에티오피아의 보건 시설 위치 선정: LLM을 활용하여 전문가 지식을 알고리즘 계획에 통합

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

에티오피아 보건부는 필수 서비스 접근성을 향상시키기 위해 보건소를 업그레이드하고 있으며, 특히 농촌 지역에 중점을 두고 있습니다. 제한된 자원으로는 인구 보장 범위를 극대화하면서 다양한 전문가 및 이해 관계자의 선호 사항을 고려하여 어떤 시설을 업그레이드할지 신중하게 우선순위를 결정해야 합니다. 에티오피아 공공보건연구소 및 보건부와 협력하여, 전문가 지식을 최적화 기술과 체계적으로 통합하는 하이브리드 프레임워크를 제안합니다. 기존 최적화 방법은 이론적 보장을 제공하지만 명시적인 양적 목표를 필요로 하는 반면, 이해 관계자의 기준은 종종 자연어로 표현되며 형식화하기 어렵습니다. 이러한 영역 간의 간극을 해소하기 위해, Large Language Model (LLM)과 Extended Greedy (LEG) 프레임워크를 개발했습니다. 당사의 프레임워크는 검증 가능한 인구 보장 최적화 알고리즘과 LLM 기반의 반복적인 개선 과정을 결합하며, 인간-AI 협력을 통해 솔루션이 전문가의 질적 지침을 반영하면서도 보장 범위를 유지하도록 합니다. 에티오피아 세 지역의 실제 데이터를 사용한 실험 결과는 당사의 프레임워크의 효과성을 입증했으며, 공정하고 데이터 기반의 보건 시스템 계획 수립에 기여할 수 있는 잠재력을 보여줍니다.

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.