Policy4OOD: 오피오이드 과다복용 위기에 대한 정책 개입 시뮬레이션을 위한 지식 기반 세계 모델

Policy4OOD: A Knowledge-Guided World Model for Policy Intervention Simulation against the Opioid Overdose Crisis

오피오이드 확산은 여전히 미국에서 가장 심각한 공중 보건 위기 중 하나이지만, 시행 전 정책 개입을 평가하는 것은 어렵다. 이는 하나의 위험 경로를 목표로 삼는 것이 의도치 않게 다른 위험을 증폭시킬 수 있는 동적 시스템 내에서 여러 정책이 상호 작용하기 때문이다. 우리는 효과적인 오피오이드 정책 평가를 위해 현재 정책 하에서의 미래 결과 예측, 과거의 대안적 결정에 대한 반사실적 추론, 그리고 후보 개입에 대한 최적화라는 세 가지 기능이 필요하다고 주장하며, 세계 모델링(world modeling)을 통해 이를 통합할 것을 제안한다. 우리는 정책이 무엇을 규정하는지, 효과가 어디에서 나타나는지, 효과가 언제 전개되는지라는 세 가지 핵심 과제를 해결하는 지식 기반 시공간 세계 모델인 Policy4OOD를 소개한다. Policy4OOD는 정책 지식 그래프, 주(state) 수준의 공간적 의존성, 사회경제적 시계열 데이터를 공동으로 인코딩하여 미래의 오피오이드 결과를 예측하는 정책 조건부 트랜스포머(policy-conditioned Transformer)를 구성한다. 훈련이 완료되면 이 세계 모델은 시뮬레이터 역할을 수행한다. 예측에는 순전파(forward pass) 과정만 필요하며, 반사실적 분석은 과거 시퀀스의 대안적 정책 인코딩을 대체하는 방식으로 이루어지고, 정책 최적화는 학습된 시뮬레이터 상에서 몬테카를로 트리 탐색(Monte Carlo Tree Search)을 활용한다. 이 프레임워크를 지원하기 위해 우리는 오피오이드 사망률, 사회경제적 지표, 구조화된 정책 인코딩을 통합한 주 수준의 월별 데이터셋(2019~2024)을 구축했다. 실험 결과는 공간적 의존성과 구조화된 정책 지식이 예측 정확도를 크게 향상시킨다는 것을 보여주며, 각 아키텍처 구성 요소의 유효성과 데이터 기반 공중 보건 의사결정 지원을 위한 세계 모델링의 잠재력을 입증한다.

The opioid epidemic remains one of the most severe public health crises in the United States, yet evaluating policy interventions before implementation is difficult: multiple policies interact within a dynamic system where targeting one risk pathway may inadvertently amplify another. We argue that effective opioid policy evaluation requires three capabilities -- forecasting future outcomes under current policies, counterfactual reasoning about alternative past decisions, and optimization over candidate interventions -- and propose to unify them through world modeling. We introduce Policy4OOD, a knowledge-guided spatio-temporal world model that addresses three core challenges: what policies prescribe, where effects manifest, and when effects unfold.Policy4OOD jointly encodes policy knowledge graphs, state-level spatial dependencies, and socioeconomic time series into a policy-conditioned Transformer that forecasts future opioid outcomes.Once trained, the world model serves as a simulator: forecasting requires only a forward pass, counterfactual analysis substitutes alternative policy encodings in the historical sequence, and policy optimization employs Monte Carlo Tree Search over the learned simulator. To support this framework, we construct a state-level monthly dataset (2019--2024) integrating opioid mortality, socioeconomic indicators, and structured policy encodings. Experiments demonstrate that spatial dependencies and structured policy knowledge significantly improve forecasting accuracy, validating each architectural component and the potential of world modeling for data-driven public health decision support.