본 논문은 약물-약물 상호작용(DDI) 예측을 위한 새로운 프레임워크인 CBR-DDI를 제안합니다. 기존의 대규모 언어 모델(LLM)이 DDI 예측에서 어려움을 겪는다는 점에 착안하여, 의사의 사례 기반 추론(CBR) 방식을 모방했습니다. CBR-DDI는 LLM과 그래프 신경망(GNN)을 활용하여 과거 사례로부터 약리학적 원리를 추출하고 지식 저장소를 구축합니다. 하이브리드 검색 메커니즘과 이중 계층 지식 강화 프롬프팅을 통해 LLM이 관련 사례를 효과적으로 검색하고 재사용하도록 합니다. 또한, 동적 사례 개선을 위한 대표 샘플링 전략을 도입했습니다. 실험 결과, CBR-DDI는 기존 LLM 및 CBR 기준 모델보다 정확도가 28.7% 향상된 최첨단 성능을 달성하며, 높은 해석력과 유연성을 유지합니다.