생물 의학 지식 그래프 (Knowledge Graphs, KGs)는 질병 연관성을 정적인 사실로 취급하지만, 시간적 정보는 임상 추론 (Clinical Reasoning)에 있어 매우 중요합니다. 예를 들어, 3세 때 특정 질병을 진단하는 증상이 13세 때는 다른 질병을 의미할 수 있습니다. PrimeKG, Hetionet, iKraph와 같은 기존의 KGs는 질병의 경과에 따라 특정 소견이 언제 임상적으로 유의미해지는지를 인코딩하지 않습니다. 이는 종단적 임상 추론 (Longitudinal Clinical Reasoning) 및 검색 증강 (Retrieval Augmentation)에 대한 유용성을 제한합니다. 우리는 13,431개의 질병을 다루며 (1,300만 개의 원시 추출 데이터에서 필터링된) 460,497개의 증거 연결 트리플 (Evidence-linked Triples)을 포함하는 시간적 생물 의학 지식 그래프인 ChronoMedKG를 소개합니다. 각 연관성은 발병 시기 (Onset Window) 또는 진행 단계 (Progression Stage)와 같은 시간적 구성 요소와 연결되어 있으며, 이는 PMID 추적이 가능한 증거와 다중 신호 신뢰도 점수 (Multi-signal Credibility Score)에 의해 뒷받침됩니다. 이 그래프는 여러 최첨단 LLM (Frontier LLMs)이 PubMed 및 PMC 문헌에서 독립적으로 지식을 추출하는 질병 자율형 멀티 에이전트 파이프라인 (Disease-autonomous Multi-agent Pipeline)을 통해 구축되었습니다. 다중 모델 합의 (Multi-model Consensus)를 통해 지원되고, 신뢰도 필터링 (Credibility Filtering) 및 온톨로지 정렬 (Ontology Alignment)을 통과한 관계들만이 유지됩니다. ChronoMedKG는 Orphadata에 대해 92.7%의 일치도를 기록했으며, HPOA, Orphadata, Phenopackets에 존재하지 않는 6,250개의 질병에 대한 시간적 근거를 추가하였고, 여기에는 Orphanet 코드가 부여된 1,657개의 희귀 질환이 포함됩니다. 우리는 더 나아가 8가지 작업 유형 (6가지 시간적 유형 및 2가지 정적 대조군)에 걸친 3,341개의 질문과 12개의 질문으로 구성된 보충 조사 (Supplementary Probe)를 포함하는 벤치마크인 ChronoTQA를 소개합니다. 최첨단 LLM들은 정적 질문에서 시간적 질문으로 넘어갈 때 약 30점의 점수 하락을 보였습니다. ChronoMedKG 검색은 이들의 롱테일 실패 (Long-tail Failures) 중 47-65%를 구제해냈으며, 이는 HPOA-RAG의 17-29%와 대조적입니다. 이와 같이, ChronoMedKG는 기존에 부재했던 검색 증강 임상 시스템을 위한 결정적인 시간적 축을 제공합니다.