현실감 있는 비만 정신건강 환자 시뮬레이션을 위한 멀티에이전트 프레임워크 SynthAgent

초록

SynthAgent는 NHANES, 의료 청구 데이터, 역학 조사, 논문 사례 등 다중 데이터원을 통합한 멀티에이전트 시스템(MAS)으로, 비만과 우울, 불안, 사회공포, 폭식 등 정신건강 합병증을 가진 가상 환자를 고충실도로 생성한다. 요약·생성·증강·평가·정제의 5가지 전문 에이전트가 순차적으로 작동해 인구통계·임상·행동·성격 특성을 반영한 종합적인 환자 프로필을 만들며, GPT‑5와 Claude 4.5 Sonnet이 핵심 LLM으로 가장 높은 신뢰성을 보였다.

상세 분석

SynthAgent 논문은 기존 규칙 기반 시뮬레이터(Synthea 등)와 최신 딥 생성 모델(EVR, GAN, Diffusion) 사이의 한계를 인식하고, 대규모 언어 모델(LLM)과 멀티에이전트 시스템(MAS)을 결합한 새로운 프레임워크를 제시한다. 데이터 통합 단계에서는 1999‑2023년 CDC NHANES 12 사이클, PurpleLab 청구 데이터 70 000명, BRFSS·World Obesity Federation·National Comorbidity Survey 등 역학 자료, 그리고 PubMed 사례 보고서를 계층적으로 결합한다. 이때 인구통계·행동·임상 변수 간의 공동분포를 보존하기 위해 베이지안 샘플링과 매칭 알고리즘을 활용한다.

MAS는 다섯 개의 전문 에이전트로 구성된다. ① 요약 에이전트는 확률적 인구통계 프로필을 생성하고, NHANES 표본 및 청구 데이터 중 가장 유사한 사례를 매칭해 구조화된 청사진을 만든다. ② 생성 에이전트는 이 청사진을 기반으로 환자 기록 전체를 텍스트와 구조화된 코드(EHR 표준) 형태로 전개한다. ③ 증강 에이전트는 환자 프로필에 포함된 질병 키워드로 PubMed를 검색해 10개 사례를 추출하고, 요약 에이전트를 통해 연령·성별 일치 여부를 필터링한 뒤, 증거 기반 증상·행동·심리 스케일을 삽입한다. ④ 평가 에이전트는 인구통계 일관성, 시간적 순서, 치료‑진단 논리, 성격·행동 일관성을 자동 검증하고, 문제를 심각도별로 보고한다. ⑤ 정제 에이전트는 평가 결과를 반영해 모순을 수정하고, 최종 프로필을 완성한다.

핵심 LLM 선택 실험에서는 GPT‑5와 Claude 4.5 Sonnet이 가장 낮은 TSTR(Train‑on‑Synthetic‑Test‑on‑Real) 오류와 높은 임상 일관성 점수를 기록했으며, Gemini 2.5 Pro와 DeepSeek‑R1은 상대적으로 낮은 성능을 보였다. 이는 최신 LLM이 복합적인 의료·심리 텍스트를 통합하고, 다중 에이전트 간의 프롬프트 흐름을 유지하는 데 중요한 역할을 함을 시사한다.

또한 성격 모델(HEXA‑CO, RST, TCI)을 환자에 할당함으로써, 치료 순응도·감정 조절·생활 습관에 대한 개인차를 정량화한다. 이는 비만 치료에서 정신건강 요인이 미치는 영향을 시뮬레이션 환경에서 정밀하게 탐색할 수 있게 한다.

한계점으로는 실제 EHR 표준(예: FHIR)과의 직접 연동 부재, 합성 데이터의 프라이버시 보장을 위한 차등 프라이버시 적용 미비, 그리고 LLM 기반 생성물의 검증을 위한 외부 임상 전문가 평가 부족을 들 수 있다. 향후 연구에서는 규제 준수형 데이터 포맷, 프라이버시 강화 메커니즘, 그리고 실제 임상 코호트와의 비교 검증을 통해 신뢰성을 높일 필요가 있다.