SMART-MDR: 진료과 추천을 위한 견고한 텍스트-표 형식 데이터 활용 적층형 멀티모달 아키텍처
SMART-MDR: Stacked Multimodal Architecture with Robust Text-Tabular Data for Medical Department Recommendation
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 환자의 주관적 증상 텍스트와 정형 데이터를 융합하여 최적의 진료과를 추천하는 멀티모달 추천 시스템을 제안한다. 국민건강보험공단에서 제공하는 289만여 건의 진료내역 데이터를 기반으로 주요 상병코드 및 진료과 데이터를 수집하고, 이를 학습 데이터로 사용하였다. 데이터 전처리 과정에서 불필요한 진료과를 제거하고, 대규모 언어 모델(LLM)을 활용해 데이터 증강을 수행하여 데이터의 품질을 향상시켰다. 제안된 모델은 KM-BERT와 XGBoost 기반의 이중 트랙구조로 설계되었으며, 최종 예측에는 CatBoost 기반 Stack-Ensemble 모델을 적용하였다. 실험 결과, 제안된 모델은 기존 단일 모델에 비해 정확도와 F1-Score가 각각 0.748, 0.732를 보였다.
Abstract
This study proposes a multimodal system that integrates subjective symptom text with structured data to recommend the most appropriate medical department. 2.89 million medical records provided by the National Health Insurance Service, was used to determine key diagnosis codes and medical department data. During data preprocessing, irrelevant departments were excluded, and data augmentation was performed using a large language model (LLM) to enhance data quality. The proposed model was designed with a dual-track architecture combining KM-BERT for text data processing and XGBoost for structured data analysis, with a CatBoost-based Stack-Ensemble model for final prediction. Experimental results showed that the proposed model achieved an accuracy of 0.748 and an F1-score of 0.732 compared to existing single models.