코호트 기반 동적 매칭, 심장 이식에 최적화된 근접 최적 정책

초록

본 논문은 오프라인 환자들을 용량이 있는 클러스터로 묶는 ‘코어싱(coarsening)’ 기법을 이용해 온라인 매칭 문제를 해결한다. 클러스터링을 통해 b‑matching 모델을 적용하고, 클러스터 크기와 내부 이질성(δ(b)) 사이의 트레이드오프를 최적화함으로써 경쟁비율을 1에 가깝게 끌어올린다. 실제 UNOS 심장 이식 데이터에 적용한 시뮬레이션에서는 경쟁비율 0.91을 달성했으며, 현행 미국 정책(0.51)보다 크게 우수함을 보였다.

상세 분석

이 논문은 온라인 매칭의 전통적 한계—즉, 미래 도착을 알 수 없는 상황에서 즉시 매칭 결정을 내려야 하는 점—을 ‘코어싱’이라는 새로운 접근법으로 극복한다. 기존 b‑matching 이론에서는 각 오프라인 노드가 동일한 용량 b를 갖고, 도착 노드와의 매칭 확률을 선형계획(LP)으로 최적화한다. 저자들은 이 모델을 확장해, 실제 환자 집단을 ‘클러스터’라는 단위로 묶고, 각 클러스터에 동일한 용량 b를 부여한다. 핵심 가정은 클러스터 내부의 가중치(예: 기대 생존 연수)가 대표값 (\bar w_{u,v})와 상대 오차 (\delta(b)) 이내에 있다는 점이다. 클러스터가 클수록 b가 커져 경쟁비율 (\alpha(b))가 상승하지만, (\delta(b))도 커져 성능 하락 위험이 있다. 논문은 (\max_{b\in B}\alpha(b)(1-2\delta(b))) 를 목표 함수로 삼아 최적 b를 선택하도록 설계하였다.

알고리즘 1은 기존 Brubach et al. (2016)의 비적응형 b‑matching 알고리즘을 그대로 사용하지만, 여기서는 대표 가중치를 이용해 LP를 풀고, 온라인 단계에서 각 도착 환자에 대해 클러스터 내 자유 환자를 확률적으로 매칭한다. 알고리즘 2는 클러스터링 과정을 자동화한다. 먼저 후보 b값들을 탐색하고, 각 b에 대해 클러스터링을 수행해 (\delta(b))를 최소화한다. 이후 가장 높은 하한 경쟁비율을 제공하는 b와 해당 클러스터링을 선택하고, 선택된 클러스터에 대해 LP를 다시 풀어 최종 매칭 확률을 얻는다.

이론적 결과는 두 가지 주요 정리를 통해 뒷받침된다. 정리 1(Brubach)은 기존 b‑matching이 (\alpha(b)) 이상의 경쟁비율을 보장함을 재확인한다. 정리 3은 코어싱을 적용했을 때, 클러스터 내부 오차가 (\delta(b)) 이하이면 전체 경쟁비율이 (\alpha(b)(1-2\delta(b))) 이상임을 증명한다. 또한, 클러스터별 오차가 다를 경우 평균 가중치 오차를 이용해 더 일반적인 정리 9와 정리 7을 제시한다.

실험에서는 UNOS 데이터(2019년 16월)를 사용해 실제 환자와 기증자 매칭을 시뮬레이션했다. 클러스터 크기 b를 0.41.0 사이에서 최적화했으며, 최종적으로 b≈0.8에서 경쟁비율 0.91을 달성했다. 이는 기존 비용용량 제한 스토캐스틱 매칭(0.63)과 현행 미국 정책(0.51)보다 현저히 높은 수치다. 또한, 에러 분석을 통해 (\eta) (예측 가중치 오차) 가 0.1 수준에서도 경쟁비율이 크게 감소하지 않음을 확인했다.

이 논문의 주요 기여는 (1) 코어싱을 통해 온라인 매칭에 구조적 데이터 정보를 효과적으로 반영한 새로운 프레임워크, (2) 클러스터 크기와 내부 이질성 사이의 트레이드오프를 정량화한 최적화 절차, (3) 심장 이식이라는 고위험 분야에 이론적 보장을 제공하면서도 실험적으로도 뛰어난 성능을 입증한 점이다. 특히, 의료 데이터의 특수성을 고려한 클러스터링 기반 접근은 기존의 단순 점수 기반 정책이나 히스토리 기반 히어라키와 달리, 데이터‑드리븐이면서도 provable guarantee를 제공한다는 점에서 큰 의미가 있다.