수 있는 운영체계인 반면, iOS는 미국 애플 사의 스마트폰에 국한하여 사용되므로후자의 경우를 4군에 비유할 수 있음
  • 향후 특정장비만을 결합하여 활용되는 인공지능기반 의료기술이 있을 수 있기때문에 미리 분류 해놓았다고 합니다.

또한 기술 수준 평가는 다음처럼 제안합니다.

• 판독료는 상급, 중급, 하급으로 분류됩니다.
• 우선 기술 수준 분류는 ‘근거 수준’에 ‘임상적 필요성’을 더하여 상급, 중급, 하급기술로 판단하였음
• 임상적 필요성은 ‘응급상황에서 도움이 되는가’, ‘다른 기존 검사를 대체할 수 있는가’,‘ 학회의 구체적인 활용 지침이 있는가’로 판단하였음
  • 학회의 구체적인 활용 지침이 있으면서, 응급상황에서 도움이 되거나 다른 기존 검사를대 체할 수 있다면 상급 기술이 될 수 있음
  • 만약 학회의 구체적인 활용 지침이 있거나, 응급상황에서 도움이 되거나 다른 기존검사를 대체할 수 있다면 중급 기술이 될 수 있음
  • 이러한 3가지 경우에 해당되지는 않지만, 분석결과를 활용하여 검사 또는 치료가 달라지면, 수가를 받을 수 있는 하급 기술에 해당됨
  • 분석결과를 활용하여 검사 또는 치료가 달라짐 없이 단순 예측으로 활용되면 수가를 적용할 수 없음
• 그리고 이러한 2가지의 판단은 각각의 하위 등급을 최종 기술 수준으로 판단하는 것으로 하였습니다.

인공지능 기반 의료기술의 보상 원칙

Leveraging reimbursement strategies to guide value-based adoption and utilization of medical AI라는 Venkatesh (2022) 연구를 보면 AI 기반 의료기술의 활용에 대한 reimbursement 방안으로 5가지 전략이 제시됩니다.

1. No reimbursement of AI - AI에 별도 보상을 하지 말자는 전략
   1. 병원이 AI를 운영비로 직접 부담하는 방식입니다. AI가 비용을 줄이거나 매출을 늘릴 때만 도입 유인이 생깁니다. 다만 병원 수익성이 높은 영역의 AI만 살아남을 위험이 있습니다.
2. Incentivize Outcomes instead of volume - 가치 기반 지불 (사용량이 아닌, 성과에 보상하기)
   1. AI를 몇 번 썼는지가 아니라, 환자 outcome 개선, 진료 질 향상, workflow 개선 같은 가치 기반 지표에 따라 보상하는 방식입니다. 과잉사용을 줄일 수 있지만, 어떤 outcome을 지표로 삼을지 설계가 어렵습니다.
3. Advance market commitment - 상금, 사전구매 약정 정부나 payer가 특정 의료 문제를 미리 정의하고, 이를 해결하는 AI에 상금, 구매약정, 투자금을 제공하는 방식입니다. Kaggle/XPrize 같은 공개 경쟁 모델과 유사합니다. 초기 proof-of-concept에는 좋지만, 실제 임상 등급 제품 개발까지 연결되려면 추가 검증 비용이 큽니다.
4. Time-limited add-on reimbursements - 한시적 add-on reimbursement
   1. NTAP처럼 새 AI에 대해 일정 기간 임시 보상을 주는 방식입니다. 인허가 후 실제 병원 도입 전까지의 “브릿지” 역할을 합니다. 다만 AI는 marginal cost가 거의 0이라 비용 기반 보상과 잘 맞지 않을 수 있습니다.
5. Reward generalizability and bias mitigation - 일반화 가능성·bias mitigation에 보상하기
   1. 다양한 인구집단과 병원 환경에서 성능이 잘 유지되는 AI, 그리고 bias를 줄이기 위한 데이터를 갖춘 AI에 보상하는 방식입니다. FDA 승인만으로는 충분히 평가되지 않는 외부타당성과 형평성을 payer가 보상 기준으로 삼는 접근입니다.

핵심은 per-use 수가만으로는 AI의 과잉사용, 낮은 marginal cost, 비연속적 가치 창출을 잘 반영하기 어렵기 때문에, 보상체계를 통해 “많이 쓰는 AI”가 아니라 환자 가치와 비용효과성을 실제로 개선하는 AI가 채택되도록 유도해야 한다는 것입니다.

그리고 본 보고서의 저자들은 다음처럼 5가지 제언을 하였습니다.

1. 수가(금액)은 편익과 연관지어서 판단 또는 설정할 수는 없음
   1. 일부 개발 업체에서는 해당 기술이 ‘사람을 살리는 기술이다’, ‘많은 유용성을 가지고 있다’, ‘기존의 고가 검사를 대체할 수 있다’라고 설명하면서, 그에 상응하는 보상 (수가)을 기대하고 있음
   2. 그러나, 우리나라의 요양급여비용(수가)은 그 행위에 투입된 업무량이나 진료비용에 근거하여 정하는 것으로 건강보험법에서 정하고 있음. 따라서 개발 업체에서 기대 하는 바와 같이 그 기술의 효과나 사회적 편익을 반영하여 수가를 정할 수는 없음
   3. 예를 들어 응급의료 기술이 특정 개인 또는 다수의 수명을 연장하였다 하여, 수가가 연장된 수명에 대한 가치를 보상하는 것은 아님
2. 그럼에도 불구하고 우수한 효과 또는 사회적 편익은 일정 범위내에서 수가 차등 으로 반영될 필요가 있음
   1. 인공지능기반 의료기술은 진단 또는 예측 분야에 주로 적용되기 때문에, 수가 발생 건수가 최대 해당 표준검사 시행 건수까지 확대될 수 있음
   2. 이러한 이유로 최초 수가는 매우 보수적으로 책정할 수 밖에 없는데, 대신에 이후 재평가에서 효과나 사회적 편익의 크다고 인정되는 경우에는 일정 범위내에서 수가를 상향 조정해주는 기전을 병행할 필요가 있음 셋째,
3. 예상을 벗어나는 청구건수에 대응하는 수가 조정도 필요함
   1. 인공지능기반 의료기술의 수가는 표준 의료행위의 비용만 고려할 수는 없음
      1. 앞서 기술한 바와 같이 인공지능기반 의료기술은 한계비용이 없기 때문에 혹시라도 과잉 청구건수가 발생한다면, 이는 수가 조정을 통해 불필요한 사회적 비용을 통제 할 필요가 있음
   2. 예상된 청구건수보다 큰 차이를 보이는 경우 일정 범위내에서 수가 차등으로 반영될 필요가 있음 (청구건수가 예상보다 매우 큰 차이로 많이 발생하면 수가를 하향 조정함)
   3. 물론 반드시 필요한 의료기술임에도 불구하고 청구건수가 예상보다 적어서 그 의료 기술이 소멸될 위기에 있다면 수가를 상향 조정할 수 있는 기준도 있어야 할 것임
4. 단순히 의사 업무량의 감소 또는 의사의 생산성을 증가시킨다는 사유만으로 추가 수가 보상의 근거가 될 수는 없음
   1. 의사의 판독을 보조함으로써 의사의 업무량이 줄어든다는 점 또는 의사의 생산성이 증가된다는 점은 요양급여비용(수가)의 업무량 비용 감소를 의미하기 때문에 해당 판독보조 기술의 수가 보상 사유가 될 수는 없음
   2. 다만, 응급상황에서 판독할 수 있는 전문의가 부재한 경우 등의 사유에는 판독 보조에 따른 수가 보상의 필요성이 있음
   3. 만약 판독 보조기술이 판독 전문의를 완벽히 대체할 수 있는 수준에 달한다면, 판독 료로서 수가 보상을 고려해 볼 수 있을 것임
      1. 과거에 PACS 필름을 대체할 경우 수가로 보상했던 사례를 참고할 수 있음
5. 특히 데이터 기반 예측(EMR, 다양한 생체 정보등을 종합하여 통계 + 알고리즘 적용)으로 가능성(probability)을 결과물로 제시하는 인공지능기반 의료기술의 경우 민감도, 양성예측도의 수준을 수가에 반영하는 기전이 필요함
   1. 현행 혁신성 여부의 판단 뿐만 아니라 임상적 기여 수준과 기술의 정확도도 감안할 필요가 있음

해외의 사례 참고

미국

병원 미국에는 입원환자를 대상으로 한 NTAP(New Technology Add-on Payments)과

외래에서의 신기술 추가 지불보상 제도 (Transitional pass-through payment; TPT)가 있으며 의사 행위 코드인 CPT 코드 등이 있습니다. 자세한 내용은 제 4장 외국의 제도와 기준, 수가 절을 참고하십시오. 대표적인 AI 수가 대상 제품들은 다음과 같습니다(전수조사는 아닙니다.).

이외에도 일본, 영국, 독일 기타등등이 다뤄지나 자세한 내용은 여기서 다루지 않습니다.

대한영상의학회의 의견

그렇다면 AI 제품과 가장 관련있는 대한영상의학회의 의견은 어떨까요?

핵심은 다음과 같습니다.

1. 실제 현장경험에 의하면 진단보조 AI를 사용하는 경우 과도한 위양성 판정 등에 따라 업무 부담이 줄지 않고 오히려 늘어난다는 의견이 지배적이며, 연구들도 상충된결과로 보고되고 있음
2. 결국 진단보조 AI가 업무를 효율화여 업무부담을 감소시킬 것이라는 기대와 달리현재의 AI 기술의 수준은 오히려 중요하지 않은 병변에 대한 발견으로 decisionfatigue를 유발할 수 있음
3. 영상의학과 의사의 업무와 진단보조 AI의 관계를 다룰 때 또다른 주의점은, 영상의학과 의사의 업무를 단지 “판독”이라는 하나의 업무로 지나치게 좁게 보면 안된다는 점임
   1. 영상의학과 의사는 개별검사에 대해 적절한 영상검사 방법/프로토콜의 수립/선정, 획득한 영상의 품질 확인 및 관리, 부수적 영상 프로세싱, 전문의로서 판독 및 판독문 작성,판독 결과에 대한 법적 책임, 컨퍼런스 등을 통한 주치의와의 소통을 담당하며 또한 영상장비의 전체적 운용과 관리를 책임짐
4. 진단보조 AI는 데이터를 기반으로 한 결과를 제시할 뿐, 환자 개별 상황에 대한전문의의 복합적 판단력을 대체할 수 없음. 더군다나 진단보조 AI는 판독에 관한법적 책임도 지지 않음. AI 사용 과정에서 발생하는 진단 오류나 기술적 문제의최종 책임은 의료인에게 있음
5. 이러한 논점 및 연구결과를 고려할 때, 현재 영상의학 진단보조 AI의 도입은 진단의 정확성 및 적시성 향상 면에서 도움이 될 수는 있으나 영상의학과 의사의 업무의 경감을 가져온다는 기대는 입증되지 않았으며, 오히려 여러 진료환경에서 업무부담을 가중시키는 요인이 될 가능성이 높음

결론

결론을 요약하자면 다음과 같습니다. (이 글에서 다루지 않은 부분도 전체적으로 포함해서 기술하였습니다.)

1. 보고서는 AI 의료기술의 경제성 자체는 꽤 긍정적으로 봅니다. 해외 비용효과성 문헌에서는 대부분의 AI 헬스케어 중재가 비용효과적이거나 비용 절감적이었고, 국내 3개 사례 분석에서도 심방세동 스크리닝, 폐암 스크리닝, 뇌졸중 진단보조 모두 선택된 조건에서는 비용효과성이 있는 것으로 제시됩니다. 즉 “AI는 보험권 밖에 둘 기술은 아니다”는 전제가 깔려 있습니다.
2. 하지만 동시에 보고서는 현재 임시등재 수가 체계가 불완전하다고 봅니다. 지금처럼 CT, MRI, 병리, 초음파 등 “원천 검사 수가”에 비례해서 AI 수가를 정하는 방식은 AI의 개발비, 유지보수비, 알고리즘 성능, 임상적 영향, 사용량 특성을 제대로 반영하지 못합니다. 특히 급여 수가는 너무 낮고, 비급여 상한은 상대적으로 크게 잡혀 있어 형평성 문제가 생길 수 있다고 봅니다.
3. 그래서 보고서는 AI 의료기술을 기능별로 나눠야 한다고 제안합니다. 큰 분류는 1군 판독보조, 2군 측정기능, 3군 예측기능, 4군 특정장비 결합군입니다. 그리고 보험 보상은 모든 AI에 주는 것이 아니라, 진단 정확도를 높이거나, 후속 검사·치료 선택을 바꾸거나, 응급·의료취약지에서 전문의 부재를 보완하는 경우처럼 환자 진료에 실제 영향을 주는 기술에 한정하자는 방향입니다. 단순히 “의사 업무 시간을 줄인다”는 주장만으로는 추가 수가의 근거가 부족하다고 봅니다.
4. 평가지표로는 단순 AUC나 정확도보다 민감도, 특이도, 양성예측도, 적응증 범위, 실제 후속조치 여부가 중요하다고 봅니다. 특히 AI는 기존 검사에 붙는 add-on 기술이라서 사용량이 기존 검사 건수만큼 폭증할 수 있습니다. 따라서 과잉 사용을 막으려면 “누구에게 썼을 때 양성예측도가 유지되는가”, “AI 결과가 실제 검사·치료 결정으로 이어지는가”를 봐야 한다는 결론입니다.
5. 학회 의견도 중요하게 다뤄집니다. 대한영상의학회는 진단보조 AI가 정확성이나 적시성 향상에는 도움이 될 수 있지만, 업무 경감 효과는 입증되지 않았고, 오히려 위양성 증가로 clinician들의 fatigue와 업무 부담을 늘릴 수 있다고 봅니다. 따라서 보고서는 AI를 “의사를 대체하거나 업무량을 줄이는 도구”로 보상하기보다는, 환자 결과와 임상 의사결정 개선을 입증한 도구로 보상해야 한다는 쪽에 가깝습니다.
6. 수가 방식에서는 선별급여만으로 해결하기 어렵고, 급여와 비급여 병행 모델을 제안합니다. 기준등급은 급여로 두되, 더 높은 기술 수준이나 확산 필요성이 인정되는 경우에는 등급별 차등을 두는 방식입니다. 등급은 근거수준, 임상적 필요성, 민감도·양성예측도, 적응증 범위, 청구량 등을 종합해 판단하고, 첫 1년은 원칙적으로 기준등급에서 시작하게 하는 구조입니다.
7. 또 하나의 큰 결론은 임시등재가 단순한 시장진입 통로가 아니라, 정식등재 전 근거수집 장치가 되어야 한다는 것입니다. 평가유예 신의료기술이라도 바로 정식등재로 가기보다는 최소 2년 정도 임시등재를 거치며 비급여 금액, 청구량, 적응증, 사용현황, 임상결과 데이터를 모아야 한다고 봅니다. 그리고 정식등재 후에도 2년 주기 같은 재평가를 통해 성능이 낮거나 임상적 유용성이 부족하면 수가를 낮추거나 퇴출할 수 있어야 한다고 제안합니다.

결론적으로, 한 문장으로 요약하자면

• AI 의료기술은 건강보험 제도 안으로 들여와야 하지만, “AI라서 보상”이 아니라 “환자에게 실제 이득이 있고, 사용량과 양성예측도가 관리되며, 임상 의사결정을 바꾸는 기술만 차등 보상하고 계속 재평가하자”입니다.