Agentic RAG를 활용한 Configurable Clinical Information Extraction: 작동 원리·한계와 이유

임상 데이터의 메타데이터 부재와 불일치로 인한 검색·추출의 신뢰도 저하가 발생한다. ACIE는 온프레미스에서 전체 환자 맥락을 대상으로 추론하고, 모든 값은 출처 구절로 grounding되어 의사 검토를 거친 뒤 문서화된다. lymphoma 레지스트리 연구의 7,326 판단에서 96.5%의 수용률이 확인되며, 필드 유형에 따라 성능 차이가 나타난다.

[어떤 값을 입력으로] Patient context 전체를 대상으로 ACIE 파이프라인의 retrieval 및 grounding을 수행한다. [어떤 연산을 수행해] Typed schema를 가진 extraction targets에 대해 에이전트가 의미론적 유사도 검색, 문서 요약, 세부 문서 조회를 반복하며, 값은 구체적 출처 구절에 근거해 산출된다. [어떤 결과를 얻고] 출처 구절로 근거된 값이 반환되며, 의사가 해당 값을 수용/수정/거부한다. [그 값의 의미] 출처 근거가 명확한 structured data가 생성되며, 임상 시스템에 반영되기 전에 신뢰성 검증을 거친다.

[패턴 예시(문헌 수식의 원리)] [어떤 값을 입력으로] q 와 문서 덩어리 c가 주어지면 [연산] sim(q,c) 와 ℓ(덩어리 길이)를 이용해 가중치 s를 계산한다. [결과] s = sim(q,c) ⋅ p(ℓ) 이고 p(ℓ) = min(ℓ/τ, 1) ⋅ 2/3 + 1/3, τ=40 이다. [의미] s가 큰 덩어리일수록 쿼리와의 관련성이 높아 검색 순위 및 선택 우선순위에 영향을 준다.

[파이프라인 핵심 절차] Clinicians define extraction targets through typed schemas. For each target, an agent searches the patient context via tools that perform semantic similarity-based retrieval, document listing with query-relevant summaries, and detailed inspection of selected documents. The agent iterates until sufficient evidence is gathered, returning a grounded answer with cited passages. Grounding is a safety requirement: clinicians review and accept or reject each extracted value against citations. ACIE runs entirely on-premise on Kubernetes; the extraction model is Qwen 3.6 35B-A3B, PaddleOCR-VL 1.5, served on 4× H100 GPUs (OCR on a single H100).

[메인 벤치마크] lymphoma 레지스트리 연구와의 병행 평가에서 7,326 판단 중 96.5%의 수용. 필드 타입별로는 Categorical/Numerical/Boolean/Free text가 96.0–98.6% 수용, Date 84.3%, Tabular 79.8%가 각각 가장 낮은 수용률을 보였다. Décor: 총 253건의 거부 중 182건은 10개 필드에서 집중적으로 발생했다. 근거 추출은 hallucination 없이 출처로 귀결되며, 의사 검토를 통해 수용 여부가 결정된다. Extraction은 잘못된 값 수정, 누락/초과 정보, 또는 형식 구성 이슈로 분류된다. ACIE의 Grounding은 임상 데이터의 시계열 해석과 다중 행의 표 구성 등 temporal reasoning의 필요성에서 나오는 어려움을 일부 포착한다. ACIE는 마진으로 3배의 작업 속도 향상을 보고하며, 로지컬한 설계로 문서 간 상호연결이 필요한 케이스에서 특히 강점이 있다.

단락 1: 전체 아키텍처 구조 — ACIE는 on-premise에서 쿠버네티스 기반으로 동작하며, 환자 컨텍스트를 FHIR 서버에서 수집하고, 문서를 coarse/fine 두 레벨로 chunking한다. Extraction target은 clinician이 Typed schema로 구성한다. 단락 2: 핵심 메커니즘의 수학적/알고리즘 기반 — retrieval은 semantic similarity를 이용한 도구 기반 탐색이며, 텍스트 요약은 200단어 분량의 요약으로 문서별 쿼리 관련 선행 정보를 구성한다. 문장 단위의 근거는 출처 구절에 바인딩된다. 입력-출력의 흐름은: q, c 입력 → sim(q,c) 계산 → p(ℓ) 적용 → s 계산 → 가장 관련된 덩어리 선택 → Grounded answer 반환. 단락 3: Prior work 대비 차별점 — 메타데이터 기반 정적 필터링의 한계를 넘어 문서 내용 기반의 에이전트적 Retrieval 도입, 온프레미스 배포, 출처 근거 grounding, JSON 대신 Markdown 직렬화 도입. 단락 4: 구현 및 학습 세부사항 — Extraction 모델은 Qwen 3.6 35B-A3B, OCR은 PaddleOCR-VL 1.5를 사용. 4× H100에서 추출 모델, OCR는 1× H100에서 실행. 문서 로딩 및 파이프라인 구성은 병원 인프라에 맞춰 구성되었다.

단일 병원, 단일 질환군(림로마) 및 단일 언어로 한정된 평가. 99명의 환자와 74개 필드에 대한 전문가 평가로 일반화 가능성이 제한적이다. inter-rater reliability는 측정되지 않았다. 비교 대상을 비-agentic 또는 상용 baseline과의 직접 비교가 이루어지지 않았다. 평가 데이터는 retrospective이며 point-of-care 의사 결정에는 직접 적용되지 않는다.