임상 지식 기반 설명 가능한 치료 정책 학습

초록

본 논문은 원격 환자 모니터링(RPM) 환경에서 청소년 제1형 당뇨병 관리에 적용되는 디지털 헬스 개입(DHI)을 대상으로, 임상의가 제공한 임상 지식을 활용해 저차원 상태·행동 표현을 설계하고, 이를 기반으로 조건부 평균 치료 효과(CATE)를 추정해 효율적이고 해석 가능한 치료 정책을 학습하는 파이프라인을 제시한다. 실험 결과, 임상‑인포드 표현을 사용한 정책이 블랙박스 기반 정책보다 효과와 효율성 모두에서 우수함을 입증한다.

상세 분석

이 연구는 고차원 센서 데이터(연속 혈당 측정, 활동 트래커 등)를 직접 사용해 정책을 학습하면 표본이 제한적인 상황에서 과적합과 해석 불가능성이 심화된다는 점을 지적한다. 이를 해결하기 위해 저차원 상태·행동 표현을 두 가지 경로로 생성한다. 첫 번째는 완전한 블랙박스 접근법으로, CGM 시계열을 TS2Vec이나 UMAP 같은 비지도 학습 기법으로 압축하고, 메시지 텍스트는 PaLM 임베딩을 728 차원으로 만든 뒤 K‑means 클러스터링으로 이산 행동을 정의한다. 두 번째는 임상의가 실제 임상 판단에 활용하는 요약 지표(예: 목표 범위 내 시간 비율(TIR), 저혈당 비율 등)를 기반으로 특징을 추출하고, Gemini Pro를 이용해 메시지를 몇 가지 임상 라벨(예: 인슐린 증량, 식사 조절 권고)로 자동 라벨링한다. 이렇게 얻은 임상‑인포드 표현은 차원 축소 과정에서 도메인 지식을 인덕션 바이어스로 주입함으로써, 작은 데이터셋에서도 안정적인 CATE 추정이 가능하도록 만든다.

정책 학습 단계에서는 각 환자‑시간점 (i, t)에 대해 상태 s_it = γ(X_it)와 행동 a_it = ϕ(M_it)를 매핑하고, 조건부 평균 치료 효과 ρ(s,a)=E