연구진이 임상 기록에서 가려진 개념을 SNOMED CT 용어로 추천하는 벤치마크를 MIMIC-IV-Note 기반 SNOMED CT Entity Linking Challenge 데이터로 구축했다. 272건의 퇴원 요약에서 추출한 75,491개 주석 중 204건을 학습, 68건을 테스트에 사용했으며 여러 기법을 비교한 결과 희소 TF-IDF 개념 프로토타입이 Recall@1 14.81%, Recall@10 33.43%, MRR 0.2114로 가장 우수했다. 검색 증강 기법을 추가해도 성능은 오히려 소폭 낮아졌고(Recall@10 31.99%), 학습 데이터에 1~2회만 등장한 희귀 개념은 Recall@10이 7.74%에 그친 반면 10회 이상 등장한 개념은 43.90%에 달해 개념 빈도가 성능을 크게 좌우했다. 테스트 데이터의 9.66%는 학습 시 본 적 없는 개념이어서 저자원 환경의 한계도 드러났다. 이 결과는 임상 용어 표준화 자동화에서 지역적 문맥과 용어 커버리지 확보가 핵심 과제임을 보여준다.

• •MIMIC-IV-Note 기반 272개 퇴원요약, 75,491개 주석으로 마스킹된 SNOMED CT 개념 추천 벤치마크 구축
• •희소 TF-IDF 프로토타입이 Recall@1 14.81%, MRR 0.2114로 최고 성능 기록
• •검색 증강(retrieval augmentation)을 적용해도 성능이 개선되지 않음
• •희귀 개념(1~2회 등장)은 Recall@10 7.74%, 빈출 개념(10회 이상)은 43.90%로 격차가 큼
• •테스트 쌍의 9.66%가 학습 시 미확인 개념이라 저자원 온톨로지 매칭의 어려움을 시사