인공지능 기반 임상 의사결정 시뮬레이션 프레임워크: 마코프 의사결정 과정 접근

본 논문은 현대 의료 시스템이 직면한 비용·복잡성 증가, 치료 옵션 다변화, 방대한 정보 흐름 등의 문제를 해결하기 위해, 질환에 구애받지 않는 일반 목적의 인공지능 프레임워크를 설계한다. 목표는 두 가지이다. 첫째, 다양한 보건 정책·지불 모델을 사전 검증할 수 있는 시뮬레이션 환경을 제공하고, 둘째, “의사처럼 생각하는” 임상 AI를 구현하는 것이다. 방법론은 마코프 의사결정 과정(MDP)과 동적 의사결정 네트워크(DDN)를 결합한 구조로, 환자 상태, 치료 선택, 비용, 임상 결과(ORS)를 포함하는 상태·행동 공간을 정의한다. 부분관측 상황을 고려해 POMDP 형태로 확장했으며, 베이즈 신념(state belief) 업데이트를 통해 누락된 관찰이나 노이즈가 있는 데이터에서도 합리적인 추정을 수행한다. 보상 함수는 비용당 효과(CPUC)를 사용해, 비용 효율성을 직접 최적화한다. 데이터는 테네시·인디애나 주에 위치한 Centerstone의 전자건강기록(EHR)에서 추출한 961명의 환자(총 5,807명) 중 무작위로 선택한 500명을 대상으로 했다. 주요 진단은 주요 우울증이며, 65% 이상이 고혈압·당뇨·만성 통증·심혈관 질환 등 만성 신체 질환을 동반한다. 환자별 ORS 점수 변화를 추적하고, 평균 서비스 비용과 전이 확률을 데이터 기반으로 추정하였다. 시뮬레이션은 7회(최대 8회) 치료 세션 동안 의사 에이전트가 각 환자에 대해 최적 행동을 선택하도록 설계되었다. 결과는 두 가지 주요 지표에서 기존 치료‑그대로(TAU) 모델을 크게 능가했다. 첫째, CPUC는 $189로, TAU의 $497 대비 62% 절감되었다. 둘째, 환자 결과는 ORS 점수 기준으로 30~35% 향상되었다. 파라미터를 조정하면 치료 효과를 약 50% 증가시키면서 비용을 절반 수준으로 낮출 수 있었다. 프레임워크는 다중 에이전트 시스템(MAS) 형태로 구현되었으며, 현재는 단일 의사 에이전트가 500명의 환자를 관리한다. 향후에는 여러 의사·환자 에이전트를 동시에 운영해 개인화된 전이 모델을 적용하고, 치료 순응도(예: 약물 복용 여부)와 같은 행동 변수를 모델링할 수 있다. 논의에서는 기존 단일 시점 최적화 모델과 달리, 순차적 의사결정이 필요한 만성 질환 관리에 MDP/POMDP가 적합함을 강조한다. 또한, 상태·행동 공간의 이산화, 전이 확률 추정의 데이터 편향, 일반화 가능성 등의 한계를 인정하고, 딥러닝 기반 가치 함수 근사, 강화학습, 연속 시간 모델링 등을 통한 확장 방안을 제시한다. 결론적으로, 이 연구는 MDP 기반 임상 의사결정 시뮬레이션이 비용 효율성과 치료 성과를 동시에 개선할 수 있음을 실증적으로 보여준다. 향후 개인화 의료, 유전·환경 데이터 통합, 실시간 임상 의사결정 지원 시스템 등 다양한 응용 분야로 확장될 가능성이 크다.