대규모 언어 모델 (LLMs)은 의료 교육 분야에서 가능성을 보여주고 있으나, 기존의 대부분 시스템은 전체 임상 사례를 의사결정 중심의 학습 경로로 구성하기보다는 질의응답이나 단발성 피드백과 같은 국소적인 상호작용에 집중하고 있습니다. 우리는 정적인 임상 사례를 구조화되고 실행 가능한 스토리텔링 게임으로 변환하는 프레임워크인 \textit{MedGame}을 소개합니다. MedGame은 이중 엔진 설계를 사용합니다. '의료 내러티브 디자이너 (Medical Narrative Designer)'는 사례에 기반한 임상 스토리라인을 상태(states) 및 의사결정 노드(decision nodes)와 함께 합성하며, '스토리 디렉터 (Story Director)'는 이를 우리가 공개한 인터랙티브 플랫폼에 의해 렌더링되는 의존성 인식 멀티모달 오케스트레이션 계획(dependency-aware multimodal orchestration plans)으로 변환합니다. 우리는 의료 내러티브 생성(Medical Narrative Generation) 및 스토리 디렉션(Story Direction)을 위한 5,000개 사례 규모의 벤치마크 및 평가 프로토콜인 MedGame Bench를 구축했습니다. 실험 결과, 작업 특화 미세 조정 (task-specific fine-tuning)은 MedGame Bench에서 오픈 소스 LLMs의 성능을 실질적으로 향상시키며 상용 모델과의 격차를 좁히는 것으로 나타났습니다. 또한 예비 학생 연구를 통해 학습자들이 MedGame을 텍스트 전용 대안보다 더 몰입감 있고 유용하다고 인식함을 확인했습니다.