에티오피아의 보건 시설 입지 선정: LLM을 활용한 전문가 지식과 알고리즘 기반 계획의 통합

Health Facility Location in Ethiopia: Leveraging LLMs to Integrate Expert Knowledge into Algorithmic Planning

에티오피아 보건부는 특히 농촌 지역의 필수 의료 서비스 접근성을 개선하기 위해 보건 지소를 업그레이드하고 있습니다. 그러나 제한된 자원으로 인해, 다양한 전문가 및 이해관계자의 선호를 고려하면서 인구 수용력을 극대화하기 위해서는 업그레이드 대상 시설의 우선순위를 신중하게 결정해야 합니다. 에티오피아 공중보건연구소 및 보건부와의 협력을 통해, 우리는 전문가 지식과 최적화 기법을 체계적으로 통합하는 하이브리드 프레임워크를 제안합니다. 고전적인 최적화 방법은 이론적 보장을 제공하지만 명시적이고 정량적인 목표를 요구하는 반면, 이해관계자의 기준은 종종 자연어로 표현되어 공식화하기 어렵습니다. 이러한 간극을 해소하기 위해 우리는 대규모 언어 모델 및 확장 그리디(LEG) 프레임워크를 개발했습니다. 이 프레임워크는 인구 수용력 최적화를 위한 입증 가능한 근사 알고리즘과 LLM 주도의 반복적 정제 과정을 결합합니다. 이를 통해 수용력 보장을 유지하면서 전문가의 정성적 지침을 반영하는 솔루션을 도출하도록 인간-AI 정렬을 통합합니다. 에티오피아 3개 지역의 실제 데이터를 바탕으로 한 실험은 우리 프레임워크의 효과와 형평성 있는 데이터 기반 보건 시스템 계획을 수립하는 데 기여할 잠재력을 입증합니다.

Ethiopia's Ministry of Health is upgrading health posts to improve access to essential services, particularly in rural areas. Limited resources, however, require careful prioritization of which facilities to upgrade to maximize population coverage while accounting for diverse expert and stakeholder preferences. In collaboration with the Ethiopian Public Health Institute and Ministry of Health, we propose a hybrid framework that systematically integrates expert knowledge with optimization techniques. Classical optimization methods provide theoretical guarantees but require explicit, quantitative objectives, whereas stakeholder criteria are often articulated in natural language and difficult to formalize. To bridge these domains, we develop the Large language model and Extended Greedy (LEG) framework. Our framework combines a provable approximation algorithm for population coverage optimization with LLM-driven iterative refinement that incorporates human-AI alignment to ensure solutions reflect expert qualitative guidance while preserving coverage guarantees. Experiments on real-world data from three Ethiopian regions demonstrate the framework's effectiveness and its potential to inform equitable, data-driven health system planning.