텍스트 기반 원격 의료 (Telemedicine)는 점차 가벼운 환자 피드백에 의존하고 있지만, 이러한 피드백은 주로 의료적 정확성보다는 인지된 커뮤니케이션 품질을 반영합니다. 본 연구에서는 의료적 내용에 간섭하지 않으면서, 환자의 우려 사항을 해결하는 데 있어 어조 (Tone), 개인화 (Personalization), 실행 가능성 (Actionability), 완전성 (Completeness)과 같은 해석 가능한 커뮤니케이션 특징을 발견하고 정교화하는 언어 모델 (LM) 가이드 기반 반사실적 추천 (Counterfactual Recommendation) 파이프라인을 소개합니다. 이러한 특징들은 환자-의사 상호작용 메타데이터와 함께 사용되어 긍정적인 피드백을 추정하는 데 활용됩니다. 추론 (Inference) 단계에서 시스템은 저비용의 서수적 특징 변화 (Ordinal feature changes)를 탐색하며, 긍정적 피드백 확률을 높일 것으로 예측되는 최소한의 커뮤니케이션 변화를 추천합니다. 동시에 독립적인 감사 모델 (Auditor models)은 이러한 이득이 선택 모델 (Selection model)을 넘어 일반화되는지 테스트합니다. 여러 상호작용에 걸쳐, 추천 방식은 독립적인 감사 모델 하에서 예측된 긍정적 피드백 확률이 평균 +6.41% 증가하는 결과를 보였으며, 추천의 93.31%에서 비음수 (Non-negative)의 결과를 나타냈습니다. 이러한 결과는 작고 해석 가능한 커뮤니케이션 변화가 의사의 의료적 추론 및 최종 문구에 대한 통제권을 유지하면서도 예측된 이득의 대부분을 포착할 수 있음을 시사합니다.