동적 매칭을 위한 학습 잠재력 및 심장 이식 적용 연구

Learning Potentials for Dynamic Matching and Application to Heart Transplantation

매년 수천 명의 심장 이식이 필요한 환자들이 장기 부족으로 인해 생명을 위협하는 대기 시간을 겪고 있습니다. 현재의 배분 정책은 전체 인구의 결과를 극대화하는 것을 목표로 하지만, 장기의 동적인 공급과 대기자 명단의 구성 요소를 충분히 고려하지 못하여 효율성이 저하되는 경우가 많습니다. 미국은 현재 경직된 규칙 기반 배분 방식을 데이터 기반 모델로 전환하고 있습니다. 본 논문에서는 신장 교환에 처음 도입된 개념인 '잠재력(potentials)'에 기반한, 일반적인 온라인 매칭 환경에서의 비단기적 정책 최적화를 위한 새로운 프레임워크를 제안합니다. 우리는 기존 방식보다 더 고차원적이고 표현력이 뛰어난 잠재력을 학습하는 확장 가능하고 정확한 방법을 개발했습니다. 우리의 접근 방식은 일종의 자기 지도 학습(self-supervised imitation learning)으로, 잠재력은 완벽한 예측 능력을 가진 '전지(omniscient)' 알고리즘을 모방하도록 학습됩니다. 우리는 심장 이식 배분이라는 응용 분야에 초점을 맞추고, 실제 역사 데이터를 사용하여 제안하는 정책이 전체 인구의 결과를 최적화하는 측면에서 기존 방식보다 훨씬 우수하다는 것을 입증했습니다. 여기에는 현재 미국의 기준 정책과 제안된 연속 분포 프레임워크가 포함됩니다. 본 연구는 현재 미국 심장 이식 배분 시스템이 검토 중인 중요한 시점에 이루어졌으며, 더욱 효과적인 장기 배분을 위한 확장 가능하고 이론적으로 기반된 방법을 제시합니다.

Each year, thousands of patients in need of heart transplants face life-threatening wait times due to organ scarcity. While allocation policies aim to maximize population-level outcomes, current approaches often fail to account for the dynamic arrival of organs and the composition of waitlisted candidates, thereby hampering efficiency. The United States is transitioning from rigid, rule-based allocation to more flexible data-driven models. In this paper, we propose a novel framework for non-myopic policy optimization in general online matching relying on potentials, a concept originally introduced for kidney exchange. We develop scalable and accurate ways of learning potentials that are higher-dimensional and more expressive than prior approaches. Our approach is a form of self-supervised imitation learning: the potentials are trained to mimic an omniscient algorithm that has perfect foresight. We focus on the application of heart transplant allocation and demonstrate, using real historical data, that our policies significantly outperform prior approaches -- including the current US status quo policy and the proposed continuous distribution framework -- in optimizing for population-level outcomes. Our analysis and methods come at a pivotal moment in US policy, as the current heart transplant allocation system is under review. We propose a scalable and theoretically grounded path toward more effective organ allocation.