戦略的提供者応答下でのポリシーアズコード探索による医療メカニズム
既存の医療AIベンチマークは提供者の応答を固定しており、メカニズムが生み出す均衡を評価できない。本研究は、病院のメカニズム設計を言語モデル向けプログラム合成として再定義し、マルチエージェントシミュレーターMedi-SimとLLM誘導進化的コード探索を用いて、アップコーディングを排除し拒否を半減しつつベースラインの資金を維持する解釈可能な混合目的プログラムを合成した。
医療分野において、メカニズムの設計は医療提供者の戦略的な応答と切り離せない。しかし、既存の医療AIベンチマークは提供者の応答を固定的に扱い、メカニズムがもたらす均衡状態を評価することができない。この欠陥は、政策の実際の影響を過小評価または誤解させる可能性がある。
この問題に取り組むため、2026年に発表された研究は、病院のメカニズム設計を言語モデル向けのプログラム合成として再定義する新しいアプローチを提案した。具体的には、型付けされた検査可能なルールプログラムを、Medi-Simと呼ばれるマルチエージェントシミュレーターで実行し採点する。このシミュレーターは、コーディング、選択、遅延、努力、トリアージの5つの戦略的提供者チャネルを備えており、提供者が様々なインセンティブにどのように反応するかを模倣できる。
インセンティブスイープにより、研究チームは健康経済学の古典的な知見を再現した。例えば、利益圧力下でのアップコーディング（患者をより高額な診断区分に分類すること）や低複雑度患者の選択、そして測定されたパフォーマンスが真の結果と逆相関するグッドハート型のドリフトである。さらに、単一の監査レバー（コーディングチャネルの閉鎖）が圧力の移行を明らかにした。コーディングチャネルを閉鎖すると、低複雑度の選択が2倍以上に増加したのだ。これは、一つの戦略が封じられると、提供者が別の方法で目標を追求することを示している。
これらの課題に対処するため、研究チームはLLMに誘導された進化的コード探索を同じルールプログラム空間で行い、検査可能な混合目的プログラムを合成した。このプログラムはアップコーディングを完全に排除し、患者拒否を半減し、利益重視のベースラインの資金の大部分を維持する。つまり、効率性と公平性を自動的に両立させたのである。
本研究は、医療メカニズムを評価する新しいツールを提供するだけでなく、政策調整の潜在的な副作用を実際のシミュレーションで実証した点で重要である。今後、このアプローチはより広範な医療政策立案に応用され、意思決定者が提供者の応答による複雑な影響を事前に予測し、より堅牢で効果的な政策を設計するのに役立つことが期待される。