MED-COPILOT: 그래프 RAG 및 유사 환자 사례 검색 기반 의료 지원 시스템

MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval

임상 의사 결정은 환자 병력, 임상 지침 및 유사 사례의 경향 등 다양한 증거를 종합하는 것을 필요로 합니다. 대규모 언어 모델(LLM)은 강력한 추론 능력을 제공하지만, 여전히 환각 현상을 일으키기 쉽고 긴 구조화된 의료 문서를 통합하는 데 어려움을 겪습니다. 본 연구에서는 임상의 및 의료 교육생을 위한 대화형 임상 의사 결정 지원 시스템인 MED-COPILOT을 제시합니다. MED-COPILOT은 투명하고 증거 기반의 임상 추론을 지원하기 위해 지침 기반 그래프 RAG 검색과 하이브리드 의미-키워드 유사 환자 검색을 결합합니다. 이 시스템은 WHO 및 NICE 지침에서 구조화된 지식 그래프를 구축하고, 효율적인 검색을 위해 커뮤니티 수준의 요약 기능을 적용하며, SOAP 형식으로 정규화된 MIMIC-IV 노트 및 Synthea에서 생성된 기록을 기반으로 36,000건의 유사 환자 데이터베이스를 유지합니다. 본 연구에서는 임상 노트 완성 및 의료 질문 응답에 대한 성능을 평가하고, 제안하는 시스템이 기존의 파라메트릭 LLM과 표준 RAG 방식보다 우수한 성능을 보이며, 생성의 정확성과 임상 추론 정확도를 향상시키는 것을 확인했습니다. 전체 시스템은 https://huggingface.co/spaces/Cryo3978/Med_GraphRAG 에서 사용할 수 있으며, 사용자는 검색된 증거를 검토하고 토큰 수준의 유사성 기여도를 시각화하며, 안내에 따라 추가 분석을 수행할 수 있습니다. 본 연구 결과는 구조화된 지침 지식을 환자 수준의 유사성 증거와 통합하여 임상 LLM을 활용하는 실용적이고 해석 가능한 접근 방식을 보여줍니다.

Clinical decision-making requires synthesizing heterogeneous evidence, including patient histories, clinical guidelines, and trajectories of comparable cases. While large language models (LLMs) offer strong reasoning capabilities, they remain prone to hallucinations and struggle to integrate long, structured medical documents. We present MED-COPILOT, an interactive clinical decision-support system designed for clinicians and medical trainees, which combines guideline-grounded GraphRAG retrieval with hybrid semantic-keyword similar-patient retrieval to support transparent and evidence-aware clinical reasoning. The system builds a structured knowledge graph from WHO and NICE guidelines, applies community-level summarization for efficient retrieval, and maintains a 36,000-case similar-patient database derived from SOAP-normalized MIMIC-IV notes and Synthea-generated records. We evaluate our framework on clinical note completion and medical question answering, and demonstrate that it consistently outperforms parametric LLM baselines and standard RAG, improving both generation fidelity and clinical reasoning accuracy. The full system is available at https://huggingface.co/spaces/Cryo3978/Med_GraphRAG , enabling users to inspect retrieved evidence, visualize token-level similarity contributions, and conduct guided follow-up analysis. Our results demonstrate a practical and interpretable approach to integrating structured guideline knowledge with patient-level analogical evidence for clinical LLMs.