[Paper] SafeTerm Medical Map를 활용한 맞춤형 MedDRA 쿼리 자동 생성

Source: arXiv - 2512.07694v1

개요

이 논문은 SafeTerm이라는 AI 기반 시스템을 소개한다. SafeTerm은 규제 기관과 제약사가 약물 안전성 검토 시 사용하는 표준화된 부작용 용어 목록인 MedDRA 쿼리를 자동으로 구축한다. 의료 용어를 고차원 벡터 공간에 매핑하고 통계적 유사도 점수로 후보 용어를 순위 매김함으로써, SafeTerm은 최소한의 인간 개입만으로 관련 MedDRA Preferred Terms(PT)를 검색할 수 있다. 이는 노동 집약적인 수동 과정을 빠르고 재현 가능하게 대체한다.

주요 기여

• 엔드‑투‑엔드 AI 파이프라인: 자유 텍스트 안전성 쿼리를 MedDRA PT의 순위 목록으로 변환.
• 벡터‑공간 표현: 쿼리 용어와 MedDRA PT 모두를 벡터화하여 코사인 유사도 기반 매칭 가능.
• 극값 클러스터링: 매우 유사한 PT를 그룹화해 생성된 목록의 중복성을 방지.
• 다중 기준 통계 점수: 조정 가능한 유사도 임계값을 통해 정밀도와 재현율의 균형을 맞춤.
• 포괄적 검증: FDA Office of New Drugs Custom Medical Queries (OCMQ) v3.0(104개 큐레이션된 쿼리)과 비교하여 임계값별 정밀도, 재현율, F1을 보고.
• 실용적 권고: 초기 실행을 위한 기본 유사도 임계값(~0.60) 제시, 보다 엄격한 용어 선택을 위해 높은 임계값 사용 권장.

방법론

1. 데이터 준비 – 저자들은 모든 유효한 MedDRA Preferred Terms(≈ 23 k PT)와 104개의 FDA OCMQ 쿼리를 추출했으며, 각 쿼리는 전문가가 큐레이션한 PT 집합으로 구성된다.
2. 임베딩 생성 – 사전 학습된 바이오메디컬 언어 모델(예: BioBERT 등)을 사용해 각 용어(쿼리 단어와 PT 모두)를 밀집 벡터로 변환한다. 이 벡터는 동의어 및 계층적 의료 개념과 같은 의미 관계를 포착한다.
3. 유사도 계산 – 입력된 쿼리에 대해 시스템은 쿼리 임베딩과 모든 PT 임베딩 간 코사인 유사도를 계산한다.
4. 극값 클러스터링 – 서로 매우 가까운 PT(높은 유사도)를 하나의 클러스터로 묶고, 각 클러스터에서 가장 대표적인 PT만 남겨 잡음과 중복을 감소시킨다.
5. 점수 부여 및 순위 매김 – 각 PT는 유사도 값과 클러스터 통계에 기반한 관련 점수를 받으며, 이후 관련도 순으로 정렬된다.
6. 임계값 튜닝 – 유사도 컷오프(예: 0.60, 0.70, 0.75)를 조정함으로써 재현율(더 많은 실제 PT 포착)과 정밀도(오탐 감소) 사이의 트레이드오프를 조절한다.

전체 파이프라인은 자동으로 실행되며, 입력으로는 안전성 신호에 대한 텍스트 설명만 필요하다.

결과 및 발견

• 낮은 임계값에서 높은 재현율은 SafeTerm이 인간 전문가가 포함할 모든 PT를 거의 모두 찾아낼 수 있음을 보여주며, 신뢰할 수 있는 안전망 역할을 한다.
• 높은 임계값에서 정밀도가 급격히 향상되어, 필요 시 간결하고 고신뢰도의 용어 목록을 생성할 수 있다.
• 좁은 용어 하위 집합(특정 의료 개념에 초점이 맞춰진 쿼리)도 전체 쿼리와 유사한 행동을 보였으며, 정밀도를 유지하기 위해 약간 높은 임계값이 필요했다.

전반적으로 유사도 컷오프를 약 0.60으로 설정하면 견고한 기본선이 제공되고, 프로젝트 요구에 따라 임계값을 미세 조정하면 출력이 맞춤화된다.

실용적 함의

• 안전성 신호 탐지 가속 – 약물감시 팀은 며칠이 걸리던 MedDRA 초안 쿼리를 몇 초 만에 생성할 수 있어, 분석가가 해석에 집중할 수 있다.
• 일관되고 재현 가능한 쿼리 구축 – 벡터 기반 접근법은 전문가마다 다른 어휘 사용으로 인한 변동성을 없애며, 규제 감사 및 팀 간 협업을 지원한다.
• 기존 파이프라인과 통합 – SafeTerm은 마이크로서비스(REST API) 형태로 래핑되어 데이터 수집 워크플로, EHR 기반 부작용 모니터링 도구, 사후 시장 감시 대시보드 등에서 호출될 수 있다.
• 신규 치료 분야에 대한 빠른 프로토타이핑 – 새로운 약물군이 등장하면, 도메인 전문가가 전체 쿼리를 큐레이션하기 전에도 SafeTerm이 관련 PT를 신속히 제안한다.
• 비용 절감 – 대량의 쿼리 생성을 자동화함으로써 고숙련 의료 코더의 작업 시간을 감소시켜 제약사와 CRO의 비용을 실질적으로 절감한다.

제한점 및 향후 연구

• 정밀도 한계 – 가장 높은 임계값에서도 여전히 상당수의 오탐이 발생하므로 최종 승인 전 수동 검토 단계가 필요하다.
• 임베딩 품질 의존 – 성능은 기반 바이오메디컬 언어 모델에 크게 좌우되며, 최신 모델(PubMed‑LLM 등) 도입 시 의미 매칭이 더욱 개선될 수 있다.
• 정적 MedDRA 버전 – 본 연구는 단일 MedDRA 릴리스를 사용했으며, 향후 버전 업데이트에 대한 견고성을 평가해야 한다.
• 설명 가능성 – 코사인 유사도는 직관적이지만, 동의어 강조 등 명확한 근거를 제공하면 임상의 신뢰도가 높아진다.
• 계층적 쿼리 확장 – MedDRA의 계층 구조(SOC, HLGT, HLT)를 포함하면 평면 PT 목록을 넘어 보다 정교한 쿼리 생성이 가능해진다.

이러한 과제를 해결한다면 SafeTerm은 유용한 보조 도구를 넘어 약물 안전성 생태계의 완전 자동화 구성 요소로 발전할 수 있다.

저자

• Francois Vandenhende
• Anna Georgiou
• Michalis Georgiou
• Theodoros Psaras
• Ellie Karekla
• Elena Hadjicosta

논문 정보

• arXiv ID: 2512.07694v1
• Categories: cs.CL
• Published: December 8, 2025
• PDF: Download PDF