임상증거 실시간 매핑 플랫폼 Trialstreamer 소개

초록

**
Trialstreamer는 MEDLINE에 등재된 무작위 대조 임상시험(RCT) 초록을 자동으로 처리해 인구(P), 중재(I), 비교(C), 결과(O) 요소를 추출하고, 결과 방향성을 추론해 전 세계적인 증거 지도(evidence map)를 실시간으로 제공하는 오픈소스 시스템이다. 주요 기술은 BioBERT 기반의 BiLSTM‑CRF 모델을 이용한 PICO 태깅, 문장 수준 증거 식별, 관계 추출을 통한 ICO(Intervention‑Comparator‑Outcome) 트리플 구성, 그리고 MeSH 정규화를 포함한다. 전체 파이프라인은 5,000여 개 초록에 대한 개발·테스트 세트에서 평균 F1 0.69~0.87 수준을 기록했으며, 웹 인터페이스를 통해 사용자에게 시각화된 치료‑결과 매핑을 제공한다.

**

상세 분석

**
본 논문은 임상시험 문헌의 폭발적 증가에 대응하기 위해 자연어처리(NLP) 기반의 자동 증거 추출·통합 파이프라인을 설계·구현한 점이 가장 큰 공헌이다. 첫 단계에서는 기존의 Publication Type(PT) 태그 의존성을 탈피하고, 사전 학습된 BioBERT를 토대로 BiLSTM‑CRF 모델을 활용해 PICO 요소를 고정밀·고재현율(Recall 0.87)로 식별한다. 이는 기존 EBM‑NLP 코퍼스와 최신 트랜스포머 기반 임베딩을 결합한 전략으로, 약어 확장을 위한 Ab3P 전처리와 함께 텍스트 길이 감소 효과를 얻어 downstream 모델의 효율성을 높였다.

두 번째 단계인 Evidence Sentence Classification은 Evidence‑Inference 코퍼스를 활용해 선형 분류기를 학습시켰으며, 높은 Recall(0.97)에도 불구하고 Precision이 0.53에 머무는 점은 실제 임상 보고서에서 결론 문장이 증거 문장과 혼재되는 특성 때문으로, 향후 문맥 기반 순위 모델이나 다중 라벨링 기법 도입이 필요하다.

관계 추출 단계에서는 명시적 Outcome을 중심축으로 삼아, 해당 Outcome에 연결된 Intervention·Comparator를 추론한다. 이 접근은 결과 서술에서 치료군이 간접적으로 언급되는 경우가 많다는 임상적 관찰에 기반한다. 모델은