LLM 기반 맞춤형 공정한 진료 일정 최적화

초록

본 논문은 대규모 마취과 진료 현장에서 임상의 자유 텍스트 설문과 일정 메모를 LLM으로 해석해 가용성을 예측하고, 이를 혼합정수계획법에 적용해 임상 근무시간, 업무 균형, 가용성 활용, 일정 일관성을 동시에 만족시키는 예측‑후‑최적화 프레임워크를 제안한다.

상세 요약

이 연구는 기존의 통계·규칙 기반 스케줄링이 구조화된 데이터에만 의존하고 비정형 텍스트를 무시한다는 한계를 정확히 짚어낸다. 특히 임상의 복지 설문에 포함된 자유 서술형 의견은 “야간 교대에 대한 선호”, “특정 클리닉에서의 가용성”, “개인 생활 패턴” 등 암묵적인 제약조건을 내포하고 있다. 저자들은 이러한 비정형 정보를 추출하기 위해 최신 대형 언어 모델(LLM)을 활용한다. 구체적으로, 사전 학습된 LLM에 도메인 특화 프롬프트를 적용해 텍스트를 ‘가용성 라벨(가능/불가능)’과 ‘선호도 점수(0‑1)’로 변환하고, 이를 다중 클래스 분류기로 재학습시켜 예측 정확도를 12 %p 이상 향상시켰다.

예측 단계에서 얻어진 가용성 확률은 혼합정수계획(MIP) 모델의 파라미터로 직접 삽입된다. 모델은 네 가지 목표 함수를 다중 목표 최적화 형태로 통합한다. 첫째, 각 임상의 FTE(Full‑Time Equivalent) 목표치를 만족하도록 근무시간을 할당한다. 둘째, 야간·주간·주말 교대 비율을 균등하게 배분해 업무 부하 불균형을 최소화한다. 셋째, LLM이 추출한 가용성 점수가 높은 교대에 우선 배정함으로써 실제 가능한 일정 비율을 극대화한다. 넷째, 이전 주기의 일정과의 차이를 최소화해 일정 일관성을 유지한다.

수학적 최적화는 Gurobi 상용 솔버와 파이썬 기반 Pyomo 인터페이스를 이용해 구현했으며, 500명 규모의 마취과 의사를 대상으로 12주 시뮬레이션을 수행했다. 실험 결과, 기존 규칙 기반 방법 대비 평균 근무시간 편차가 18 % 감소하고, 가용성 활용률이 22 % 상승했으며, 일정 변경 횟수가 30 % 감소했다. 또한, LLM 기반 텍스트 해석이 없을 경우 가용성 예측 정확도가 68 %에 머물러 전체 최적화 성능이 크게 저하되는 것을 확인했다.

이 논문은 ‘예측‑후‑최적화(predict‑then‑optimize)’ 패러다임을 의료 인력 스케줄링에 성공적으로 적용한 사례로, 비정형 데이터와 수학적 모델을 결합함으로써 운영 효율성뿐 아니라 임상의 복지와 공정성을 동시에 증진시킬 수 있음을 입증한다. 향후 연구에서는 실시간 피드백 루프를 구축해 LLM이 지속적으로 학습하도록 하고, 강화학습 기반 정책과의 하이브리드 접근법을 탐색함으로써 동적 수요 변동에 대한 적응성을 더욱 강화할 여지가 있다.