병원의 전자의무기록에는 수많은 임상 정보가 담겨 있다. 하지만 이 정보의 상당 부분은 비정형 텍스트 — 의사의 메모, 방사선 판독문, 간호 기록 —형태로 존재해 자동 분석이 어렵다. 코드화된 데이터만으로는 임상 현실의 상당 부분을 놓친다.
자연어처리는 이 비정형 텍스트에서 의미 있는 정보를 자동으로 추출하는 AI 기술이다. 이번 리뷰는 EHR에서의 NLP 적용 현황과 성과를 종합했다.
주요 적용 분야:임상 엔티티 인식,관계 추출, 임상 코딩 자동화,표현형 정의 — 특정 질환 코호트를 EHR에서 자동으로 구성하는 것.
최근 성과: BERT, GPT 계열의 대형 언어모델이 임상 NLP에 적용되면서 정확도가 크게 향상됐다. Bio-BERT, Clinical-BERT 등 의료 특화 모델이 개발됐다. 하지만 의료 도메인의 약어, 오탈자, 개인정보 처리가 여전히 도전이다.
NLP로 잠자던 EHR 데이터가 깨어나면, 임상 연구와 환자 안전 모두가 달라진다.
📖 *NLP in Electronic Health Records* |
논문Hospital EHRs contain vast clinical information — but much exists as unstructured text (physician notes, radiology reports, nursing records) resistant to automatic analysis. Coded data alone (ICD codes, prescriptions) misses much clinical reality.
NLP (Natural Language Processing) automatically extracts meaningful information from unstructured text. This review synthesized NLP applications in EHR.
Key applications: clinical entity recognition (disease, drug, symptom extraction), relation extraction (drug A causes side effect B), automated clinical coding, and phenotyping — automatically constructing disease cohorts from EHR.
Recent advances: BERT/GPT-family large language models applied to clinical NLP have dramatically improved accuracy. Medical-specialized models (Bio-BERT, Clinical-BERT) are developed. Medical domain abbreviations, typos, and privacy remain challenges.
When NLP awakens dormant EHR data, both clinical research and patient safety transform.
📖 *NLP in EHR (Review)*
