Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 헬스케어 운영 관리의 다중 기준 의사결정에서 발생하는 가중치 정량화 문제를 해결하기 위한 프레임워크를 제안합니다. LLM 에이전트 팀을 활용하여 명시적/암묵적 선호도를 연구하고, 이 선호도의 불확실성이 의사결정에 미치는 영향을 정량적으로 분석했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기헬스케어 운영에 필요한 다중 기준 모델은 이해관계자들이 환자 대기 시간, 의료 제공자 업무량, 운영 비용을 어떻게 상충하는지(trade off)를 표현하는 가중치를 필요로 하지만, 이러한 가중치는 정량화하기 어렵습니다. 각 에이전트가 특정 이해관계자를 대표하도록 프롬프트된 대규모 언어 모델(LLM) 에이전트 팀들이 이 가중치를 공급하는 데 사용되어 왔습니다. 우리는 다중 목표 최적화의 입력으로 사용되는 LLM 생성 선호도의 신뢰성을 평가하고, 그 불확실성이 의사결정에 어떻게 영향을 미치는지 정량화하기 위한 프레임워크를 제안합니다. 우리는 에이전트들에게 외래 진료 예약 문제에서 기준들의 중요도를 평가하도록 요청하여 명시적 선호도(explicit preferences)를 연구하고, 응급실 구성에 대한 에이전트들의 쌍별 선택(pairwise choices)으로부터 상충 관계를 추론하여 암묵적 선호도(implicit preferences)를 연구합니다. 계산 실험 결과는 명시적 선호도가 진료소의 운영 조건에 반응하며 역할별로 차이가 있지만, 에이전트들 간의 숙고(deliberation)가 이러한 차이를 지울 수 있는 반면, 단순 평균화는 이를 보존한다는 것을 보여줍니다. 에이전트들의 암묵적 선호도를 밝히하는 데 사용된 쌍별 선택은 어떤 옵션이 먼저 제시되느냐에 크게 의존하며, 우리는 맥락 정보를 제시 순서와 함께 사용하는 통계 모델이 단순히 제시 순서만을 사용하는 모델보다 새로운 비교 쌍에 대한 에이전트의 선택을 더 잘 예측한다는 제한적인 증거를 발견합니다. 그런 다음 우리는 선호도 불확실성을 고려하기 위해 견고한 가중 합(weighted-sum) 최적화 모델을 공식화합니다. 대부분의 경우, 이러한 모델들은 평균 선호도 가중치를 사용하여 얻은 것과는 다른 스케줄이나 구성을 선택합니다. 이러한 결과는 LLM 생성 선호도가 헬스케어 의사결정 지원에서 최적화 가중치로 사용되기 전에 이와 같은 종류의 감사를 거쳐야 함을 시사합니다.