← 블로그

medsci-skills

MedSci Skills v2.2: /orchestrate --e2e로 원고를 끝까지 자동 생성

MedSci Skills v2.2는 원시 데이터에서 투고 가능한 DOCX까지 사람 개입 없이 돌아가는 End-to-End 원고 생성 파이프라인을 도입합니다. 새로운 Phase 7 QC 체인, 33개 보고 가이드라인, 구조화 JSON 출력, 스킬 후 검증 포함.

12 min readYoojin Nam, M.D.
medsci-skillsclaude-coderesearch-automationmanuscript-writingai-pipelineopen-source

MedSci Skills v2.2: Zero-Touch Manuscript Pipeline

MedSci Skills는 의학 연구를 위한 Claude Code 스킬 모음으로 시작됐습니다 — 문헌 검색, 통계 분석, 원고 작성, 보고 기준 준수를 위한 개별 도구들. 버전 2.2는 그것들을 하나의 자율 파이프라인으로 연결합니다. 데이터셋을 넣고 자리를 비우면, 투고 가능한 원고가 완성되어 있습니다.

변경된 내용과 그 이유를 정리합니다.

핵심 기능: --e2e와 --autonomous

두 개의 새 플래그가 기존 멀티스킬 워크플로우를 무인 파이프라인으로 바꿉니다:

# 전체 파이프라인: 데이터 → 분석 → Figure → 원고 → QC → DOCX
/orchestrate --e2e --data ./study_data.csv --type diagnostic-accuracy

# 또는 원고 단계부터 자율 QC 포함으로 시작
/write-paper --autonomous --project ./my-project/

플래그 없이 실행하면 기존과 완전히 동일합니다 — 단계마다 사용자 승인이 필요한 인터랙티브 모드. 플래그는 옵트인 방식이라 기존 워크플로우에 영향을 주지 않습니다.

--e2e 플래그를 사용하면 오케스트레이터가 모든 스킬을 순서대로 연결합니다: 통계를 위한 analyze-stats, 출판용 Figure를 위한 make-figures, IMRAD 원고를 위한 write-paper, 가이드라인 준수 감사를 위한 check-reporting, 품질 감사를 위한 self-review, 그리고 Figure가 삽입된 DOCX 빌드까지.

프롬프트 없음. 승인 단계 없음. 명령어 하나, 결과물 하나.

파이프라인 흐름

/orchestrate --e2e 실행 시 전체 순서:

원시 데이터 (.csv / .xlsx)
        |
        v
  analyze-stats
  - Table 1, 통계 검정, 효과 크기
  - 출판용 테이블 (.md + .csv)
        |
        v
  make-figures
  - ROC, Forest plot, Flow diagram 등
  - 300 DPI, 색맹 안전 배색
  - _figure_manifest.md (신규 — 아래 참조)
        |
        v
  write-paper (Phase 1-6)
  - 아웃라인 → Methods → Results → 전체 IMRAD
  - Figure manifest로 배치 결정
        |
        v
  Phase 7: Strict QC Chain (신규)
  - AI 패턴 스캔 + 제거
  - check-reporting with auto-fix
  - search-lit --verify-only (참고문헌 검증)
  - self-review --json --fix (최대 2회 반복)
        |
        v
  DOCX 빌드
  - Figure 삽입 + 테이블 서식 완성
  - 저널 투고 포털 즉시 업로드 가능

각 화살표는 자동화된 핸드오프를 나타냅니다. 각 스킬은 이전 스킬이 만든 출력 파일을 직접 읽습니다 — 세션 간 복사-붙여넣기도, 수동 파일 관리도 필요 없습니다.

Phase 7: 놓치는 것을 잡아내는 QC 체인

Phase 7이 가장 중요한 추가 사항입니다. 기존에는 품질 검토가 별도의 수동 단계였습니다. 이제 write-paper의 마지막 단계로 자동 실행되며, 엄격한 순서를 강제합니다:

1단계 — AI 패턴 스캔. humanize 스킬이 원고에서 알려진 AI 작문 패턴 18가지(헤징 표현, 군더더기 연결어, 과도한 수식)를 스캔합니다. 플래그된 구절은 제자리에서 재작성됩니다.

2단계 — 보고 기준 준수. check-reporting이 해당 가이드라인(진단 정확도는 STARD, 체계적 문헌고찰은 PRISMA, 관찰 연구는 STROBE)에 맞춰 원고를 감사합니다. MISSING으로 표시된 항목은 자동 수정됩니다 — 스킬이 필요한 내용을 원고의 정확한 위치에 삽입합니다.

3단계 — 참고문헌 검증. search-lit --verify-only가 모든 참고문헌을 PubMed와 Semantic Scholar에서 대조합니다. DOI가 해결되지 않으면 해당 인용이 플래그됩니다. 이 단계를 통과하는 허구 참고문헌은 없습니다.

4단계 — 자기 검토 + 자동 수정. self-review --json --fix가 10개 카테고리 품질 감사를 실행하고 발견된 문제를 수정합니다. 첫 번째 패스에서 문제가 발견되면 두 번째 반복을 실행합니다. 최대 2회 — 두 번 후에도 문제가 남으면 무한 반복 대신 사람이 검토하도록 플래그됩니다.

구조화 JSON 출력

스킬들은 이제 기계가 읽을 수 있는 JSON 블록으로 서로 소통합니다. check-reporting이 감사를 마치면 다음을 출력합니다:

{
  "guideline": "STARD 2015",
  "compliance_pct": 83,
  "items_present": 25,
  "items_missing": 5,
  "fixable_by_ai": 4,
  "action_items": [
    {"item": "7", "label": "Sampling", "status": "MISSING", "fix": "..."}
  ]
}

orchestrate 스킬은 fixable_by_ai 값을 읽어 자동 수정을 시도할지 사람 입력을 위해 멈출지 결정합니다. self-review도 같은 패턴입니다 — JSON 출력에 심각도 점수와 수정 제안이 포함되어 다음 반복에 직접 전달됩니다.

이것이 중요한 이유는, 품질 검토가 '읽는 보고서'에서 '자동화된 결정을 이끄는 신호'로 바뀌기 때문입니다.

Figure Manifest: _figure_manifest.md

make-figures가 Plot을 생성할 때, 이제 모든 Figure의 경로·유형·사용 도구·설명을 나열한 구조화 매니페스트 파일을 작성합니다:

# Figure Manifest
Generated: 2026-04-14
Study type: diagnostic-accuracy

| Figure | Path | Type | Tool | Description |
|--------|------|------|------|-------------|
| Figure 1 | figures/fig1_stard_flow.svg | flow-diagram | D2 | STARD flow |
| Figure 2 | figures/fig2_roc.pdf | roc-curve | matplotlib | ROC curves |
| Figure 3 | figures/fig3_calibration.pdf | calibration | matplotlib | Calibration plot |

write-paper는 이 매니페스트를 읽어 원고 본문에 Figure를 정확히 배치합니다. DOCX 빌더는 이것을 사용해 적절한 캡션과 함께 이미지를 삽입합니다. 더 이상 Figure를 Word 문서에 수동으로 끌어다 놓고 범례를 다시 타이핑할 필요가 없습니다.

33개 보고 가이드라인

check-reporting은 이제 v2.0의 22개에서 늘어난 33개 가이드라인을 지원합니다. 체계적 문헌고찰 방법론과 비뚤림 위험 평가의 공백을 채우는 항목들이 추가됐습니다:

카테고리신규 추가
체계적 문헌고찰PRISMA-P, SWiM, AMSTAR 2
비뚤림 위험QUADAS-C, ROBINS-E, ROBIS, ROB-ME, RoB NMA
예측 모델PROBAST+AI
측정COSMIN

각 가이드라인은 항목이 누락될 경우 구체적인 수정 제안과 함께 전체 체크리스트를 포함합니다. AI 특화 확장판(STARD-AI, TRIPOD+AI, PROBAST+AI, MI-CLEAR-LLM)은 영상의학 및 의료 AI 연구에 특히 유용합니다.

스킬 후 검증

--e2e 모드에서 오케스트레이터는 모든 스킬 완료 후 예상 출력을 검증합니다. analyze-stats가 Table 1 파일을 생성하지 않으면, write-paper가 플레이스홀더 데이터로 진행하는 대신 파이프라인이 즉시 멈춥니다.

이것은 실제 오류 모드에 대한 직접적인 대응입니다. 이전 버전에서는 스킬이 조용히 실패할 수 있었고(예: 수렴하지 않은 통계 모델), 다운스트림 스킬이 그 공백을 환각 콘텐츠로 채웠습니다. 스킬 후 검증은 이런 종류의 오류를 원천 차단합니다.

지금 시작하기

설치 또는 업데이트:

# 전체 스킬 설치
git clone https://github.com/Aperivue/medsci-skills.git
cp -r medsci-skills/skills/* ~/.claude/skills/

# 데이터로 전체 파이프라인 실행
/orchestrate --e2e

# 또는 기존 프로젝트에 자율 원고 작성 실행
/write-paper --autonomous

이미 MedSci Skills가 설치되어 있다면 최신 버전을 pull하고 재복사하세요. 모든 새 플래그는 기본적으로 꺼져 있어 기존 스킬 호출은 그대로 동작합니다.

전체 스킬 목록, 문서, 3개의 End-to-End 데모는 GitHub에서 확인하세요: github.com/Aperivue/medsci-skills

이것이 하지 않는 것

명시적으로 짚어둘 사항들:

  • 임상적 판단을 대체하지 않습니다. 파이프라인은 제공한 데이터로 원고를 생성합니다. 연구 설계, 환자 선택, 임상적 해석은 여전히 연구자의 책임입니다.
  • 저널 승인을 보장하지 않습니다. QC 체인은 보고 공백과 AI 작문 패턴을 잡아내지만, 심사자는 과학적 가치를 평가합니다. 이것은 자동화로 대체할 수 없습니다.
  • 업로드하거나 투고하지 않습니다. 파이프라인은 DOCX에서 멈춥니다. 저널 투고 포털, 커버레터, 저자 동의서는 의도적으로 수동 단계로 남겨져 있습니다.

배경

MedSci Skills는 여러 연구를 동시에 진행하는 영상의학과 전공의가 만든, 의학 연구를 위한 22개 Claude Code 스킬의 오픈소스 모음입니다. 단일 PDF 다운로드 스크립트로 시작해 완전한 연구 파이프라인으로 성장했습니다. 이전 포스트에서 탄생 배경과 3개의 End-to-End 데모를 다뤘습니다.

v2.2는 지금 GitHub에서 이용 가능합니다. MIT 라이선스.

MedSci Skills는 Aperivue가 개발합니다. 질문이나 기능 요청은 GitHub 저장소에 이슈를 열어주세요.