입원 기간의 다학제적 요약을 향하여: 효율적인 문장 수준 임상 출처 분류

신생아 중환자실 (NICU)과 같이 복잡도가 높은 환경에서 효과적인 "전체 팀 (all-team)" 요약을 수행하려면 수백 개의 임상 자유 텍스트 노트 (clinical free-text notes)에 흩어져 있는 다양한 분야 (의사, 간호사, 치료사)의 통찰력을 통합해야 합니다. 단순히 이질적인 텍스트를 모으는 것만으로는 종종 일관성 없는 결과가 초래됩니다. 따라서 구조화된 요약을 위해서는 먼저 다중 소스 노트 전반에 걸친 문장 수준의 출처 (provenance)를 정확하게 분류하는 과정이 필요합니다. 본 파일럿 연구는 대규모 언어 모델 (LLMs)의 지도 미세 조정 (Supervised Fine-Tuning, SFT)을 사용하는 임상 출처 분류 파이프라인을 소개합니다. 우리는 임상 출처 헤더가 주석 처리된 2,002개의 MIMIC-III (성인 ICU) 노트 코퍼스인 MedSecId에 두 개의 Llama-3 모델 (8B 및 70B)을 적응시켰으며, 두 모델 모두에서 도메인 내 Macro F1 점수 92% 이상을 달성했습니다. 교차 도메인 일반화 (cross-domain generalization)를 평가하기 위해, 우리는 세 개의 다학제적 NICU 요약에서 도출된 227개의 문장 수준 구간 (sentence-level spans)으로 구성된 골드 표준 데이터셋을 사용하여 모델 용량 (8B 대 70B) 및 양자화 (quantization)를 평가했습니다. 실험 결과는 규모 의존적 전이 효과 (scale-dependent transfer effect)를 보여줍니다. SFT는 8B 모델에 대해서는 미미한 변화만을 생성한 반면, 70B 모델은 Macro F1을 7% 증가시키며 실질적으로 개선되었습니다. 특히, 양자화된 미세 조정 70B 모델은 계산 요구 사항을 대폭 줄이면서도 전체 정밀도 (full-precision) 베이스라인보다 우수한 성능을 보였습니다. 이러한 결과는 교차 도메인 임상 전이 과정에서 의미론적 유연성 (semantic flexibility)을 유지하기 위해 충분한 모델 용량이 매우 중요하다는 것과, 효율적인 양자화 적응이 다운스트림 요약을 위한 구조화된 출처 모델링을 가능하게 할 수 있음을 시사합니다.