When OpenClaw Meets Hospital: Toward an Agentic Operating System for Dynamic Clinical Workflows

이 논문은 안전성, 투명성, 감사 가능성을 보장하기 위해 제한된 실행 환경, 문서 중심 상호작용, 페이지 인덱싱 메모리, 그리고 커스텀 의료 기술 라이브러리를 통합하여 병원 환경에 적합한 '에이전트 운영체제'를 제안합니다.

핵심

이 논문은 **"병원이라는 복잡한 세계에서 인공지능 **(AI)에 대한 혁신적인 아이디어를 제시합니다.

기존의 AI 는 "무엇을 할지"만 배우는 데 집중했지만, 이 논문은 "병원이라는 건물 안에서 AI 가 안전하게 행동할 수 있는 규칙과 시스템"을 만드는 데 집중합니다.

이 복잡한 내용을 일상적인 언어와 비유로 쉽게 설명해 드리겠습니다.

---

🏥 핵심 비유: "병원이라는 거대한 빌딩과 AI 관리 시스템"

이 논문의 핵심 아이디어인 **'병원용 에이전트 운영체제 **(Agentic Operating System)를 상상해 보세요.

1. 문제점: "무제한 권한을 가진 AI 는 위험해!"

지금까지 개발된 AI 에이전트들은 마치 "병원 전체의 열쇠를 다 가진 무임승객처럼 행동합니다.

• 문제: 이 AI 가 실수로 환자의 기록을 지우거나, 엉뚱한 약을 처방하거나, 외부 해커에게 정보를 넘길 수 있습니다.
• 현실: 병원에서는 환자 안전과 비밀 보호가 가장 중요하므로, AI 에게 이런 '전체 열쇠'를 줄 수 없습니다.

2. 해결책: "AI 를 '안전한 방'에 가두고, '작업 도구'만 주자"

이 논문은 AI 를 병원 전체에 자유롭게 다니게 하는 대신, **각자 맡은 역할에 맞는 '작은 방' **(Isolated Namespace)에 가두고, 오직 **정해진 도구 **(Medical Skills)만 사용할 수 있게 만들자고 제안합니다.

• 비유: AI 를 병원 직원으로 고용한다고 칩시다.
  • 외과 의사 AI는 수술실 열쇠만 가지고, 약국에는 들어갈 수 없습니다.
  • 간호사 AI는 환자 방 열쇠만 가지고, 진료 기록을 마음대로 고칠 수 없습니다.
  • 환자 AI는 자신의 증상만 기록할 수 있고, 다른 환자의 기록은 볼 수 없습니다.
  • 핵심: AI 가 "내가 잘못할까 봐 조심해"라고 약속하는 게 아니라, 시스템 자체가 "잘못할 수 없는 구조로 설계된 것입니다.

---

🔑 이 시스템의 4 가지 핵심 기능 (비유로 설명)

이 시스템은 크게 4 가지 기둥으로 이루어져 있습니다.

① 제한된 작업 공간 (Restricted Execution Environment)

• 비유: 어린이용 놀이터
  • 일반 컴퓨터는 AI 가 마음대로 코드를 실행하고 파일을 지울 수 있는 '자유로운 광장'입니다.
  • 하지만 이 시스템은 AI 가 들어갈 수 있는 어린이 놀이터처럼 설계되었습니다. 울타리 (방화벽) 가 있고, 놀 수 있는 장난감 (도구) 만 정해져 있습니다. AI 가 울타리를 넘어가거나 위험한 장난감을 들 수 없습니다.

② 문서 중심 소통 (Document-Centric Interaction)

• 비유: 공유된 '수첩'과 '편지'
  • 기존 AI 는 서로 직접 전화를 하거나 채팅을 합니다. (이건 오해와 혼란을 부릅니다.)
  • 이 시스템은 모든 의사소통을 '공유된 수첩에 글을 쓰는 방식으로만 합니다.
  • 환자 AI가 "배가 아파요"라고 수첩에 적으면, 의사 AI가 그 수첩을 보고 "진료 기록"을 적습니다.
  • 서로 직접 말하지 않고, **공유된 수첩 **(문서)을 통해 정보를 주고받기 때문에, 누가 무엇을 했는지 모두 기록되어 나중에 확인하기 쉽습니다.

③ 페이지 인덱싱 메모리 (Page-Indexed Memory)

• 비유: **책장 정리와 목차 **(Manifest)
  • 기존 AI 는 환자의 과거 기록을 찾을 때, 모든 기록을 '조각난 조각'으로 잘게 쪼개서 검색합니다. (예: 3 년 전 기록과 어제 기록이 섞여 나옴)
  • 이 시스템은 책장처럼 정리합니다.
    • 환자별 책장 -> 연도별 책장 -> 진료 기록 페이지
  • AI 는 각 책장 앞에 붙은 **목차 **(Manifest)를 읽어서 필요한 페이지만 찾아갑니다.
  • 장점: AI 가 "이 환자는 3 년 전부터 당뇨가 있었지?"라고 생각하며 목차를 보고 정확한 페이지로 이동할 수 있습니다. 복잡한 수학 계산 (벡터 검색) 없이, 사람처럼 논리적으로 기록을 찾아냅니다.

④ 의료 기술 도서관 (Curated Medical Skills Library)

• 비유: 레고 블록 세트
  • AI 는 새로운 일을 할 때, 미리 검증된 레고 블록들을 조립합니다.
  • "약 복용 확인하기", "혈압 기록하기", "응급 상황 알리기" 같은 작은 블록들이 있습니다.
  • 환자가 "최근 혈압이 오르는 것 같아"라고 말하면, AI 는 이 블록들을 즉석에서 조립해서 ("혈압 기록" + "의사 알림" + "약 확인") 새로운 해결책을 만들어냅니다.
  • 핵심: 미리 정해진 프로그램이 아니라, 상황에 맞춰 블록을 조립할 수 있기 때문에 예상치 못한 환자 상황도 해결할 수 있습니다.

---

🚀 이 시스템이 가져오는 변화

1. **안전성 **(Safety) AI 가 실수를 하더라도, 시스템이 막아주므로 병원 전체가 위험에 빠지지 않습니다. (울타리 안에서의 놀이)
2. **투명성 **(Transparency) 모든 행동이 '수첩'에 기록되므로, 누가 언제 무엇을 했는지 완벽하게 추적할 수 있습니다. (감사 추적)
3. **유연성 **(Flexibility) 미리 정해진 규칙만 따르는 기존 병원 시스템과 달리, AI 가 상황에 맞춰 새로운 업무 흐름을 만들어낼 수 있습니다. (레고 조립)

📝 한 줄 요약

"이 논문은 AI 를 병원이라는 복잡한 곳에 안전하게 배치하기 위해, AI 에게 '전체 열쇠'를 주지 않고 '작은 방'과 '정해진 도구'만 주고, 모든 일을 '공유 수첩'에 기록하게 만드는 새로운 병원 운영 시스템을 제안합니다."

이 시스템이 완성된다면, AI 는 병원에서 의사와 간호사를 돕는 **가장 신뢰할 수 있는 '디지털 동료'**가 될 것입니다.

기술 요약

1. 문제 정의 (Problem)

대형 언어 모델 (LLM) 기반 에이전트는 임상 업무 자동화, 의료 기록 작성, 의사결정 지원 등에 큰 잠재력을 가지고 있으나, 실제 병원 환경에 배포하는 데는 다음과 같은 구조적 한계가 존재합니다.

• 보안 및 신뢰성 문제: 기존 에이전트 프레임워크는 파일 시스템 접근, 외부 네트워크 호출, 임의 코드 실행 등 광범위한 OS 권한을 요구합니다. 이는 의료 데이터의 프라이버시 규정 (HIPAA 등) 과 감사 (Audit) 요구사항과 근본적으로 충돌합니다.
• 기억 (Memory) 구조의 부적합성: 기존 RAG(검색 증강 생성) 방식은 벡터 임베딩을 기반으로 문서를 조각내어 검색합니다. 이는 환자의 병력이 시간적, 인과적 순서를 가진 계층적 문서 구조라는 점을 무시하여, 장기적인 임상 맥락을 잃거나 신뢰할 수 없는 회상을 초래합니다.
• 고정된 워크플로우의 한계: 기존 병원 정보 시스템 (HIS, EHR) 은 사전에 정의된 고정된 프로토콜에 의존합니다. 그러나 임상 현장의 다양성 (희귀 질환, 복합 기저질환, 예측 불가능한 상황) 은 이러한 고정된 시스템으로 처리할 수 없는 '긴 꼬리 (Long-tail)' 요구사항을 끊임없이 생성합니다.
• 협업 모델의 부재: 병원은 의사, 간호사, 환자 등 다양한 참여자가 구조화된 문서 (진료 기록, 검사 결과) 를 통해 간접적으로 소통하는 환경인데, 기존 에이전트 아키텍처는 단일 대화형 인터페이스를 가정하여 다중 참여자 협업을 지원하지 못합니다.

2. 방법론 (Methodology)

저자들은 이러한 문제를 해결하기 위해 '병원용 에이전트 운영체제 (Agentic Operating System for Hospital)' 아키텍처를 제안합니다. 이는 오픈소스 에이전트 프레임워크인 OpenClaw를 기반으로 하되, 병원 환경의 안전성과 장기 기억 요구사항을 충족하도록 확장된 구조입니다.

핵심 구성 요소는 다음과 같습니다.

A. 제한된 실행 환경 (Restricted Execution Environment)

• 최소 권한 원칙 (Least-Privilege): 에이전트에게 시스템 전체 접근 권한을 부여하는 대신, Linux 멀티유저 시스템에서 영감을 얻어 각 에이전트 (환자, 의사, 임상진료자) 를 격리된 OS 네임스페이스 (Namespace) 에서 실행합니다.
• OS 수준 강제: 파일 시스템 접근, 네트워크 연결, 동적 코드 로딩은 런타임 수준에서 차단되며, 에이전트는 오직 사전 감사된 의료 기술 (Medical Skills) 호출과 공유 임상 문서의 읽기/쓰기만 수행할 수 있습니다.
• 보안: SELinux, AppArmor, seccomp 필터 등을 활용하여 커널 수준에서 접근을 통제하여 모델의 지시 불이행 시에도 보안을 유지합니다.

B. 페이지 인덱싱 메모리 아키텍처 (Page-Indexed Memory Architecture)

• 임베딩 제거: 벡터 임베딩 계산과 오프라인 인덱스 구축을 배제합니다.
• 매니페스트 (Manifest) 기반 탐색: 문서는 계층적 트리 구조로 조직되며, 각 내부 노드에는 하위 항목의 범위를 설명하는 인간이 읽을 수 있는 manifest.md 파일이 존재합니다.
• 점진적 공개 (Progressive Disclosure): 에이전트는 쿼리에 대해 루트 매니페스트를 읽고, LLM 의 추론 능력을 활용해 관련 하위 트리를 선택하여 점진적으로 탐색합니다. 이는 의사가 종이 차트를翻阅하는 방식과 유사하며, 불필요한 컨텍스트 소비를 줄이고 해석 가능성 (Interpretability) 을 제공합니다.
• 증분 유지 관리: 문서가 업데이트될 때 전체를 재인덱싱하지 않고, 변경된 노드의 매니페스트만 LLM 을 통해 업데이트합니다.

C. 문서 변이 기반 다중 에이전트 조정 (Document-Mutation Coordination)

• 직접 메시지 없음: 에이전트 간 직접 통신은 금지됩니다. 모든 상호작용은 공유된 임상 문서에 구조화된 쓰기 (Write) 작업으로 이루어집니다.
• 이벤트 브로커: 문서 변경 (Mutation) 이 발생하면, 이를 'Append-only mutation event'로 기록하고 구독 중인 에이전트들에게 알림을 보냅니다.
• 감사 추적: 모든 상호작용이 타임스탬프가 달린 파일 시스템 로그로 남으므로, 완전하고 위변조가 불가능한 감사 추적이 자동으로 생성됩니다.

D. 의료 기술 라이브러리 및 온디맨드 작업 구성 (Medical Skills Library & Ad-hoc Composition)

• 동적 작업 구성: 에이전트는 사전 정의된 의료 기술 (예: 생체 신호 집계, 약물 순응도 추적) 라이브러리를 기반으로, 고정된 워크플로우에 없는 새로운 임상 요구사항에 대해 실시간으로 작업 시퀀스를 구성 (Compose) 할 수 있습니다.

3. 주요 기여 (Key Contributions)

1. 인프라 중심의 설계 철학: 병원 내 LLM 에이전트 배포를 '모델 능력'의 문제가 아닌 '인프라 설계' 문제로 재정의했습니다. 안전성을 모델의 지시 준수에 의존하지 않고, 제한된 실행 환경 (OS 수준) 에 의존하도록 설계했습니다.
2. 문서 변이 조정 모델: 에이전트 간 통신을 파일 시스템의 원시 연산 (읽기/쓰기) 으로 축소하여, OS 네이티브 메커니즘으로 검증 가능하고 감사 가능한 조정 프로토콜을 구현했습니다.
3. 매니페스트 유도 탐색 (Manifest-Guided Navigation): 벡터 임베딩을 대체하는 새로운 메모리 접근법을 제시하여, 임상 기록의 계층적/종단적 구조를 보존하면서도 임베딩 오버헤드를 제거했습니다.
4. 임상적 유연성 제공: 고정된 병원 IT 시스템이 처리하지 못하는 '긴 꼬리' 임상 요구사항을, 에이전트가 의료 기술 라이브러리를 동적으로 조합하고 장기 기억을 활용하여 해결할 수 있음을 입증했습니다.

4. 결과 및 시나리오 (Results & Scenarios)

논문의 제안된 아키텍처는 다음과 같은 다양한 임상 시나리오에서 유효함을 시뮬레이션 및 논증했습니다:

• 지속적 모니터링 및 후속 조치: 웨어러블 센서 데이터를 기반으로 이상 징후를 감지하고, 자동으로 진료 기록을 업데이트하며 진료 예약을 생성하는 자동화 흐름.
• 분류 (Triage) 및 초기 평가: 응급실 등록 시 과거 병력을 매니페스트 탐색을 통해 신속히 조회하고, 분류 평가를 생성하여 적절한 진료과로 연결.
• 긴급 상황 에스컬레이션: 생체 신호 임계치 초과 시 즉시 고우선순위 알림을 생성하고, 관련 의료진이 즉시 대응할 수 있도록 경보 프로토콜을 트리거.
• 약물 관리 및 순응도 추적: 약물 복용 누락을 감지하고, 필요 시 교육 또는 조정을 위한 피드백 루프 형성.
• 다학제 간 협업: 여러 전문의 (심장, 신장, 종양 등) 가 각자의 전문 분야 노트를 작성하고 공유된 계획서를 통해 상호작용하며, 약물 상호작용 충돌을 자동으로 감지하고 조정.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 의료 AI 의 안전하고 신뢰할 수 있는 배포를 위한 새로운 패러다임을 제시합니다.

• 보안: 에이전트의 인터페이스를 파일 I/O 로 제한함으로써, 복잡한 애플리케이션 수준의 샌드박싱 대신 성숙한 OS 보안 메커니즘을 활용할 수 있게 하여 보안을 구조적으로 강화했습니다.
• 해석 가능성: 매니페스트 기반 탐색과 문서 변이 로그는 에이전트가 어떤 정보를 기반으로 판단했는지 인간이 이해할 수 있는 형태로 기록하여, 의료 규제의 감사 요구사항을 충족합니다.
• 적응성: 고정된 워크플로우 시스템의 한계를 넘어, 에이전트가 실시간으로 새로운 작업을 구성할 수 있게 함으로써 개별화된 환자 치료와 예측 불가능한 임상 상황에 대응할 수 있습니다.

결론적으로, 이 아키텍처는 "안전한 모델 행동을 약속하는 것"이 아니라 "부정적인 행동을 구조적으로 불가능하게 만드는" 인프라를 구축함으로써, 병원 환경에서 에이전트 AI 의 상용화를 위한 실질적인 토대를 마련했습니다.