네덜란드 임상 노트 비식별화 비교 연구: DP, NER, LLM 성능 분석

의료 데이터는 환자 개인 정보가 포함된 임상 노트(clinical notes) 형태로 존재하며, 이를 활용하여 2차 연구에 사용하려면 강력한 프라이버시 보호가 필수적입니다. GDPR이나 HIPAA와 같은 글로벌 규제 환경 하에서 이러한 민감 정보를 다루는 것이 핵심 과제입니다.

전통적으로 환자 정보 비식별화(De-identification)의 '골드 스탠다드'는 전문가에 의한 수동 작업이었으나, 이는 막대한 비용과 시간이 소요되는 비효율적인 방식입니다. 따라서 높은 프라이버시 보장과 데이터 활용성(Utility)을 동시에 확보할 수 있는 자동화된 방법론이 절실합니다.

기존의 자동화 파이프라인들은 주로 개체명 인식(Named Entity Recognition, NER)을 사용하여 보호되는 엔티티를 식별하고 이를 마스킹하거나 제거하는 방식을 사용했습니다. 여기에 더해, 형식적인 프라이버시 보장을 제공하는 차분 프라이버시(Differential Privacy, DP) 기법이 도입되면서 학계의 주목을 받았습니다.

최근에는 대규모 언어 모델(Large Language Models, LLMs)의 발전으로 인해 임상 도메인 텍스트 비식별화에 LLM을 활용하는 사례가 증가하고 있습니다. 하지만 이 세 가지 주요 방법론—DP, NER, 그리고 LLMs—을 네덜란드 임상 텍스트라는 특정 환경에서 체계적으로 비교한 연구는 드뭅니다.

본 논문은 이러한 공백을 메우기 위해 DP, NER, 그리고 LLM의 성능을 포괄적으로 비교 평가하는 최초의 시도를 제시합니다. 단순히 각 방법론을 개별적으로 테스트하는 것을 넘어, 다음과 같은 하이브리드 전략들을 탐구했습니다:

1. NER 또는 LLM 기반 전처리 후 DP 적용: 언어적 특성을 먼저 추출하거나 정제한 뒤에 DP 메커니즘을 적용하여 프라이버시를 강화하는 방식입니다.
2. LLM 기반 비식별화와 DP 결합: LLM의 강력한 문맥 이해 능력을 활용해 엔티티를 식별하고, 이 과정에 DP 원칙을 통합하는 방법입니다.

평가 기준은 단순히 프라이버시 누출(privacy leakage) 여부뿐만 아니라, 비식별화된 데이터가 실제로 얼마나 유용한지 측정하는 외적 평가(extrinsic evaluation), 즉 개체 및 관계 분류 성능으로 이루어졌습니다.

연구 결과는 매우 명확합니다. DP 메커니즘 자체만을 적용할 경우, 아무리 정교하게 설계되었더라도 원본 텍스트의 정보 유틸리티가 상당 부분 저하되는 경향을 보였습니다. 그러나 이 DP 기법들을 언어적 전처리 과정과 결합했을 때, 특히 LLM 기반의 비식별화 과정을 거쳐 데이터를 정제한 후 DP를 적용하는 하이브리드 전략은 프라이버시와 유틸리티 사이의 상충 관계(trade-off)를 획기적으로 개선함을 입증했습니다. 이는 향후 임상 데이터 처리 파이프라인 설계에 중요한 지침을 제공합니다.