대규모 전자 건강 기록(EHR) 데이터로 훈련된 심층 학습 모델은 진단 예측에서 높은 정확도를 달성하여 임상의의 의사 결정 및 치료 계획 수립을 지원할 가능성을 제공합니다. 그러나 이러한 모델은 임상의들이 높이 평가하는 해석 가능성과 상호 작용성이라는 두 가지 중요한 기능이 부족합니다. 이러한 모델의 "블랙박스" 특성으로 인해 임상의가 예측의 이유를 이해하기 어려워 정보에 입각한 결정을 내리는 능력이 제한됩니다. 또한 상호 작용 메커니즘이 없으면 임상의가 자신의 지식과 경험을 의사 결정 과정에 통합할 수 없습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 개인화된 지식 데이터베이스와 에이전트 기반 대규모 언어 모델(LLM)을 통합하는 지식 강화 에이전트 기반 인과적 발견 프레임워크인 II-KEA를 제안합니다. II-KEA는 명시적 추론과 인과 분석을 통해 해석 가능성을 향상시키는 동시에, 사용자 지정 지식 베이스와 프롬프트를 통해 임상의가 자신의 지식과 경험을 주입할 수 있도록 하여 상호 작용성을 향상시킵니다. II-KEA는 MIMIC-III 및 MIMIC-IV에서 평가되었으며, 광범위한 사례 연구의 강력한 결과를 통해 입증된 바와 같이 향상된 해석 가능성과 상호 작용성과 함께 우수한 성능을 보여줍니다.
