의료 지식 그래프(KG)는 임상 의사결정 지원 및 생의학 연구에 필수적이지만, 의료 코딩 시스템의 지식 격차와 구조적 한계로 인해 불완전성을 나타냅니다. 특히 ICD, Mondo, ATC와 같은 코딩 시스템은 포괄적인 적용 범위가 부족하여 질병과 잠재적 치료법 간의 연관성이 누락되거나 일관성이 없다는 문제가 치료 매핑에서 두드러집니다. 본 연구는 이 문제를 해결하기 위해 대규모 언어 모델(LLM)을 사용한 누락된 치료 관계의 추론을 탐구했습니다. LLM은 지식 증강에 유망한 기능을 제공하지만, 의료 지식 추론에 적용하는 것은 사실상의 부정확성, 환각된 연관성, LLM 간 및 내부의 불안정성을 포함한 상당한 위험을 초래합니다. 본 연구에서는 벤치마크 비교를 통해 신뢰성을 평가하여 LLM 기반 치료 매핑을 체계적으로 평가했습니다. 연구 결과는 기존 임상 지침과의 불일치 및 환자 안전에 대한 잠재적 위험을 포함한 중요한 한계를 강조합니다. 본 연구는 LLM을 활용하여 의료 지식 그래프의 치료 매핑을 향상시킬 때 중요한 평가와 하이브리드 접근 방식의 중요성을 강조하는 연구자와 실무자를 위한 주의 사항으로 제공됩니다.
