Healthcare Mechanisms from Policy-as-Code Search under Strategic Provider Response

तकनीकी सारांश: रणनीतिक प्रदाता प्रतिक्रिया के तहत पॉलिसी-एज़-कोड खोज से स्वास्थ्य सेवा तंत्र

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र स्वास्थ्य सेवा तंत्रों के मूल्यांकन में एक महत्वपूर्ण अंतराल को संबोधित करता है: मौजूदा बेंचमार्क प्रदाता व्यवहार को स्थिर या बाह्य (exogenous) मानते हैं, जो रणनीतिक प्रदाता प्रतिक्रिया (strategic provider response) को ध्यान में रखने में विफल रहते हैं। वास्तव में, अस्पताल के तंत्र (जैसे, भुगतान नियम, ऑडिट, गुणवत्ता बोनस) प्रदाताओं से रणनीतिक व्यवहार प्रेरित करते हैं जो परिणामों को विकृत कर सकते हैं। यह घटना, जिसे प्रेशर माइग्रेशन (pressure migration) कहा जाता है, तब होती है जब एक विरूपण चैनल (जैसे, अप-कोडिंग) को बंद करने से वही प्रोत्साहन दबाव किसी आसन्न चैनल (जैसे, रोगी चयन या रणनीतिक विलंब) में पुन: प्रकट हो जाता है।

लेखक अस्पताल को एक परिमित-क्षितिज स्टोकेस्टिक स्टैकेलबर्ग गेम (Stackelberg game) के रूप में मॉडल करते हैं:

• लीडर (Leader): अस्पताल प्रशासक प्रत्येक समय चरण में एक तंत्र (पॉलिसी) $u_t$ निर्धारित करता है।
• फॉलोअर (Follower): प्रदाता टीमों का एक समूह एक सीमित-तर्कसंगतता प्रतिक्रिया वर्ग $\Pi_P$ के आधार पर रणनीतिक रूप से प्रतिक्रिया देता है।
• उद्देश्य: प्रशासक एक सामाजिक उद्देश्य (कल्याण, लाभ, या मिश्रित) को अनुकूलित करने का प्रयास करता है जबकि यह सुनिश्चित करता है कि प्रेरित प्रदाता व्यवहार कई नैदानिक चैनलों में स्वीकार्य बना रहे।

मुख्य चुनौती यह है कि मानक मशीन लर्निंग दृष्टिकोण (जैसे, ब्लैक-बॉक्स न्यूरल कंट्रोलर) नियामक स्वास्थ्य सेवा तैनाती की ऑडिटेबिलिटी (auditability) आवश्यकताओं को पूरा करने में विफल रहते हैं, जबकि मौजूदा आर्थिक मॉडल अक्सर जटिल, मल्टी-चैनल रणनीतिक प्रतिक्रियाओं को क्लोज्ड-लूप में सिम्युलेट करने के लिए पर्याप्त सूक्ष्मता (granularity) की कमी रखते हैं।

2. कार्यप्रणाली: मेडी-सिम (Medi-Sim) और पॉलिसी-एज़-कोड

लेखक मेडी-सिम (Medi-Sim) पेश करते हैं, जो एक क्लोज्ड-लूप सिम्युलेटर है जो मैकेनिज्म डिज़ाइन को रणनीतिक प्रतिक्रिया के साथ एकीकृत करता है, और डिज़ाइन समस्या को एक टाइप किए गए डोमेन स्पेसिफिक लैंग्वेज (DSL) पर प्रोग्राम सिंथेसिस (program synthesis) के रूप में पुनर्गठित करता है।

मेडी-सिम वातावरण (Identify–Produce–Settle)

मेडी-सिम एक Identify–Produce–Settle (IPS) लूप पर संचालित होता है:

1. Identify (पहचानना): रोगी वास्तविक नैदानिक जटिलता ($CMI^\star$) के साथ आते हैं। अस्पताल के कोडर इन जटिलताओं को रिपोर्ट किए गए बिलिंग समूहों ($\hat{g}$) में मैप करते हैं, जिससे वास्तविक जटिलता और प्रतिपूर्ति (reimbursement) के बीच एक कोडिंग वेज (coding wedge) उत्पन्न होता है।
2. Produce (उत्पादित करना): प्रदाता टीमें क्षमता और थकान से बाधित निर्णय लेती हैं। उनके कार्य पाँच रणनीतिक विरूपण चैनलों (strategic distortion channels) में विभाजित होते हैं:
   • कोडिंग (Coding): प्रतिपूर्ति बढ़ाने के लिए अप-कोडिंग करना।
   • चयन (Selection): कम-जटिलता वाले रोगियों को चुनना (cherry-picking) या उच्च-जटिलता वाले रोगियों को अस्वीकार करना।
   • विलंब (Delay): उच्च-लागत वाले मामलों को रणनीतिक रूप से स्थगित करना।
   • प्रयास (Effort): उपचार की तीव्रता को समायोजित करना (गोल्ड-प्लेटिंग बनाम कमी करना)।
   • ट्राइएज (Triage): संसाधन आवंटन और स्वीकार/अस्वीकार के निर्णय।
3. Settle (निपटान): प्रतिपूर्ति रिपोर्ट किए गए समूहों के आधार पर गणना की जाती है। प्रदर्शन को एक भारित KPI (स्वास्थ्य, प्रतीक्षा, अस्वीकरण, लागत) के माध्यम से मापा जाता है, जो बोनस के लिए उपयोग किए जाने वाले प्रॉक्सी मेट्रिक और वास्तविक नैदानिक मूल्य के बीच एक मेजरमेंट वेज (measurement wedge) बनाता है।

पॉलिसी-एज़-कोड खोज (Policy-as-Code Search)

नियामक बाधाओं को पूरा करने के लिए, नीति वर्ग $\Pi_A$ को न्यूरल नेटवर्क के बजाय टाइप्ड, निरीक्षण योग्य नियम कार्यक्रमों (typed, inspectable rule programs) तक सीमित रखा गया है।

• DSL: नीतियां प्रशासनिक लीवर्स (प्रोत्साहन गुणांक, ऑडिट तीव्रता, बोनस पूल, KPI वेट) के एक निश्चित सेट पर निष्पादन योग्य अभिव्यक्तियों के रूप में लिखी जाती हैं।
• खोज एल्गोरिदम (Search Algorithm): लेखक LLM द्वारा निर्देशित AlphaEvolve-शैली की इवोल्यूशनरी कोड खोज का उपयोग करते हैं। LLM एक कोड-एडिटिंग ऑपरेटर के रूप में कार्य करता है, जो नियम कार्यक्रमों पर सिमेंटिक म्यूटेशन (semantic mutations) करता है।
• फिटनेस फंक्शन: खोज एक सुरक्षा-दंडित उद्देश्य (safety-penalized objective) को अनुकूलित करती जिसमें सामाजिक रिटर्न, सुरक्षा/विरूपण उल्लंघन (जैसे, अप-कोडिंग, असुरक्षित प्रतीक्षा) के लिए दंड, और एक वेरिएंस रेगुलराइज़र शामिल है।

3. मुख्य योगदान

1. LLM-प्रोग्राम-सिंथेसिस टेस्टबेड: यह शोध पत्र एक उच्च-जोखिम वाले मैकेनिज्म डिज़ाइन के लिए ढांचा स्थापित करता है जहाँ LLM सुरक्षा बाधाओं के तहत निरीक्षण योग्य कोड को संपादित करता है, जो ब्लैक-बॉक्स कंट्रोलर को बाहर रखता है।
2. मेडी-सिम बेंचमार्क: एक क्लोज्ड-लूप सिम्युलेटर जो प्रशासक के नियमों, पाँच रणनीतिक प्रदाता चैनलों और वास्तविक परिणामों को एक ही रोलआउट में रखता है, जिससे चैनल-स्तरीय विरूपण का पता लगाना संभव होता है।
3. प्रेशर माइग्रेशन एक बेंचमार्क घटना के रूप में: यह कार्य प्रदर्शित करता है कि शास्त्रीय स्वास्थ्य सेवा विफलताएं (अप-कोडिंग, क्रीम-स्किमिंग) एक एकल प्रोत्साहन फेज़ डायग्राम में आसन्न व्यवस्थाओं (adjacent regimes) में स्थित हैं। यह दिखाता है कि LLM-निर्देशित कोड खोज विशिष्ट विरूपणों को समाप्त करने के लिए नीतियों को परिष्कृत कर सकती है बिना दूसरे चैनलों में प्रेशर माइग्रेशन को ट्रिगर किए।

4. प्रयोगात्मक परिणाम

प्रयोग तीन-स्तरीय सत्यापन-से-खोज तर्क का पालन करते हैं:

L1: प्रोत्साहन फेज़ डायग्राम (Incentive Phase Diagram)

लाभ संवेदनशीलता ($\alpha$) और गुणवत्ता संवेदनशीलता ($\beta$) के 11x11 स्वीप से चार अलग-अलग शासन (regimes) प्रकट होते हैं:

• लाभ-संचालित (Profit-driven): उच्च अप-कोडिंग और चयन पूर्वाग्रह (चेरी-पिकिंग)।
• गुणवत्ता-संचालित (Quality-driven): उच्च प्रयास लेकिन वित्तीय दिवालियापन।
• कम-प्रोत्साहन (Low-incentive): पहुंच का राशनिंग (access rationing)।
• संतुलित आंतरिक (Balanced Interior): एक छिपा हुआ विफलता मोड जहाँ दृश्य मेट्रिक्स (अप-कोडिंग, अस्वीकरण) में सुधार होता है, लेकिन दबाव रणनीतिक विलंब और KPI लक्ष्यीकरण की ओर स्थानांतरित हो जाता है, जिससे मापा गया KPI वास्तविक स्वास्थ्य के साथ नकारात्मक रूप से सह-संबंधित हो जाता है (गुडहॉर्ट्स लॉ - Goodhart's Law)।

L2: प्रशासनिक लीवर स्वीप्स (Administrative Lever Sweeps)

अध्ययन इस बात का पता लगाता है कि प्रशासनिक नियंत्रण कैसे दबाव को चैनलों के बीच स्थानांतरित करते हैं:

• ऑडिट (Audits): ऑडिट की संभावना बढ़ाने से अप-कोडिंग सफलतापूर्वक दब जाती है, लेकिन यह चेरी-पिकिंग (चयन विरूपण) को काफी बढ़ा देती है, जो चैनल प्रतिस्थापन (channel substitution) को प्रदर्शित करता है।
• बोनस पूल (Bonus Pools): बड़े बोनस प्रॉक्सी KPI और वास्तविक स्वास्थ्य के बीच मिसअलाइनमेंट को बढ़ा देते हैं, जिससे गुडहॉर्ट-शैली का ड्रिफ्ट (drift) बदतर हो जाता है।
• लचीली क्षमता (Flexible Capacity): KPI स्टीयरिंग के तहत, लचीली क्षमता बढ़ाने से वास्तव में प्रतीक्षा समय बढ़ जाता है क्योंकि क्षमता उन टीमों को आवंटित की जाती है जो बोनस स्कोर के पीछे भाग रही हैं, न कि उन टीमों को जिनकी कतारें सबसे लंबी हैं।

L3: पॉलिसी-एज़-कोड खोज (Policy-as-Code Search)

खोज परत उद्देश्यों को संतुलित करने वाले तंत्रों को संश्लेषित करने की क्षमता का परीक्षण करती है:

• लाभ उद्देश्य (Profit Objective): खोज बेसलाइन को परिष्कृत करती है लेकिन धन को अधिकतम करने के लिए अप-कोडिंग को बढ़ा देती है (0.758 $\to$ 0.807)।
• कल्याण उद्देश्य (Welfare Objective): खोज पहुंच में सुधार करती है और प्रयास लागत को कम करती है जबकि शून्य अप-कोडिंग बनाए रखती है।
• मिश्रित उद्देश्य (मुख्य परिणाम): खोज एक ऐसी नीति को संश्लेषित करती है जो:
  • अप-कोडिंग को समाप्त करती है (दर 0.000 तक गिर जाती है)।
  • लाभ-आधारित बेसलाइन की तुलना में अस्वीकरण दर को आधा कर देती है।
  • लाभ-उन्मुख बेसलाइन के अधिकांश फंड को बरकरार रखती है।
  • तंत्र (Mechanism): खोजी गई नीति स्थानीय बोनस दबाव को कम करती है और कोडिंग स्कोर में एक हार्ड-थ्रेशोल्ड पेनल्टी पेश करती है जो कोडिंग विचलन को सख्ती से वर्जित करती है, जिससे बिना अस्वीकरण बढ़ाए कोडिंग चैनल प्रभावी रूप से बंद हो जाता है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि मेडी-सिम स्वास्थ्य नीति के लिए ML हेतु एक आवश्यक नैदानिक वातावरण प्रदान करता है, जो स्थिर बेंचमार्क से आगे बढ़कर एंडोजेनस रणनीतिक प्रतिक्रिया के तहत तंत्रों का मूल्यांकन करता है।

• ऑडिटेबिलिटी: नीतियों को टाइप किए गए कोड तक सीमित करके, सिस्टम यह सुनिश्चित करता है कि तंत्र लाइन-दर-लाइन मानव-पठनीय और निरीक्षण योग्य बने रहें, जो विनियमित तैनाती के लिए एक पूर्व शर्त है।
• चैनल प्रतिस्थापन (Channel Substitution): यह कार्य रेखांकित करता है कि एकल-मेट्रिक अनुकूलन अपर्याप्त है; एक विरूपण चैनल को बंद करने से अक्सर दूसरा खुल जाता है। प्रभावी मैकेनिज्म डिज़ाइन के लिए संपूर्ण प्रतिक्रिया वेक्टर की निगरानी आवश्यक है।
• खोज की व्यवहार्यता: लेखक मैकेनिज्म-एज़-कोड पर प्रोग्राम सिंथेसिस के रूप में LLM-निर्देशित खोज को एक व्यवहार्यता प्रदर्शन के रूप में प्रस्तुत करते हैं। वे विनम्रतापूर्वक नोट करते हैं कि मिश्रित-उद्देश्य वाली नीति की सफलता काफी हद तक एक विविध वार्म-स्टार्ट लाइब्रेरी पर निर्भर करती है; केवल खोज, एक तटस्थ पूर्व (neutral prior) से शुरू होने पर, इष्टतम परिवार को पुनः प्राप्त करने में विफल रही।

शोध पत्र निष्कर्ष निकालता है कि प्रदाता-पक्ष की रणनीतिक प्रतिक्रिया को स्वास्थ्य नीति में ML के लिए एक मानक बेंचमार्क लक्ष्य बनाया जाना चाहिए, और पॉलिसी-एज़-कोड खोज मजबूत, निरीक्षण योग्य और बहु-उद्देश्यीय स्वास्थ्य सेवा तंत्रों को डिजाइन करने का एक व्यवहार्य मार्ग प्रदान करती है।