호주 일반진료 메모 합성 데이터셋 SynGP500 소개

초록

SynGP500은 호주 일반진료(GP) 현장을 모델링한 500개의 합성 의료 기록을 제공한다. RACGP 2022 교육과정과 BEACH 역학조사를 기반으로 질환 빈도를 조정하고, 9가지 진료 상황·지역·사회적 요인을 반영해 실제 문서의 오타·축약·불일치까지 포함한다. 언어·의미 다양성, 역학 일치성, 개념 추출 성능 향상을 통해 데이터 품질을 검증했으며, 개인정보 보호와 윤리 승인 없이 연구·교육에 바로 활용할 수 있다.

상세 분석

본 논문은 합성 임상 텍스트 생성에 대한 체계적 프레임워크를 제시한다. 첫 단계는 ‘조건 선택’으로, RACGP 2022 커리큘럼을 기반으로 흔한 질환·덜 흔한 질환·희귀 질환을 3계층으로 구분하고, BEACH 연구의 전국적 발생률 데이터를 가중치로 적용해 실제 호주 GP 방문 패턴을 재현한다. 이를 통해 데이터가 단일 클리닉의 편향을 넘어 국가 수준의 역학적 현실성을 확보한다. 두 번째 단계는 ‘다차원 그라운딩’이다. 임상 가이드라인, 진료 상황(표준 클리닉, 텔레헬스, 홈 방문 등 9가지), 지역적 접근성(MM1‑MM7), 그리고 사회·경제적 복합요인(주거 불안정, 문화적 차이, 언어 장벽, 복약 순응도 등)을 모두 명시적으로 모델에 입력한다. 이러한 다차원 입력은 LLM이 상황에 맞는 문맥과 관리 계획을 생성하도록 유도한다. 텍스트 생성은 GPT‑5를 온도 1.0으로 사용했으며, ‘클리니션 페르소나’ 라이브러리를 통해 문서 길이, 약어 사용, 서술 구조, 오타 비율 등을 다양화했다. 결과적으로 메모는 213~1444단어(평균 606±257)로 폭넓은 길이 분포를 보이며, 실제 GP가 보이는 텔레그래픽·상세·혼합형 서술을 모두 포함한다.

품질 검증은 세 축으로 이루어진다. (1) 역학 검증에서는 LLM 기반 카테고리 분류와 10% 수동 검증을 통해 28개 진료 카테고리 중 대부분이 BEACH 비율과 ±1~2% 차이 내에 있음을 확인했으며, ‘기타’ 비중이 낮은 것은 교육 목적의 커리큘럼 중심 선택을 반영한다. (2) 스타일리틱 분석에서는 평균 어휘 다양도(MA‑TTR) 0.946(25단어) 등 높은 수치를 기록했고, 0.83%의 오타율을 통해 ‘거친’ 문서 특성을 재현했다. (3) 의미 다양성 평가는 all‑mpnet‑base‑v2 임베딩의 평균 코사인 유사도 0.52와 UMAP 시각화를 통해 모드 붕괴 없이 넓은 의미 공간을 차지함을 보여준다.

하위 작업인 SNOMED CT‑AU 기반 의료 개념 추출 실험에서는, 19개의 가상 GP 노트를 648개 엔터티로 수동 라벨링하고, MedCAT을 SynGP500으로 0‑4 epoch 사전학습한 뒤 F1 점수를 비교했다. 사전학습이 진행될수록 ‘그룹형‑타입’ F1이 0.71에서 0.78로 상승했으며, 이는 데이터가 실제 임상 개념 학습에 유용함을 시사한다. 전체적으로 SynGP500은 ‘복잡성·다양성·역학적 현실성’이라는 세 축을 모두 만족하는 최초의 호주 GP 합성 코퍼스로, 개인정보 보호와 윤리 승인 없이도 NLP 모델 개발·교육에 바로 적용 가능하다.