MedGuideX: 실행 가능한 임상 지침에서 추출한 의사 결정 로직을 대규모 언어 모델에 통합하여 임상 추론 성능 향상

MedGuideX: Internalizing Decision Logic from Executable Guidelines into Large Language Models for Clinical Reasoning

임상 실천 지침(CPG)은 의료 전문가가 환자 변수, 조건부 기준 및 권장 규칙을 평가하여 적용하는 근거 기반의 의사 결정 논리를 포함합니다. 그러나 기존 방법들은 종종 CPG를 자유 텍스트 데이터 또는 검색 자료로 활용하며, 그 안에 내재된 절차적 의사 결정 구조를 충분히 활용하지 못합니다. 이러한 구조를 더욱 효과적으로 활용하기 위해, 우리는 CPG 권장 사항을 실행 가능한 임상 의사 결정 논리로 변환하고, 이를 이용하여 사실 및 반사실 질문-응답 데이터를 생성하는 지침 기반 학습 파이프라인을 소개합니다. 이 데이터는 모델에게 지침에 따른 의사 결정뿐만 아니라 다양한 환자 상태에서 의사 결정이 어떻게 변화하는지를 가르쳐줍니다. 이렇게 생성된 데이터를 사용하여 의료 LLM을 추가 훈련한 결과, MedGuideX가 탄생했습니다. 네 가지 임상 추론 벤치마크에서 MedGuideX는 평균 정확도 측면에서 10.28%의 상대적인 성능 향상을 달성했습니다. 또한, 의료 전문가 평가 결과, MedGuideX는 의료진이 작성한 의사 결정 과정을 더 잘 복원하고, 신뢰성, 타당성, 완전성 및 명확성을 기준으로 의료진이 선호하는 논리적 근거를 제시하는 것으로 나타났습니다. 전반적으로, 본 연구의 결과는 CPG에서 추출된 실행 가능한 의사 결정 로직을 확장 가능한 지도 학습으로 변환하여 안정적인 의료 LLM을 구축할 수 있음을 보여줍니다.

Clinical practice guidelines (CPGs) encode evidence-based decision logic that clinicians apply by evaluating patient variables, conditional criteria, and recommendation rules. However, existing methods often use CPGs as free-text training data or retrieval sources, underutilizing their procedural decision structure. To better exploit this structure, we introduce a guideline-derived training pipeline that transforms CPG recommendations into executable clinical decision logic and uses it to generate factual and counterfactual question-answering data. Theses data teach models both guideline-supported decisions and how decisions change under different patient conditions. Post-training a medical LLM on the generated data yields MedGuideX. Across four clinical reasoning benchmarks, MedGuideX achieves a 10.28% relative improvement in average accuracy. Physician evaluation further shows that MedGuideX better recovers clinician authored reasoning steps and produces physician-preferred rationales in faithfulness, validity, completeness, and clarity. Overall, our results show that executable decision logic from CPGs can be transformed into scalable supervision for building reliable medical LLMs.