Vercel에서 OpenEvidence 운영하기
-
의료 검색을 통해 65만 명의 의사에게 서비스 제공
-
약 5분 만에 프로덕션 배포 완료
-
추가 용량 할당 없이 트래픽 급증 흡수
-
Fluid compute를 사용하여 서버리스 지출을 90% 절감
-
의사 및 환자 대상 애플리케이션 독립적 업데이트
담당 의사가 중환자실 라운드에서 용량을 확인하거나 전문 분야가 아닌 케이스를 처리할 때, 근처에 전문가가 없을 때에도 의료 증거를 찾을 수 있도록 돕습니다. 답변은 동료 심사를 거친 문헌(peer-reviewed literature)을 기반으로 하며 인용 자료를 포함하므로 의사들은 그 배경이 되는 출처들을 검토할 수 있습니다.OpenEvidence
OpenEvidence의 소규모 팀은 초기 실험을 온라인에 올리기 위해 Vercel 사용을 시작했으며, 제품이 성장함에 따라 이 워크플로우를 유지하며 플랫폼에 웹 배포와 용량 처리를 의존해 왔습니다.
소프트웨어가 의료 결정을 돕는 경우 그 중요성은 다릅니다. 부정확한 답변은 의사가 환자를 치료하는 방식에 영향을 미칠 수 있으며, 사용 불가능한 애플리케이션은 증거가 필요할 때 접근을 차단할 수 있습니다.
OpenEvidence는 2026년 1월 기준 2천만 건 이상의 임상 상담을 지원했습니다. 또한 회사는 2025년에 OpenEvidence를 사용하는 의사들에 의해 1억 명 이상의 미국인이 치료받았다는 보고했습니다.
OpenEvidence의 엔지니어링 리드인 Kush Khosla는 "솔직히 말해서, 생사가 걸린 문제에 있어서 부정확함은 있을 수 없습니다."라고 말합니다. "우리는 응급실(ER)과 같이 상황을 정말로 알아야 하는 곳에서 운영됩니다. 가동 시간(Uptime)이 우리에게 매우 중요합니다."
"많은 의사와 의료 전문가들이 정말 구식 소프트웨어에 익숙합니다,"라고 OpenEvidence의 엔지니어링 리드인 Andy Yoon은 말합니다. 더 현대적인 경험이라 하더라도 여전히 의사들이 기대하는 속도, 안정성, 명확성, 그리고 신뢰할 수 있는 정보 수준을 충족해야 합니다. 이 소규모 팀은 웹 애플리케이션 업데이트를 프로덕션에 배포하기 전에 테스트할 방법과, 문제가 발생했을 때 롤백(roll back)할 방법이 필요합니다.
Andy는 OpenEvidence에 합류한 팀에게 Vercel이 적합했던 이유를 회상합니다. 그는 "저는 우리 팀에서 실제 프론트엔드(frontend) 배경을 가진 거의 유일한 엔지니어였습니다"라고 말합니다. 이어 "우리 팀의 대부분은 Python과 머신러닝(machine learning)으로 작업합니다."라며, "저희 엔지니어링 팀 구성을 고려할 때, Vercel이 저희의 필요에 맞춰 정말 잘 확장되었습니다."라고 덧붙입니다.
팀은 [Next.js framework]를 사용하여 의사 대상 웹 애플리케이션을 구축합니다. 엔지니어들이 개발 브랜치(development branch)에 변경 사항을 푸시(push)하면, Vercel은 [특정 동작/결과]를 제공하며, 이를 통해 라이브 데모에 사용할 수 있는 링크를 얻고 동료들과 새로운 기능을 테스트할 수 있습니다. 프로덕션 브랜치(production branch)에 푸시하거나 병합(merge)하면 프로덕션 빌드 및 배포가 트리거됩니다. 만약 릴리스를 되돌려야 한다면, 팀은 [Next.js framework]로 프리뷰(preview)를 빌드하고 배포하여 이전 배포 버전으로 롤백(roll back)할 수 있습니다.
이러한 워크플로우 덕분에 팀은 하루에도 여러 번 릴리스할 수 있으며, 변경된 모든 내용은 Kush가 무언가를 배포할 때마다 생각하는 의사 청중에게 즉시 제공됩니다.
애플리케이션을 계속 이용 가능하게 유지한다는 것은 팀이 항상 예측할 수 없는 수요를 처리해야 함을 의미합니다. Andy는 Slack을 스크롤하다가 OpenEvidence가 TikTok에서 입소문이 나며 일주일도 안 되어 약 2백만 조회수를 기록했다는 메시지를 보았습니다. 그는 트래픽이 상승하는 것을 지켜보고 로그를 확인했습니다. , 추가 용량을 할당할 수 없는 상황에서, 그는 자신의 업무로 돌아갔습니다.응답 시간은 빨랐고 오류율은 거의 제로에 머물렀습니다
갑작스러운 급증을 넘어, 팀은 웹 애플리케이션을 재구축하지 않고도 지속적인 성장을 수용했습니다.
Kush는 "의사 수가 5배로 늘어난 지금, 페이지 로드나 최초 표시 시간(time to first paint)에 무슨 일이 일어날지 생각할 필요가 단 한 번도 없었습니다"라고 말합니다. "확장 자체가 너무 자연스럽게 이루어져서 저희는 다른 것에 집중하게 되었습니다."
사용량이 증가함에 따라, 엔지니어링 부사장 Micah Smith는 컴퓨팅 비용을 주시했습니다. 팀은 Vercel에서 자체 함수를 활성화했고, Micah는 더 넓은 인프라 예산과 함께:Fluid compute그 결과를 설명했습니다
"동일한 성능을 유지하면서 서버리스 지출을 90% 줄였고, 심지어 1000배의 성장까지 확장했음에도 불구하고 Vercel은 전체 인프라 지출의 5% 미만입니다."
Fluid compute는 여러 요청이 실행 중인 함수 인스턴스를 공유할 수 있게 하여, 요청이 데이터베이스나 AI 백엔드와 같은 다른 서비스의 응답을 기다리는 동안 다른 작업을 처리할 수 있도록 합니다. , 이 경우 대기 시간에 대해 CPU 비용이 발생하지 않지만, 요청이 진행되는 동안 메모리 사용량은 계속 청구됩니다.Active CPU pricing
Take Home은 OpenEvidence의 최초 환자 대면 애플리케이션으로, 의사가 임상 답변을 일반 언어로 번역하여 환자와 공유할 수 있게 하며, 환자는 로그인하여 증거를 검토하고 저장합니다. 임상 시험 매칭(Clinical-trial matching) 또한 이 애플리케이션이 계획하는 방향 중 하나입니다.
이러한 확장을 지원하기 위해 팀은 수십 개의 초기 개념 증명(proofs of concept)을 통해 확립된 패턴을 사용하며, 각 개념 증명은 자체 커스텀 도메인으로 배포되었습니다. 이해관계자들은 해당 애플리케이션을 열어 워크플로우를 직접 테스트할 수 있었습니다. 몇 분 만에 새로운 프로젝트를 온라인화하는 것이 팀이 제품-시장 적합성(product-market fit)을 찾고 초기 기업 파트너십을 확보하기 쉽게 만드는 데 도움이 되었습니다.Vercel project
Take Home 역시 자체 프로젝트와 도메인을 가지고 있어, 엔지니어들은 다른 애플리케이션을 배포하지 않고도 환자 경험을 업데이트할 수 있습니다.
Take Home을 통해 상담 중 의사에게 도움이 되었던 증거가 환자가 나중에 다시 찾아볼 수 있는 자료가 될 수 있습니다.
OpenEvidence는 의료 전문가들이 진료 현장(point of care)에서 의학적 증거를 찾을 수 있도록 돕습니다. 여기서 얻은 답변들은 동료 검토를 거친 문헌(peer-reviewed literature)을 출처로 하고 인용하며 근거합니다. 이 시스템은 미국 내 10,000개 이상의 병원과 의료 센터에서 의사들이 매일 사용하고 있습니다. 그 임무는 의사들이 생명을 구하고 환자 치료를 개선하도록 돕는 것입니다. 더 알아보기: OpenEvidence 소개:openevidence.com 더 읽기
의사들이 의존하는 소프트웨어 구축하기
사용자층 증가에 따라 릴리스 단순하게 유지하기
프로비저닝(provisioning) 증설 없이 더 많은 의사 확보하기
서버리스 지출 비용 90% 절감
새로운 사용자층을 위한 친숙한 워크플로우