FeatEHR-LLM: 전자의무기록 (EHR) 를 위한 특징 공학에 대규모 언어 모델 활용

요약

본 논문은 전자의무기록(EHR)과 같은 복잡한 임상 시계열 데이터에서 특징 공학의 어려움을 해결하기 위해 FeatEHR-LLM이라는 프레임워크를 제안합니다. 이 프레임워크는 대규모 언어 모델(LLMs)을 활용하여 불규칙하게 샘플링된 EHR 데이터로부터 임상적으로 유의미한 표형 특징을 생성하는 것을 목표로 합니다. LLM은 원본 환자 기록 대신 스키마와 작업 설명에만 작동하며, 도구 증강 생성을 통해 전문적인 특징 추출 코드를 생성함으로써 시간적 불균일성과 정보 희소성 문제를 효과적으로 처리합니다.

핵심 포인트

• FeatEHR-LLM은 EHR 데이터의 복잡한 특징 공학 문제를 해결하기 위해 LLMs를 활용하는 새로운 프레임워크입니다.
• 이 프레임워크는 원본 환자 기록에 직접 접근하지 않고, 데이터셋 스키마와 작업 설명을 기반으로 작동하여 개인 정보 보호를 유지합니다.
• 도구 증강 생성 메커니즘을 통해 불규칙한 시간 데이터를 쿼리하는 실행 가능한 특징 추출 코드를 자동으로 생성할 수 있습니다.
• ICU 데이터셋에서 수행된 8가지 임상 예측 작업 중 7가지에서 최고 성능을 달성하며, 기존 방법 대비 최대 6%p의 개선을 입증했습니다.