Shared-Benchmark Regime Decomposition for Nonstationary Clinical Decisions

Motivation

• Known: 기존 연구들은 임상 의사결정 데이터의 비정상성(같은 상태에서 다른 시점에 다른 행동 선택)을 objective drift, unstructured noise, 혹은 misspecified reward로 흡수해 처리해왔으며, IRL/behavior cloning 기반의 stationary 모델이나 discrete-time regime-switching 모델(Hamilton, 1989 등)이 주로 사용되어 왔다.
• Gap: 기존 접근법들은 latent 압력(acuity, protocol adherence, regimen complexity)이 치료 선택에 미치는 영향을 구조적으로 분리하지 못해 임상적 해석가능성이 떨어지고, irregular timing과 partial observability 하에서 benchmark 값을 regime 간에 비교 가능하게 만드는 identifying restriction이 부재하다.
• Why: 임상 의사결정의 비정상적 편차를 해석 가능한 형태로 분리해낼 수 있다면, 치료 복잡도나 프로토콜 관련 압박이 어디서 회복 가능한 benchmark value를 갉아먹는지 진단할 수 있어 임상 품질 개선과 counterfactual 정책 평가에 실질적으로 기여할 수 있다.
• Approach: continuous-time latent dynamics layer로 belief state와 benchmark action-value Qbase를 구성하고, sparse regime layer로 sticky Markov chain 기반의 전환 가능한 shadow-cost wedge C(·;u)를 recover하여 두 요소를 구조적으로 분리한다.

Achievement

Figure 2. SBRD on MIMIC-IV (Ku=3). (1) Per-regime weights wu on the 16-dimensional feature map. (2) Posterior regime usa

1. SBRD 프레임워크 제안: 비정상적 임상 행동을 공유 benchmark와 switching regime wedge로 분해하는 latent-variable 구조를 제시하여 stationary IRL/behavior-cloning 베이스라인 및 discrete-time regime-switching 모델과 차별화했다.
2. 이론적 보장 제공: regime identification (label permutation/additive constant까지), sparse wedge recovery, Stage I plug-in error에 대한 stability bound(Theorem B.5), 그리고 SCM 기반 counterfactual 해석 가능성을 이론적으로 뒷받침했다.
3. 실증적 성능 개선: MIMIC-IV sepsis 치료와 private CKD-MBD 만성질환 코호트에서 SBRD가 stationary 및 해석 가능한 behavioral baseline 대비 held-out action prediction을 개선했고, 임상적으로 의미 있는 regime profile(예: Regime 1의 acute escalation 패턴)을 도출했다.
4. constraint-relaxation 진단 도구 제공: 회복 가능한 benchmark value를 정량화하는 group-wise constraint-relaxation 분석을 통해 treatment complexity나 protocol-related pressure가 어디서 작용하는지 보여주었다.

How

Figure 2. SBRD on MIMIC-IV (Ku=3). (1) Per-regime weights wu on the 16-dimensional feature map. (2) Posterior regime usa

• 잠재 상태 z(t)를 action-modulated CTMC로 모델링하고 generator entries qjk(a)=exp(θ⊤jkϕ(a))로 propagator P(∆m; am)=exp(Q(am)∆m)를 구성해 irregular timing을 직접 처리
• outcome proxy λ는 state-dependent ODE로 진화시키고, categorical emission pθ(o|z,λ)로 belief bm을 predict-update 방식으로 갱신
• 잠재 regime um을 sticky Markov chain(transition matrix Π)으로 모델링하고, feature map g(b,λ,a)에 대한 선형 shadow cost C(b,λ,a;u)=w⊤u g(b,λ,a)로 regime-dependent wedge를 정의
• random-utility logit 형태로 관측 행동 p(a|b,λ,u)를 Qbase와 wedge의 차이에 대해 모델링하고, ℓ1 penalty로 sparse wu를 학습
• 3단계 학습: Stage I은 EM으로 dynamics parameter Θdyn 추정(Qbase 계산 포함), Stage II는 Qbase를 고정한 채 forward-backward E-step과 posterior-weighted ℓ1-penalized multinomial logit M-step으로 regime layer Θreg를 fit, Stage III는 fitted layer를 SCM으로 취급해 counterfactual benchmark-optimal action과 constraint-relaxation intervention을 계산

Originality

• 비정상적 임상 결정을 "공유 benchmark + switching regime wedge"로 분해하는 새로운 구조적 관점을 제시하여, 기존에 noise나 reward misspecification으로 흡수되던 비정상성을 해석 가능한 latent constraint-regime으로 명시적으로 모델링
• continuous-time latent dynamics(CTMC-ODE-emission)와 discrete decision-clock 상의 sticky regime-switching을 결합한 하이브리드 시간 구조 설계
• Qbase를 regime 전반에 걸쳐 고정함으로써 얻는 identifying restriction을 counterfactual 분석의 근거로 삼은 점, 그리고 이를 SCM 프레임워크와 연결한 점
• constraint-relaxation diagnostics라는 실무적으로 유용한 해석 도구를 도출한 점

Limitation & Further Study

• 두 코호트(MIMIC-IV, private CKD-MBD) 중 하나는 private 데이터로 재현성 검증이 제한적이며, Ku=3, feature map 차원(16/8) 등 하이퍼파라미터 선택의 민감도 분석이 본문 발췌에서는 충분히 드러나지 않음
• benchmark reward rbase(z,λ,a)=r(λ)의 설계가 outcome proxy에 크게 의존하는데, 이 proxy 자체의 misspecification이 전체 분해 결과에 미치는 영향에 대한 논의가 부족해 보임
• 이론적 식별 가능성은 label permutation과 additive constant까지 보장되지만, 실제 임상 데이터에서 regime 수 Ku를 어떻게 선택할지에 대한 모델 선택 기준이 명확히 제시되지 않음
• 후속 연구로 다양한 질환군·기관 간 일반화 가능성 검증, regime 개수 자동 추정, 그리고 counterfactual intervention의 임상 실제 적용 및 임상의 피드백을 통한 검증이 필요해 보임

Evaluation

총평: 비정상적 임상 의사결정을 해석 가능한 방식으로 구조적으로 분해하는 참신하고 이론적으로 탄탄한 프레임워크로, 임상 정책 진단에 실용적 가치가 있으나 private 데이터 의존성과 모델 선택 기준의 불명확성이 재현성과 일반화 측면에서 아쉬움으로 남는다.