MedRLM: 긴 문맥의 임상 추론, 센서 기반 스크리닝, 근거 기반 의사결정 지원 및 지역사회-상급 의료기관 전원 최적화를 위한 재귀적

실제 임상 의사결정 지원(Clinical decision support)은 고립된 의료 질문에 답하는 것을 넘어, 이질적이고 종단적인(longitudinal) 환자 정보에 대한 추론을 필요로 합니다. 그러나 현재의 의료 거대 언어 모델(Medical Large Language Models) 및 검색 증강 생성(Retrieval-Augmented Generation, RAG) 시스템은 종종 단일 단계 프롬프팅(Single-step prompting)이나 검색에 의존하며, 이는 임상적 근거가 긴 전자 건강 기록(Electronic Health Records, EHR), 의료 영상, 센서 스트림, 가이드라인 및 전원 제약 조건에 걸쳐 분산되어 있을 때 취약할 수 있습니다. 본 논문은 긴 문맥의 임상 추론, 센서 기반 스크리닝, 그리고 지역사회-상급 의료기관 전원 지원을 위한 재귀적 멀티모달 의료 지능(Recursive Multimodal Health Intelligence) 프레임워크인 MedRLM을 제안합니다. 모든 환자 정보를 하나의 프롬프트로 압축하는 대신, MedRLM은 환자 사례를 재귀적으로 조사, 분해, 검색, 검증 및 합성할 수 있는 외부 임상 환경으로 취급합니다. 이 프레임워크는 임상 텍스트, 종단적 EHR, 의료 영상, 생리적 센서 신호, 가이드라인 검색, 불확실성 감사(Uncertainty auditing) 및 전원 계획을 위한 전문화된 에이전트(Agents)들을 조정합니다. 또한, 환자 특이적 관찰 사항을 검색된 근거, 표준화된 정의, 센서 유도 바이오마커(Sensor-derived biomarkers) 및 전원 기준과 연결하기 위해 임상 근거 그래프 메모리(Clinical Evidence Graph Memory)를 도입합니다. 센서 기반 재귀적 트리거링 메커니즘은 비정상적인 생리적 또는 행동 패턴이 감지될 때 더 깊은 추론을 활성화하며, 불확실성 게이트 정제(Uncertainty-gated refinement)는 고위험 또는 저신뢰 사례에 대해 임상의의 검토를 지원합니다. 우리는 또한 EHR, 방사선학, ECG, ICU 시계열 및 전원 대리 결과(Referral-proxy outcomes)를 아우르는 공개 및 인증된 임상 데이터셋을 사용하는 실제 데이터 평가 설계를 개괄합니다. MedRLM은 의료 AI를 정적인 질의응답에서 감사 가능하고(Auditable), 멀티모달이며, 워크플로를 인식하는(Workflow-aware) 임상 의사결정 지원으로 이동시키는 것을 목표로 합니다.