Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

1. 문제 정의 (Problem Statement)

• 임상 가이드라인의 파편화와 모순: 독립적인 전문 학회별로 개발된 임상 가이드라인은 본질적으로 파편화되어 있으며, 중복과 논리적 모순을 내포하고 있습니다. 이는 특히 다발성 질환 (Multimorbidity) 을 가진 환자에게 적용될 때 치명적인 문제를 야기합니다.
• RAG 시스템의 취약성: 현재 의료 AI 의 주류인 검색 증강 생성 (RAG) 시스템은 이러한 모순된 문서를 검색 컨텍스트에 주입할 경우, 최신 대형 언어 모델 (LLM) 이조차도 환각 (Hallucination) 을 일으키거나 성능이 저하되는 '신뢰성 위기'에 직면합니다.
• 기존 방법의 한계: 단순한 검색 최적화나 노이즈 제거만으로는 해결되지 않습니다. 가이드라인 자체의 논리적 무결성을 검증하고 조정 (Governance) 하는 기술적 접근이 시급합니다.
• 국소적 충돌 (Local Conflict) 의 간과: 단일 질환 가이드라인 간의 직접적인 모순뿐만 아니라, 여러 질환이 겹치는 환자군에서 발생하는 국소적 충돌 (Local Conflict) 이 주요 문제이나, 기존 LLM 은 이를 감지하는 데 실패합니다.

2. 방법론 (Methodology)

저자들은 비정형 임상 텍스트를 검증 가능한 심볼릭 논리로 변환하고, 이를 SAT(Satisfiability) 솔버를 통해 검증하는 3 단계 신경 - 심볼릭 (Neuro-Symbolic) 파이프라인을 제안했습니다.

2.1. 코퍼스 처리 (Corpus Processing)

• 추출 (Extraction): 가이드라인 내용을 '위험 평가', '약물 개입', '비약물 개입', '기타 의견'으로 분류하고, 그중 약물 개입을 엄격한 구문 규칙 (대상 인구, 추천 행동, 지시 동사 포함) 으로 추출합니다.
• 클러스터링: LSH(Locality-Sensitive Hashing) 를 사용하여 텍스트 유사도를 기반으로 추천 사항을 의미적 클러스터로 그룹화합니다.

2.2. 다중 에이전트 형식화 (Multi-Agent Formalization)

각 클러스터 내에서 자연어를 실행 가능한 심볼릭 논리로 변환하기 위해 3 개의 전문 에이전트가 협력합니다:

1. 엔티티 에이전트 (Entity Agent): 모호한 임상 텍스트를 SNOMED CT, LOINC, RxNorm 등의 표준 코드로 매핑하여 HL7 FHIR 표준과 호환되도록 합니다.
2. 술어 에이전트 (Predicate Agent): 정적 엔티티 (예: T2DM) 를 검증 가능한 논리 술어 (예: Has T2DM) 로 변환합니다. 존재론적, 산술적, 범주적 논리를 적용하여 SMT 제약 조건으로 컴파일합니다.
3. 규칙 에이전트 (Rule Agent): 의미적 의도를 해석하여 원자적 술어를 복합 논리 구조로 조립하고, 표준화된 행동 어휘로 매핑하여 솔버 검증용 규칙 세트를 생성합니다.

2.3. 논리 기반 검증 (Logic-Based Verification)

생성된 규칙들을 Z3 SMT 솔버에 입력하여 논리적 상호작용을 계층적 분류 체계에 따라 식별합니다:

• 중복 (Redundancy): 완전 중복 (조건과 행동 동일), 포함 중복 (조건이 하위 집합).
• 충돌 및 불일치 (Conflict & Disagreement):
  • 내재적 충돌 (Intrinsic Conflict): 동일한 인구집단에 대해 정반대 행동 (권장 vs 금기) 을 지시.
  • 함의 충돌 (Implication Conflict): 일반 규칙과 특정 하위 집단 규칙 간의 모순.
  • 국소적 충돌 (Local Conflict): 핵심 발견. 조건이 서로 포괄하는 것이 아니라 단순히 교차 (Intersection) 할 때 발생 (예: T2DM+CKD 환자에게 SGLT2i 권장 vs 저혈압 증상 시 금기). 다발성 질환 환자에게만 발생하는 충돌입니다.

3. 주요 기여 (Key Contributions)

1. 임상 가이드라인 전용 NL2SL 스키마 설계: 중첩된 조건부 구조와 행동 의미를 포착하여 비정형 텍스트를 이진 조건 - 행동 튜플로 변환하는 계산 가능한 데이터 모델을 개발했습니다.
2. 자동화 신경 - 심볼릭 파이프라인 구축: 다중 에이전트 LLM 파싱과 SAT 기반 검증을 결합하여 중복과 충돌 (특히 다발성 질환 관련 국소적 충돌) 을 자동으로 탐지 및 분류하는 시스템을 구현했습니다.
3. 최초의 심층 논리 추론 데이터셋 오픈: 가이드라인 조화를 위한 심층 논리 추론 데이터셋을 구축하고 오픈소스화하여, 의료 RAG 시스템의 지식 거버넌스 방법론을 평가할 수 있는 새로운 벤치마크를 제공했습니다.

4. 실험 결과 (Results)

• 데이터셋: SGLT2 억제제 관련 12 개 권위 있는 임상 가이드라인으로 구성된 벤치마크 (총 226 개의 규칙 쌍, 97 개의 충돌 포함).
• 형식화 정확도: LLM 에이전트의 자연어 - 심볼릭 변환 정확도는 **80.1%**였으며, 주요 오류는 맥락 손실 (56.7%) 이었습니다.
• 충돌 분석 결과:
  • 발견된 충돌의 **90.6% 가 '국소적 충돌 (Local Conflict)'**이었습니다. 이는 단일 질환 가이드라인이 다발성 질환 환자에게 구조적으로 부적합함을 시사합니다.
  • 내재적 충돌 (직접적 모순) 은 드물었으며 (37 쌍), 대부분의 모순은 조건 교차에서 발생했습니다.
• 성능 비교 (RQ2):
  • LLM 단독 (RAG 설정): GPT-5, Gemini-2.5-Pro 등 최첨단 LLM 들은 충돌 탐지에서 재현율 (Recall) 이 0.08~0.18로 극도로 낮았으며, F1 점수는 0.298 에 불과했습니다. 노이즈가 증가할수록 성능이 급격히 저하되었습니다.
  • 제안된 신경 - 심볼릭 접근법: F1 점수 0.861을 기록하여 LLM 단독 모델보다 월등히 우수한 성능을 보였습니다. 특히 국소적 충돌과 함의 충돌 탐지에서 LLM 의 실패를 보완했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 의료 RAG 의 새로운 표준 제안: 단순한 정보 검색을 넘어, **추출 전에 논리적 검증 (Logical Verification)**이 선행되어야 함을 입증했습니다.
• 다발성 질환 대응: 단일 질환 중심의 가이드라인이 다발성 질환 환자에게 어떻게 논리적 충돌을 일으키는지 구조적으로 규명했습니다.
• 기술적 방향성: LLM 의 유연성과 심볼릭 솔버의 엄밀한 추론 능력을 결합한 신경 - 심볼릭 AI가 고위험 의료 의사결정 시스템의 신뢰성을 확보하는 필수적인 기술임을 강조합니다.
• 향후 과제: 단순 충돌 탐지를 넘어, 솔버가 생성한 증명을 기반으로 LLM 이 일관된 환자 중심 의사결정 경로로 가이드라인을 자동 조정 (Harmonization) 하는 방향으로 연구가 확장될 것입니다.

이 논문은 의료 AI 시스템이 환각을 방지하고 안전한 결정을 내리기 위해서는 **지식 거버넌스 (Knowledge Governance)**가 필수적이며, 이를 위해 논리적 형식화와 검증이 선행되어야 함을 강력하게 주장합니다.