표준화 환자 사례를 통한 역동적 임상 의사결정에서의 대규모 언어 모델(LLM) 평가

대규모 언어 모델(LLMs)이 임상 에이전트(clinical agents)로서 점점 더 많이 제안되고 있지만, 정적이고 단발적인(single-turn) 벤치마크는 모델이 진료 과정 전반에 걸쳐 정보를 수집하고, 치료를 계획하며, 연속적인 환자 상태에 따라 종단적 관리(longitudinal management)를 적응적으로 수행하는 역동적인 케어 방식을 포착할 수 없습니다. 의학 교육은 표준화 환자(Standardized Patients, SPs)를 통해 이와 유사한 과제를 오랫동안 다루어 왔습니다. SP는 일관되게 임상 사례를 연기하도록 훈련된 배우로, 현실적인 실습과 객관적이고 정해진 방식의 평가를 가능하게 합니다. 본 연구에서는 임상 에이전트 평가를 위해 SP에서 파생된 상호작용형 벤치마크인 MedSP1000을 소개합니다. 여기에는 24,602개의 궤적 수준(trajectory-level) 피어 리뷰 루브릭(peer-reviewed rubrics)을 포함한 1,638개의 SP 사례가 포함되어 있습니다. MedSP1000은 피어 리뷰를 거친 SP 교육 사례를 정의된 SP 사례 스크립트, 임상 환경 컨텍스트, 그리고 인간이 검증한 구조화된 루브릭을 갖춘 실행 가능한 시나리오로 변환합니다. 각 시뮬레이션 평가 실행 시, 임상 에이전트는 환자 에이전트(patient agent) 및 환경 컨트롤러(environment controller)와 폐쇄 루프(closed loop) 내에서 상호작용하며, 그 행동은 원본 자료에 명시된 전문가 기준에 따라 진료 과정 전반에 걸쳐 점수가 매겨집니다. 다양한 범용 및 의료 특화 LLMs에 MedSP1000을 적용한 결과, 정적 벤치마크에서의 성능이 이러한 교육적 시나리오로 안정적으로 전이되지 않는다는 것을 발견했습니다. 가장 성능이 뛰어난 모델인 GPT-5.5는 전문가가 정의한 루브릭 항목의 60.4%만을 완료한 반면, 가장 강력한 의료 특화 모델은 40.0%에 도달했습니다. 테스트 시간 연산(test-time compute)을 늘려도 측정 가능한 이득은 발생하지 않았습니다. 이러한 결과는 의료용으로 조정된 에이전트 시스템을 포함한 현재의 LLMs가 실제 임상 현장에 안전하게 통합될 만큼 아직 충분히 신뢰할 수 없음을 시사합니다. 더 넓게는, MedSP1000은 프로세스 수준의 SP 스타일 평가가 단발적 벤치마크가 놓치는 임상적으로 유의미한 실패 모드(failure modes)를 어떻게 드러낼 수 있는지를 보여줍니다.