Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records

당신의 몸이 복잡한 도시이고, 당뇨병이나 고혈압 같은 만성 질환이 결코 해소되지 않는 지속적인 교통 체증이라고 상상해 보십시오. 도시를 계속 가동하기 위해 의사들은 특정 '탈것'(약물)을 처방하여 흐름이 계속 이어지도록 돕는 교통 통제사 역할을 합니다. 하지만 까다로운 점은, 모든 도시는 서로 다르고 모든 운전자는 고유한 습관을 가지고 있다는 것입니다. 환자가 퇴원할 때 정확히 어떤 탈것을 집으로 가져가야 하는지 알아내는 것은 거대한 퍼즐과 같습니다. 잘못된 탈것이 선택되면 교통 체증이 다시 발생하고, 환자는 다시 병원으로 돌아올 수도 있습니다. 이것이 바로 과학자들이 컴퓨터를 사용하여 의사들이 이러한 생명을 구하는 결정을 내릴 수 있도록 돕고자 하는 분야인 '약물 추천(medication recommendation)'의 핵심입니다.

오랫동안 컴퓨터는 의료 기록을 읽는 능력이 향상되어 왔지만, 주로 영어로 된 이야기들로부터 학습해 왔습니다. 이 논문은 컴퓨터에게 중국어 병원 기록을 읽는 법을 가르쳐 이 퍼즐을 해결하는 새로운 흥loc한 과학의 영역을 파고듭니다. 핵심 아이디어는 '전자 건강 기록(EHR)'—즉, 증상, 검사 결과, 병력 등으로 채워진 환자의 입원 생활을 담은 디지털 일기—을 사용하고, 이를 강력한 '대규모 언어 모델(LLM)'에 입력하는 것입니다. 이 LLM들을 수백만 권의 책을 읽은 매우 똑똑하고 박식한 사서라고 생각하십시오. 이들은 이제 환자의 이야기를 읽음으로써 특정 환자를 위한 완벽한 약물 목록을 예측하는 법을 배울 수 있습니다. 이것이 왜 중요할까요? 퇴원 시 적절한 약을 받는 것이 환자가 집에서 건강하게 지낼 것인지, 아니면 다시 병이 날 것인지를 결정하기 때문입니다.

---

위대한 약물 퍼즐: CHIP 2025 Shared Task 2

활기찬 의료 AI의 세계에서, 컴퓨터가 대사성 질환을 위한 퇴원 약물 추천 기술을 마스터할 수 있는지 확인하기 위한 새로운 대회인 "CHIP 2025 Shared Task 2"가 개최되었습니다. 대사성 질환은 당뇨병이나 지방간 질환처럼 신체의 에너지 처리 과정이 다소 불안정해지는 상태를 말합니다. 주최 측인 다롄 공과대학교와 현지 병사 팀은 AI가 환자의 중국어 병원 기록을 살펴보고, 환자가 집에 갈 때 복용해야 할 적절한 약물 목록을 자동으로 제안할 수 있는지 보고 싶었습니다.

이를 가능하게 하기 위해, 팀은 CDrugRed라는 특별한 훈련장을 구축했습니다. 이것을 3,190명의 서로 다른 환자로부터 나온 5,894개의 실제 병원 이야기들이 담긴 거대하고 비밀스러운 도서관이라고 상상해 보십시오. 이 이야기들은 환자의 개인정보를 보호하기 위해 이름과 얼굴 등을 제거하면서도 의료적 세부 사항은 유지하도록 정교하게 정제되었습니다. 이 도서관에는 환자의 연령, 체중부터 검사 결과, 과거 병력, 그리고 환자가 퇴원할 때 의사가 처방한 실제 약물 목록까지 모든 것이 포함되어 있습니다. AI의 목표는 단순했습니다. 이야기를 읽고 651개의 가능한 옵션 메뉴 중에서 올바른 약물을 선택하는 것입니다.

이 대회는 큰 인기를 끌었습니다. 대학 연구진부터 기술 기업에 이르기까지 총 526개의 팀이 이 퍼즐을 풀기 위해 참가했습니다. 이들은 연습 단계(Phase A)와 최종 결전(Phase B)의 두 라운드로 나뉘었습니다. 결국, 167개의 팀이 연습 단계에서 자신들의 최선의 추측을 제출했으며, 95개의 팀이 최종 테스트에 진출했습니다.

결과는 "놀라움"과 "아직 배울 것이 많음"이 공존했습니다. 최고 성적을 거둔 DeepDrug 팀은 두 가지 다른 성공 측정 방식을 결합한 점수인 Jaccard 점수 0.5102와 F1 점수 0.6267를 달성했습니다. 이를 이해하기 쉽게 설명하자면, 연구진은 최종 테스트에서 약 0.5062점을 기록한 베이스라인 컴퓨터 모델(데이터로 학습된 표준 AI)을 설정해 두었습니다. 최고의 팀은 이 베이스라인을 이겼지만, 압도적인 차이는 아니었습니다. 상위 10개 팀의 점수가 매우 비슷하게 나타난 것을 보면, 이는 매우 치열한 경주였으며 AI가 발전하고 있기는 하지만 아직 완전히 해결된 문제는 아님을 보여줍니다.

그렇다면 승자들은 어떻게 해냈을까요? 논문에 따르면 그 비결은 단순히 하나의 초지능 로봇이 아니라, 함께 작동하는 '로봇 팀'이었습니다. DeepDrug과 ZZUNLP 같은 상위 팀들은 **앙상블 학습(ensemble learning)**이라는 전략을 사용했습니다. 어려운 수수께끼의 답을 맞히려고 노력한다고 상상해 보십시오. 한 사람에게 물어보면 틀릴 수도 있습니다. 하지만 다섯 명의 서로 다른 사람에게 물어보고 그들이 가장 많이 동의하는 답을 택한다면, 정답을 맞힐 확률이 훨씬 높아집니다. 승리한 팀들은 여러 가지 서로 다른 AI 모델을 학습시킨 뒤, 각 모델이 저마다의 약물 목록을 만들게 하고, 그 답변들을 결합했습니다. 어떤 팀들은 특정 약물이 최소 두 개 또는 세 개의 서로 다른 모델에 의해 제안되었을 때만 최종 목록에 포함시키는 '투표' 시스템을 사용하기도 했습니다.

또한 이 논문은 이러한 AI 모델들이 여전히 배우는 중임을 강조합니다. 상위 팀들이 베이스라인보다 크게 개선되긴 했지만, 점수는 여전히 성장 가능성이 있음을 시사합니다. 연구진은 환자마다 모두 다르고 의료 텍스트가 무질서하며 전문 용어로 가득 차 있기 때문에 이 작업이 까end롭다고 언급했습니다. 승리한 접근 방식들은 단순히 원시적인 컴퓨팅 능력에만 의존하지 않았습니다. 대신 AI가 더 잘 학습할 수 있도록 실제와 유사한 변형된 환자 이야기를 만드는 '데이터 증강(data augmentation)'이나, AI에게 의료 노트를 읽는 법을 정확히 가르치는 '프롬프트 엔지니어링(prompt engineering)'과 같은 영리한 기법들을 사용했습니다.

결국, 이 대회는 고급 AI, 특히 대규모 언어 모델(LLM) 기반의 AI가 중국에서 만성 질환을 관리하는 데 실질적인 잠재력이 있음을 보여주었습니다. 이는 적절한 데이터와 스마트한 팀워크가 있다면 컴퓨터가 인간 건강의 복잡한 이야기를 이해하기 시작할 수 있다는 것을 증명했습니다. 그러나 저자들은 이것이 단지 시작일 뿐이라는 점을 주의 깊게 지적합니다. 희귀 질환, 불균형한 데이터, 그리고 AI가 다양한 병원에서 일관되게 작동하도록 만드는 것과 같은 과제들은 여전히 해결해야 할 숙제로 남아 있습니다. 현재로서는 더 많은 연구자가 이 파티에 참여하여, 모든 환자가 퇴원할 때 완벽한 처방전을 손에 쥘 수 있도록 만드는 더 똑똑한 도구를 구축할 수 있도록 CDrugRed 데이터셋의 문이 열려 있습니다.