개인 건강 기록(PHR)을 컨텍스트로 제공했을 때 LLM(Gemini 3.0 Flash)이 사용자 건강 쿼리에 얼마나 유용한 답변을 제공하는지 2,257개 쿼리와 1,945개 비식별화 PHR을 매칭해 평가했다. PHR 없음, 기본 요약, 전체 임상 노트의 세 조건을 비교한 결과, PHR 데이터 제공 시 모든 쿼리 유형에서 유용성이 유의하게 향상되었다(p<0.001). 시간적 혼란, 드문 환각 등 복잡한 PHR 해석에서의 LLM 격차를 식별하고, PHR 기반 LLM 답변 품질 모니터링 프레임워크를 제안했다.
- •PHR 컨텍스트 제공 시 LLM 건강 답변 유용성이 모든 쿼리 유형에서 유의하게 향상(p<0.001)
- •웹 검색형·챗봇 대화형·의료팀 질문형 세 가지 쿼리 분포에서 일관된 개선 확인
- •전체 임상 노트 제공 시 안전성·정확성·개인화 측면에서 추가 향상 가능성 확인
- •PHR 해석의 시간적 혼란·드문 환각 등 LLM의 복잡한 PHR 이해 격차 식별 및 모니터링 프레임워크 제안
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Evaluating the Utility of Personal Health Records in Personalized Health AI
- 1.PHR 맥락 제공 시 LLM의 건강 쿼리 응답 유용성이 통계적으로 유의미하게 향상(p<0.001)
- 2.2,257개 쿼리를 PHR 없음·기본 요약·전체 임상 기록 세 조건에서 비교 평가
- 3.LLM의 복잡한 PHR 해석에서 시간적 방향 혼란 등 한계점 식별하는 평가 프레임워크 개발
왜 중요한가?
개인 건강 기록 연동이 의료 AI의 개인화와 정확성을 크게 높일 수 있음을 보여주며, 헬스케어 AI 제품 개발 방향에 중요한 근거를 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2605.18937v1 Announce Type: new Abstract: Patient-managed Personal Health Records (PHRs) promises to empower patients to better understand their health; but information in the record is complex, potentially hindering insights. In this study, we assess the potential of large language models (LLMs, Gemini 3.0 Flash) to provide helpful answers to user health queries, when provided clinical data from PHRs as context. A total of 2,257 user queries were drawn from 3 different distributions to r
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
