만성 질환 관리는 질병의 진행을 추적하고 조절하기 위해 환자와 의료 제공자 간의 정기적인 상호작용에 의존합니다. 제2형 당뇨병 (Type 2 Diabetes, T2D)의 경우, 현재 가이드라인은 모든 환자에게 이후 1차 의료 방문 사이의 고정된 시간 간격을 처방하고 있으며, 이는 임상적 궤적과 환자 특성의 이질성을 간과하고 있습니다. 본 연구는 10개 1차 의료 클리닉의 22,154명 T2D 환자로부터 얻은 전자 건강 기록 (Electronic Health Record, EHR) 데이터를 사용하여 하위 집단별 특화된 후속 진료 간격 결정을 최적화하기 위한 문맥적 마르코프 결정 과정 (Contextual Markov Decision Process, CMDP) 모델을 도입합니다. 문맥 (Contexts)은 다음과 같은 방식으로 식별됩니다: i) 주성분 분석 (Principal Component Analysis, PCA)을 활용하여 개인의 건강 궤적을 나타내는 변수들의 차원 축소, ii) 주성분 및 추가적인 환자 수준의 특징을 사용하여 클러스터링 (Clustering)을 통해 환자를 문맥에 할당. 그 결과 저위험 및 고위험 하위 집단을 나타내는 두 개의 뚜렷한 문맥이 나타났습니다. CMDP 기반 정책은 다음과 같이 권장합니다: (i) 현재 방문 시 검사 수치가 측정되지 않은 경우 1개월 이내에 후속 진료, (ii) 검사 수치가 상승했거나 최근 입원한 경우 최대 3개월까지, (iii) 지속적인 혈당 조절이 이루어지는 경우 6~12개월까지이며, 고위험 문맥에 있는 환자에게는 더 짧은 후속 진료 간격을 권장합니다. 최적 정책은 벤치마크(예: 미국 당뇨병 협회(American Diabetes Association) 스타일의 고정 간격 후속 진료 정책)보다 낮은 기대 누적 비용을 달성했습니다 (예: 동반 질환이 높은 문맥에서는 CMDP 정책이 비용을 약 34.8% 절감하였고, 동반 질환이 낮은 문맥에서는 약 6.4% 절감함). 이러한 연구 결과는 문맥 인식 접근 방식이 어떻게 적응형 후속 진료 전략에 정보를 제공할 수 있는지 보여주며, 머신러닝 (Machine Learning)과 확률적 결정 모델을 합성함으로써 1차 의료에서의 만성 질환 관리를 발전시킬 잠재력을 가지고 있습니다.