레터스: 의료 용어를 OMOP 표준으로 자동 매핑하는 오픈소스 NLP 도구

초록

레터스는 대규모 언어 모델(LLM)과 벡터 기반 의미 검색, 키워드 매칭을 결합한 오픈소스 파이프라인으로, 비공식적인 의료 용어를 OMOP 표준 개념으로 자동 변환한다. GDPR을 고려한 로컬 배포가 가능하며, 기존 Athena·Usagi 대비 상위 10개 결과에 올바른 매핑이 2배 이상 향상되는 성능을 보인다.

상세 분석

본 논문은 의료 데이터 표준화의 핵심인 OMOM Common Data Model(OMOP) 매핑 문제를 해결하기 위해 ‘레터스(Lettuce)’라는 새로운 오픈소스 툴을 제안한다. 기존 Athena 검색과 Usagi는 문자열 매칭에 의존해 의미적 뉘앙스를 포착하지 못하고, 수작업 검증이 많이 요구되는 한계가 있다. 레터스는 세 가지 검색 경로—(1) 전통적인 키워드 매칭, (2) 사전 학습된 문장‑임베딩을 활용한 벡터 기반 의미 검색, (3) Retrieval‑Augmented Generation(RAG) 방식의 LLM 활용—를 제공함으로써 입력 용어의 형태와 의미 양쪽을 모두 고려한다.

1. 데이터베이스 설계: OMOP‑CDM 표준 테이블에 두 개의 파생 컬럼을 추가한다. 첫 번째는 형태소 기반 어휘 인덱스(lexical features)로 키워드 검색 속도를 높이고, 두 번째는 PGVector를 이용한 고정밀 dense vector(임베딩) 저장소다. 이는 사전 계산된 임베딩을 통해 실시간 검색 시 높은 정확도를 유지하면서도 응답 시간을 크게 줄인다.

2. 키워드 매칭: 입력 용어를 형태소 분석 후 어간을 추출해 개념 테이블의 어휘와 교차한다. 이 방식은 동일 어휘를 공유하는 경우 빠르고 정확하지만, 동의어·약어·브랜드명 등 표기 차이가 큰 경우 한계가 있다.

3. 벡터 기반 의미 검색: BGE‑small‑en‑v1.5와 같은 문장‑변환 모델을 사용해 모든 OMOP 개념을 고차원 임베딩으로 변환한다. 코사인 유사도 계산을 통해 의미적으로 가까운 개념을 상위 k개 반환한다. 논문은 파라미터 튜닝 없이도 ‘paracetamol’과 ‘acetaminophen’ 사이의 유사도가 0.83으로 높은 반면, ‘paracetamol’과 ‘piracetam’은 0.64에 불과함을 실험적으로 보여준다.

4. RAG 기반 LLM 검색: 벡터 검색 결과가 사전 정의된 유사도 임계값 이하일 경우, 상위 N개의 후보 개념을 프롬프트에 삽입해 LLM(OpenAI 모델 또는 오픈소스 대체 모델)에게 최종 매핑을 요청한다. LLM은 “Fish oil”와 같이 비공식적인 브랜드명을 의미론적으로 해석해 OMOP 표준 용어로 변환한다. 모델 출력이 직접 OMOP 개념명과 일치하지 않을 경우, 다시 키워드 매칭을 수행해 후보 리스트를 보강한다. 이 과정은 LLM이 실제 OMOP 어휘에 직접 접근하지 않으면서도, 외부 지식과 내부 데이터베이스를 효과적으로 결합한다는 점에서 혁신적이다.

5. GDPR 및 배포: 레터스는 MIT 라이선스로 공개되며, Docker/omop‑lite 기반 로컬 인스턴스로 배포 가능하도록 설계돼 민감한 환자 데이터를 클라우드에 전송하지 않는다. 이는 의료기관이 데이터 주권을 유지하면서 최신 LLM 기술을 활용할 수 있게 한다.

6. 평가: 두 개의 약물 소스‑용어 데이터셋(공식 약물명 vs. 자가 보고 브랜드명)에서 기존 lexical search와 비교했을 때, 레터스의 의미 검색 파이프라인은 Top‑10 정확도가 평균 2배 상승했다. 특히 비공식 용어 “Now Foods omega‑3”에 대해 ‘Fish oil’이라는 정확한 OMOP 개념을 반환함으로써, 문자열 매칭 기반 도구가 제시한 오답(예: “Calcium ascorbate …”)을 크게 능가한다.

7. 제한점 및 향후 과제: 현재는 영어 기반 임베딩과 LLM에 의존하므로 다국어 의료 데이터에 대한 확장성이 제한된다. 또한, LLM 프롬프트 설계와 유사도 임계값 튜닝이 도메인마다 달라질 수 있어 자동화된 파라미터 최적화가 필요하다. 마지막으로, 벡터 검색 시 정확성을 위해 전체 개념에 대한 임베딩을 사전 계산해야 하는 비용이 존재한다.

종합하면 레터스는 기존 문자열 매칭 도구의 한계를 의미론적 검색과 LLM 기반 추론으로 보완함으로써, 의료 데이터 표준화 작업의 자동화 수준을 크게 끌어올린다. 오픈소스·로컬 배포·GDPR 준수라는 실용적 요소와 함께, 성능 평가에서도 실질적인 개선을 입증했으며, 향후 다언어 지원 및 파라미터 자동 최적화 연구가 기대된다.