비정형 EHR(전자 건강 기록) 노트에서 구조화된 임상 정보를 추출하는 것은 의료 정보학(healthcare informatics) 분야의 지속적인 병목 현상입니다. 거대 언어 모델(LLMs)은 높은 성능을 제공하지만, 개인정보 보호 위험, 추론 비용, 그리고 텍스트 증거를 벗어나는 환각(hallucinate) 경향으로 인해 임상 환경에서의 배포가 저해됩니다. 우리는 MedGemma-27B 모델을 사용하여 완전히 로컬(local) 방식으로 도메인에 적응된 파이프라인을 제안함으로써 CL4Health 2026 증례 보고서 양식(Case Report Form, CRF) 작성 과제의 이러한 과제들을 해결합니다. 이진 존재 여부 분류(binary presence classification)와 값 추출(value extraction)을 분리하는 우리의 2단계 아키텍처는 텍스트 증거에 대한 엄격한 준수를 강제하며, 부정(negated), 불확실(uncertain) 또는 미상(unknown) 상태에 대해 결정론적(deterministic) 출력을 보장합니다. 외부 API 호출이나 미세 조정(fine-tuning) 없이 항목별(item-specific) 퓨샷 인컨텍스트 학습(few-shot in-context learning)을 활용함으로써, 우리의 접근 방식은 공식 영어 테스트 트랙에서 0.55의 macro-F1 점수를 달성했습니다. 이 결과는 모든 로컬 호스팅 오픈 소스 제출물 중 2위를 기록했습니다. 우리의 연구는 개인정보를 보호하는 온프레미스(on-premise) LLM 파이프라인이 독점적인 프런티어 모델(frontier models)과 경쟁 가능한 수준의 성능을 달성할 수 있음을 보여주며, 임상 NLP를 위한 실용적이고 데이터 주권(data-sovereign)을 보장하는 프레임워크를 제공합니다.