본 논문은 의료 분야에서 대규모 언어 모델(LLMs)의 신뢰성을 향상시키기 위해, 전자 건강 기록(EHR) 기반의 경험 검색 증강(ExpRAG) 프레임워크를 제안합니다. ExpRAG는 개방형 데이터셋의 일반적인 의학 지식뿐 아니라, 실제 환자 경험에 기반한 임상 사례 지식을 활용하여 의료 추론의 효과를 높입니다. 이는 EHR에서 유사 환자를 효율적으로 식별하는 보고서 순위 지정기와 과제 관련 내용을 추출하는 경험 검색기를 통해 이루어집니다. 본 논문에서는 ExpRAG의 성능 평가를 위해 진단, 약물, 지시 사항 과제에 걸쳐 1,280개의 질문으로 구성된 임상 QA 데이터셋인 DischargeQA를 소개합니다. 실험 결과, ExpRAG는 텍스트 기반 순위 지정기보다 평균 5.2% 향상된 성능을 보이며, 사례 기반 지식의 중요성을 강조합니다.
