건강 안내 의사결정도표 구조 최적화와 정수계획

초록

본 논문은 공공 보건 부문에서 활용되는 의사결정도표를 대상으로, 대상자 선정 및 알림 방법을 동시에 최적화하는 구조‑인식 정수계획 모델을 제시한다. 기존 의사결정트리 최적화와 차별화하여 초기 도표와의 유사성을 유지하면서 비용 제한 하에 핵심 성과지표를 극대화한다. 정수계획식 구현과 실험을 통해 모델의 실용성을 검증한다.

상세 분석

이 연구는 건강 검진 결과를 기반으로 공공 보건 기관이 시민에게 의료 상담을 권고하고, 그 권고를 전달할 방법(우편, 이메일, 전화 등)을 결정하는 의사결정도표(Decision Diagram, DD)의 구조적 개선 문제를 공식화한다. 기존의 의사결정트리 최적화는 분류 라벨이 주어지고 트리 자체를 새로 설계하는 반면, 본 논문은 이미 존재하는 DD의 구조를 유지하면서 각 비단말 정점에 할당할 검진 항목 집합과 각 단말에 할당할 알림 방법을 재배정한다. 이는 ‘구조‑인식(structure‑aware)’이라는 용어가 의미하는 바이며, 실제 정책 적용 시 기존 규칙을 크게 변경하지 않으면서도 성능을 향상시킬 수 있다는 실용적 가치를 가진다.

문제 정의에서는 검진 항목 집합 I, 알림 방법 집합 M, 그리고 검사 유형 집합 T(각 유형은 0‑1 벡터 X_t 로 표현)와 그에 대한 반응 벡터 Y_t, 개선 가능성을 나타내는 Z 를 도입한다. DD는 유향 비순환 그래프 D=(V,A) 로, 비단말 정점 U는 정확히 두 개의 아웃고리(라벨 0,1)를 갖고, 각 정점 u∈U에 할당 가능한 검진 항목 집합 C_u 가 사전 정의된다. 초기 할당 ϕ_in 은 현재 운영 중인 DD를 나타낸다.

목표 함수는 세 가지로 구성된다. obj₁은 새로운 할당 ϕ와 초기 할당 ϕ_in 사이의 일치 정도(유사성)이며, obj₂는 알림 방법에 대해 긍정적으로 반응하는 검진 대상자의 총 수, obj₃는 긍정 반응에 더해 실제 건강 지표가 개선될 것으로 기대되는 대상자 수를 측정한다. 각각에 대해 목표값 Θ₁, Θ₂, Θ₃ 를 설정하고, 비용 제한 B(알림 방법별 비용·대상자 수에 기반) 하에서 세 가지 설정(목표 최대화, 비용 최소화, 비용·목표 제약 혼합)을 실험한다.

정수계획 모델링은 이진 변수 p_{u,c} (정점 u에 검진 항목 c 할당)와 q_{s,m} (단말 s에 알림 방법 m 할당)으로 시작한다. 제약식 (2) 로 각 정점·단말에 정확히 하나의 선택이 이루어지도록 강제한다. 이후 흐름을 추적하기 위해 α_{t,v} (검진 유형 t가 정점 v를 통과)와 β_{t,u,ℓ} (정점 u에서 라벨 ℓ에 해당하는 검진 결과를 만족) 변수를 도입하고, (4)·(5) 식을 통해 경로 일관성과 검진 항목·라벨 일치를 모델링한다. γ_{t,s,m} 와 z_{t,m} 은 최종적으로 유형 t가 도달한 단말 s와 알림 방법 m 사이의 연결을 표현해 비용 및 목표 함수와 연결한다.

모델의 주요 강점은 (i) 기존 DD 구조를 그대로 유지하면서도 조건 집합 C_u 를 자유롭게 조정해 구조적 변형을 허용한다는 점, (ii) 비용 제한과 다중 목표를 동시에 다룰 수 있는 혼합 정수계획 형태를 제공한다는 점이다. 또한, Lemma 1~5 를 통해 제시된 변수와 제약식이 실제 DD의 동작을 정확히 재현함을 증명함으로써 모델의 타당성을 이론적으로 확보한다.

실험에서는 일본 보건 현장의 실제 데이터(검진 항목, 알림 방법, 반응 확률 등)를 기반으로 3가지 설정을 비교한다. 결과는 비용 제한 하에서 obj₁(유사성)과 obj₂·obj₃(반응 및 개선 효과)를 동시에 높은 수준으로 달성할 수 있음을 보여준다. 특히 설정 1(목표 비율 최대화)에서는 기존 DD와의 차이를 최소화하면서도 긍정 반응 비율을 12% 상승시켰으며, 설정 2(비용 최소화)에서는 비용을 15% 절감하면서도 목표값의 절반 이상을 유지했다. 이러한 실험 결과는 제안 모델이 정책 입안자가 기존 규칙을 크게 바꾸지 않으면서도 효율성을 향상시킬 수 있는 실용적 도구임을 시사한다.

한계점으로는 검진 항목·알림 방법의 후보 집합 C_u 가 사전에 정의되어야 하며, 실제 현장에서는 정책 변화에 따라 동적으로 변할 수 있다는 점이다. 또한, 정수계획 해결에 소요되는 계산량이 그래프 규모와 유형 수에 따라 급격히 증가할 수 있어, 대규모 적용을 위해 휴리스틱이나 분해 기법이 추가로 필요할 수 있다. 향후 연구에서는 동적 C_u 생성, 다중 기간에 걸친 비용-효과 분석, 그리고 머신러닝 기반 반응 예측 모델과의 연계 등을 탐색할 예정이다.