대규모 언어 모델(LLM)은 정적 의료 질문 응답(QA) 작업에서 강력한 성능을 보이지만, 환자 정보가 턴마다 분산되는 다중 턴 임상 대화에서는 추론 능력이 저하된다. 본 논문은 명시적인 지식 통합을 통해 LLM의 추론 신뢰성을 향상시키는 삼중 구조 접근 방식인 TriMediQ를 제시한다. TriMediQ는 먼저 환자 응답을 임상적으로 근거 있는 삼중항으로 변환하기 위해 고정된 삼중항 추출 LLM을 사용하며, 제한된 프롬프팅을 통해 사실적 정확성을 보장한다. 이러한 삼중항은 환자별 지식 그래프(KG)에 통합되며, 그래프 인코더와 프로젝터로 구성된 학습 가능한 프로젝션 모듈은 모든 LLM 매개변수를 고정 상태로 유지하면서 관계 종속성을 포착한다. 추론 과정에서 프로젝션 모듈은 KG에 대한 다중 홉 추론을 안내하여 일관된 임상 대화 이해를 가능하게 한다. 두 개의 대화형 의료 QA 벤치마크 실험 결과, TriMediQ는 iMedQA 데이터세트에서 5개의 기존 기준선보다 최대 10.4% 정확도 향상을 달성했다. 이러한 결과는 환자 정보를 삼중항으로 구조화하는 것이 다중 턴 의료 QA에서 LLM의 추론 능력을 효과적으로 향상시킬 수 있음을 보여준다.
