Logical Grammar Induction via Graph Kolmogorov Complexity: A Neuro-Symbolic Framework for Self-Healing Clinical Data Integrity

The reliability of Healthcare Information Systems (HIS) is frequently compromised by human-induced data entry errors, which existing statistical anomaly detection methods fail to distinguish from legitimate clinical extremes. This paper proposes Logic-GNN, a novel neuro-symbolic framework that treats clinical records as a structured ``private language'' governed by latent logical games. By integrating Temporal Graph Neural Networks (TGNN) with Graph Kolmogorov Complexity, we induce a symbolic grammar that represents the underlying logic of medical interactions. We define anomalies as ``grammatical violations'' that cause a significant expansion in the Minimum Description Length (MDL) of the clinical graph. Evaluated on the Sina System dataset (2M+ records), Logic-GNN achieves an F1-score of 0.94, outperforming state-of-the-art baselines by 12\% in distinguishing between life-threatening medical outliers and data corruption. Our approach introduces a self-healing mechanism that suggests logical corrections to maintain data integrity in real-time HIS environments.

📋 한 줄 요약

**[의료 정보 시스템 / 뉴로-심볼릭]** Temporal GNN과 그래프 Kolmogorov 복잡도로 임상 데이터의 문법적 위반을 탐지하는 자가 치유 프레임워크.

🎯 핵심 기여도

임상 기록을 **잠재 논리 게임에 의해 통제되는 구조화된 "사적 언어"**로 다루는 뉴로-심볼릭 프레임워크 Logic-GNN 제안
Temporal GNN과 **그래프 Kolmogorov 복잡도**를 결합해 의료 상호작용의 기저 논리를 나타내는 심볼릭 문법 유도
이상치를 임상 그래프의 **MDL(Minimum Description Length) 확장을 야기하는 "문법적 위반"**으로 정의
Sina System 데이터셋(200만 건 이상)에서 F1 0.94 달성, 생명을 위협하는 의료 극단치와 데이터 오염 구분에서 SOTA 대비 12% 향상

💡 핵심 아이디어

의료정보시스템(HIS)의 신뢰성은 인간 입력 오류로 자주 손상되며, 기존 통계 기반 이상 탐지는 합법적인 임상 극단치와 오류를 구분하지 못한다. 임상 데이터를 잠재 논리 규칙에 의해 통제되는 언어로 보면 "문법 위반"이 곧 데이터 오류의 정의가 된다.

🔬 기술적 접근법

**모델/방법론**: Temporal GNN으로 시계열 임상 그래프 학습 + 그래프 Kolmogorov 복잡도 기반 심볼릭 문법 유도
**핵심 기법**: (1) 임상 기록을 시계열 그래프로 표현, (2) MDL 확장량으로 이상치 정의, (3) 위반 감지 시 논리적 수정 제안하는 자가 치유 메커니즘

📊 주요 결과

Sina System 데이터셋 200만+ 건에서 F1 0.94
의료 극단치 vs 데이터 오염 구분 SOTA 대비 +12%
실시간 HIS 환경에서 자가 치유 가능

💭 의의 및 한계

**의의**: 의료 데이터 무결성 문제를 통계적 이상치 탐지에서 논리·문법 검증으로 패러다임 전환한다. **한계**: 단일 데이터셋(Sina System) 평가로 다양한 의료 시스템에 대한 일반화 검증이 필요하며, 유도된 심볼릭 문법의 임상적 해석 가능성은 추가 연구가 필요하다.

🚀 실용적 활용

병원 정보시스템의 실시간 데이터 무결성 보장
인간 입력 오류 자동 교정 제안
임상 데이터 품질 감사 및 규제 준수 보조