LLM 기반 의미 검색을 활용한 『東醫寶鑑』 병증 - 처방 매핑 연구

A Study on Disease–Prescription Mapping in the Donguibogam Using LLM-Based Semantic Search

본 연구는 생성형 인공지능(Generative AI)인 ChatGPT를 활용하여 고전의학서 『동의보감』에 수록된 병증(病證)과 처방(處方) 간의 연계 검색 체계를 구축하고, 그 활용 가능성을 탐색하고자 하였다. 기존 한의학 의료정보학 분야에서는 주로 용어 표준화에 초점이 맞추어져 있었으나, 실제 임상적 활용 측면에서는 표준용어 기반 검색의 한계가 존재하였다. 특히 한의학 병증용어는 한자 기반의 비표준화된 표현이 많아, 의미적 유사성에 근거한 처방 검색이 어려운 실정이었다. 본 연구에서는 한국한의학연구원 고전DB에서 『동의보감』 원문 데이터를 추출하여, MS Access를 이용해 3,800여 처방과 약 8,800여 개의 병증용어를 정제·매핑하였다. 각 병증용어는 의미적 유사성에 따라 표제어(자연어)로 분류하였으며, 이를 CSV 데이터로 구성하여 ChatGPT-4o 환경에 탑재하였다. 이후 자연어 질의 입력 시 표제어 검색을 통해 원 병증용어 및 연계 처방을 자동으로 추출하도록 하였다. 또한 다중 병증어 입력 시 공통으로 출현하는 처방을 우선적으로 제시하도록 설정하여 검색의 정밀도를 향상시켰다. 연구 결과, ChatGPT 기반 의미 검색은 기존의 단순 문자열 매칭 방식보다 병증 의미 해석 및 처방 연계 정확도 측면에서 높은 효율성을 보였다. 특히 유사 표현이나 현대어 질의에 대해서도 유의미한 결과를 도출하여 한의학 용어표준화의 한계를 보완할 수 있음을 확인하였다. 결론적으로, 본 연구는 생성형 AI를 활용한 한의학 임상의료정보 검색의 실증적 가능성을 제시하였으며, 향후 한의학 빅데이터 분석, 디지털 헬스케어, 맞춤형 처방 추천 시스템 개발 등으로 확장될 수 있을 것으로 기대된다.

This study aims to develop and evaluate a generative AI–based search framework that links symptoms and prescriptions recorded in Donguibogam, a classical Korean medical text, by utilizing ChatGPT. While traditional research in Korean medical informatics has focused primarily on terminology standardization, limitations remain in applying standardized terms to practical clinical information retrieval. Because most Korean medical symptom terms are expressed in Chinese characters and lack semantic standardization, efficient search based on meaning has been difficult. In this study, original Donguibogam data were extracted from the Korea Institute of Oriental Medicine’s classical literature database. Using Microsoft Access, approximately 3,800 prescriptions and 8,800 symptom terms were processed and refined. The symptom terms were semantically grouped and assigned representative natural-language keywords, which were then compiled into a CSV dataset and uploaded into the ChatGPT-4o environment. The system was configured to retrieve original symptom terms and their corresponding prescriptions when users entered natural-language symptom queries. Furthermore, when multiple symptoms were entered simultaneously, only prescriptions associated with all overlapping symptom terms were presented to enhance precision. The results demonstrated that ChatGPT-based semantic search outperformed conventional string-matching methods in both accuracy and contextual interpretation. The system effectively recognized synonymous and colloquial symptom expressions, thereby addressing the limitations of rigid term standardization in Korean medicine. In conclusion, this study provides empirical evidence for the feasibility of applying generative AI to clinical information retrieval in traditional Korean medicine. The proposed framework may contribute to future developments in Korean medical big data analysis, digital healthcare applications, and personalized prescription recommendation systems.