본 논문은 백신 안전 보고서와 같은 비정형 의료 텍스트에서 정확한 의료 증상 코딩을 수행하는 것을 목표로 합니다. 기존의 증상 추출 및 연결을 독립적인 작업으로 처리하는 방식은 임상 서술의 변동성과 복잡성을 제대로 처리하지 못하는 한계가 있습니다. 이를 해결하기 위해, 본 논문은 작업 특정 컨텍스트를 LLM 프롬프트에 포함시키는 새로운 프레임워크인 Task as Context (TACO) Prompting을 제안합니다. 또한, 백신 이상 사례 보고 시스템(VAERS) 보고서를 기반으로 한 사람이 주석을 단 데이터셋 SYMPCODER와 증상 연결 및 언급 충실도를 종합적으로 평가하기 위한 2단계 평가 프레임워크를 소개합니다. Llama2-chat, Jackalope-7b, GPT-3.5 Turbo, GPT-4 Turbo, GPT-4o 등 여러 LLM에 대한 종합적인 평가를 통해 TACO가 증상 코딩과 같은 맞춤형 작업의 유연성과 정확성을 향상시키는 데 효과적임을 보여줍니다.
