많은 시계열 예측 (time-series forecasts)은 이전의 관측값뿐만 아니라 예측 기간 동안 지정된 조치 (actions)에도 의존합니다. 중환자실 (ICU)에서는 향후의 활력 징후 (vital signs)와 실험실 검사 수치 (laboratory values)가 승압제 (vasopressors)와 같은 치료에 의해 영향을 받습니다. 그러나 전체 미래 시퀀스를 한 번에 예측하는 모델은 이러한 치료를 거의 활용하지 못하는 반면, 자기회귀 (autoregressive) 모델은 오차를 누적할 수 있습니다. 우리는 직접 모델 (direct model)이 기본 예측을 생성하고, 재귀적이고 조치 조건부인 모델 (recursive, action-conditioned model)이 제한된 수정을 제공하는 하이브리드 프레임워크인 DRIFT를 소개합니다. 우리는 MIMIC-IV의 6,046건 입원 사례와 eICU-CRD의 8,345건 입원 사례를 통해 DRIFT를 평가합니다. 8시간, 24시간, 48시간 예측 종단점 (endpoints) 전체의 평균을 내었을 때, DRIFT는 MIMIC-IV에서 조치 조건부 Temporal Fusion Transformer (TFT-action) 대비 평균 동맥압 (MAP)의 평균 절대 오차 (mean absolute error)를 0.673% 감소시켰으며, eICU-CRD에서는 비교된 모델들 중 가장 낮은 해당 오차를 달성했습니다. 전반적인 정확도 향상은 완만하지만, 제공된 치료 시퀀스가 변경된 윈도우 (windows)로 제한하여 수행한 MIMIC-IV 감사 (audit) 결과, DRIFT는 8시간 및 24시간 시점에서 TFT-action보다 더 낮은 관측-대상 (observed-target) MAP 오차를 달성했음을 보여주었습니다. 치료 시퀀스의 변경은 TFT-action의 오차를 증가시킨 것보다 DRIFT의 MAP 오차를 0.21-0.26 mmHg 더 많이 증가시켰으며, 예측 변화는 주로 제공된 경로가 갈라진 후에 발생했습니다. 별도의 강건성 (robustness) 실험에서, MAP 이점은 전체 종단점 오차, MAP 오차, 또는 두 가지 모두를 동일하게 강조하는 세 가지 공유 체크포인트 선택 규칙 (checkpoint-selection rules) 하에서도 지속되었습니다.