본 논문은 대규모 언어 모델(LLM)의 확장 법칙이 전자 건강 기록(EHR) 기반 모델에도 적용될 수 있는지에 대한 최초의 경험적 연구 결과를 제시합니다. MIMIC-IV 데이터베이스의 환자 시계열 데이터를 사용하여 다양한 모델 크기와 컴퓨팅 예산으로 트랜스포머 아키텍처를 훈련시킨 결과, 이차 곡선 형태의 IsoFLOPs 곡선과 컴퓨팅, 모델 파라미터, 데이터 크기 및 임상 유용성 간의 거듭제곱 법칙 관계를 포함한 일관된 확장 패턴을 확인했습니다. 이는 EHR 모델이 LLM과 유사한 확장 동작을 보이며, 자원 효율적인 훈련 전략에 대한 예측적 통찰력을 제공함을 보여줍니다. 결과적으로 임상 예측 작업을 변화시키고 개인 맞춤형 의료를 발전시킬 수 있는 강력한 EHR 기반 모델 개발의 기반을 마련합니다.
