Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why

환자의 의료 데이터는 방대하고 이질적이지만, AI 시스템에 필요한 문서 수준의 메타데이터가 부족하여 기존 RAG 방식으로는 시계열 추론 및 문서 간 의존성 해결에 한계가 있습니다. 이를 해결하기 위해 University Medicine Essen에 온프레미스 기반의 에이전트형 임상 정보 추출(ACIE) 파이프라인을 구축했습니다. 이 시스템은 전체 환자 맥락을 추론하며 모든 답변에 근거가 되는 소스 구절을 제공합니다. 림포마 레지스트리 연구를 통해 임상의가 추출된 값을 검증한 결과, 7,326건의 판단 중 96.5%의 높은 수용률을 기록했습니다. 연구를 통해 메타데이터 공백이 아키텍처 설계에 미치는 영향과 에이전트 기반 RAG의 효용성을 입증했습니다.