응급실 (Emergency Departments, EDs)은 의료 시스템에서 매우 중요한 접근 지점이지만, 예측 불가능한 환자 수요, 계절적 급증, 비응급 방문으로 인해 지속적인 압박을 받고 있습니다. 효과적인 응급실 계획을 위해서는 다중 의사 결정 수준에서의 예측이 필요합니다. 병원은 인력 배치 및 병상 관리를 위해 지역적 수요 추정치가 필요하고, 지역 단위는 의료 유닛을 조정하기 위한 예측이 필요하며, 국가 당국은 용량 계획을 위해 시스템 전반의 투영치가 필요합니다. 그러나 기존의 대부분의 접근 방식은 병원, 지역, 국가 시스템을 연결하는 계층 구조를 무시하고 단일 수준에서 독립적으로 응급실 수요를 예측합니다. 이는 병원 수준의 예측이 지역 또는 국가 수요로 일관되게 합산되지 않는 비일관적인 예측을 생성할 수 있습니다. 우리는 일관된 다중 수준 응급실 예측을 위한 계층적 Transformer 기반 프레임워크인 HierSTT를 제안합니다. HierSTT는 단일 엔드 투 엔드 (end-to-end) 모델에서 병원, 지역 및 국가 수준의 수요를 공동으로 예측합니다. Temporal Fusion Transformer는 국가적 역학을 포착하며, 시공간 (spatio-temporal) Transformer 인코더-디코더 모듈은 상위 수준의 예측을 조건으로 하여 지역 및 병원 수요를 모델링합니다. 일관성 인식 손실 (coherence-aware loss)은 학습 과정에서 수준 간의 불일치에 대해 페널티를 부여합니다. 나아가 우리는 5개 지역 보건 행정 구역에 걸친 81개 병원을 포괄하며, 각 수준에서 이질적인 공변량 (covariates)을 포함하는 포르투갈 전역의 응급실 데이터셋을 소개합니다. 실험 결과, HierSTT는 가장 우수한 비계층적 딥러닝 베이스라인 대비 평균 WAPE를 32% 감소시켰으며, 모든 고전적인 계층적 조정 (hierarchical reconciliation) 방법을 능가하는 동시에 수준 간에 거의 일관된 예측을 생성함을 보여주었습니다. 이 연구와 관련된 추가 리소스는 https://github.com/FilipaLino/HierSTT 에서 확인할 수 있습니다.