일본의 일반 병원에서 전자의무기록(EMR) 도입률이 50%를 넘었다. 하지만 진료 기록과 간호 기록은 여전히 자유 텍스트 형태의 비정형 데이터로 쌓여 있다. 의사가 환자 기록을 검토하려면 수십 페이지를 뒤져야 하고, 임상시험 대상자를 찾으려면 사람이 일일이 읽어야 한다. 이 비효율을 대형언어모델(LLM)이 어떻게 해결할 수 있을까?
도호쿠대학교 의학계 연구팀은 도호쿠대학병원에서 축적된 데이터로 의료 특화 LLM을 개발하고, 검색증강생성(RAG) 기술을 결합해 전자의무기록에서 자동으로 환자 요약을 생성하는 시스템을 구축했다.
연구팀은 두 가지 실증 실험을 수행했다. 첫 번째는 간호 기록에서 퇴원 요약서 자동 생성이었다. LLM이 생성한 요약의 품질은 간호사가 직접 작성한 요약과 비교해도 손색없는 수준이었다. 문서 작업의 효율성을 크게 높일 수 있는 가능성을 보여준 것이다.
두 번째 실험은 임상시험 적격 판정을 위한 복합 사례 추출이었다. 기존 검색 방식으로는 찾아낼 수 없었던 복잡한 임상 조건을 만족하는 사례를 LLM이 성공적으로 식별했다. 이는 신약 개발 지원에서 LLM의 활용 가능성을 입증하는 결과였다.
하지만 생성형 AI의 고질적 문제도 확인되었다. 할루시네이션(허위 정보 생성) 위험이 존재했으며, 임상 적용을 위해서는 인간 감독(human-in-the-loop)이 필수적이었다. AI가 생성한 요약을 의료진이 최종 검토하고 수정하는 과정이 반드시 필요하다.
이 연구의 의미는 일본의 의료 현장에서 이미 LLM 기반 문서 자동화가 실증 단계에 진입했다는 점이다. 도호쿠대학병원이라는 실제 임상 환경에서 개발하고 검증했다는 점에서, 실험실 수준을 넘어선 결과다. 다만 이 논문은 일본어로 작성되어 있어 상세한 수치 데이터의 확인에는 제한이 있다.
의료기관과 의료진이 주목해야 할 점은 LLM이 문서 작업의 보조 도구로서 즉시 활용 가능하다는 것이다. 퇴원 요약서, 수술 기록, 외래 진료 기록 등 반복적이고 시간이 많이 소요되는 문서 작업에 AI를 도입하면 의료진이 환자 진료에 더 많은 시간을 할애할 수 있다. 단, AI가 생성한 내용은 반드시 의료진이 직접 확인하고 승인하는 절차를 마련해야 한다.
📖 *Creation of Patient Summaries from Electronic Medical Records and Integration of Medical Knowledge via Large Language Models (실증 실험, 도호쿠대학병원)* |
논문 원문
※ 이 기사는 의학 논문을 바탕으로 작성되었습니다. 개인 건강 상태에 따라 다를 수 있으니 전문의와 상담하세요.
In Japan, electronic medical record (EMR) adoption in general hospitals has surpassed 50%. Yet clinical notes and nursing records remain accumulated as unstructured free text. Reviewing a patient's history means combing through dozens of pages; finding clinical trial candidates requires humans to read records one by one. Can large language models (LLMs) solve this inefficiency?
A research team at Tohoku University Graduate School of Medicine developed a medical-specific LLM trained on data accumulated at Tohoku University Hospital, combined with retrieval-augmented generation (RAG) technology. The system automatically generates high-precision patient summaries from EMR free text.
Two demonstration experiments were conducted. The first involved automated generation of discharge summaries from nursing records. The LLM-generated summaries were of quality comparable to those created by nurses themselves, suggesting significant potential for improving documentation efficiency. What typically takes a nurse considerable time to compile could be generated in a fraction of that time.
The second experiment focused on extracting complex cases based on clinical trial eligibility criteria. The system successfully identified cases meeting complex clinical conditions that were impossible to extract using conventional search methods. This demonstrated LLM's potential for supporting drug discovery and clinical trial recruitment.
However, the hallucination risk inherent in generative AI was also confirmed. The system occasionally generated information that did not exist in the source records. For clinical implementation, human oversight (human-in-the-loop) was deemed indispensable — a process where medical staff review and correct AI-generated summaries before they enter the official record.
This study is significant because it demonstrates LLM-based document automation at the implementation stage in a real clinical environment — Tohoku University Hospital, not just a laboratory setting. However, the paper was published in Japanese, limiting detailed verification of specific numerical results.
For healthcare institutions and professionals, the key takeaway is that LLMs are immediately applicable as documentation assistance tools. Discharge summaries, surgical reports, and outpatient records — all repetitive, time-consuming documentation tasks — are candidates for AI augmentation. This could free medical staff to dedicate more time to direct patient care. The critical requirement is establishing a mandatory review-and-approval workflow where medical professionals verify all AI-generated content before it becomes official.
📖 *Creation of Patient Summaries from Electronic Medical Records and Integration of Medical Knowledge via Large Language Models (Demonstration study, Tohoku University Hospital)* |
PubMed
※ This article is based on a medical research paper. Individual health conditions may vary; please consult a healthcare professional.