技術要約：戦略的なプロバイダーの反応下における、Policy-as-Code検索によるヘルスケア・メカニズム

1. 問題定式化

本論文は、ヘルスケア・メカニズムの評価における決定的な欠落に対処している。既存のベンチマークは、プロバイダー（提供者）の行動を固定的なもの、あるいは外生的なものとして扱っており、**戦略的なプロバイダーの反応（strategic provider response）を考慮できていない。実際には、病院のメカニズム（例：支払い規則、監査、品質ボーナス）は、プロバイダーから戦略的な行動を誘発し、それが結果を歪める可能性がある。この現象はプレッシャーの移行（pressure migration）**と呼ばれ、ある歪みのチャネル（例：アップコーディング）を閉鎖すると、同じインセンティブの圧力が隣接する別のチャネル（例：患者選択や戦略的遅延）に再浮上する現象を指す。

著者らは、病院を有限期間の確率的**スタッケルベルグ・ゲーム（Stackelberg game）**としてモデル化している：

• リーダー（指導者）： 病院管理者は、各タイムステップにおいてメカニズム（ポリシー）$u_t$ を決定する。
• フォロワー（追随者）： プロバイダー・チームの集団が、限定合理性を持つ反応クラス $\Pi_P$ に基づいて戦略的に反応する。
• 目的： 管理者は、社会的な目的（福祉、利益、またはその混合）を最適化することを目指すと同時に、誘発されたプロバイダーの行動が複数の診断チャネルにわたって許容可能な範囲に留まるようにする。

核心となる課題は、標準的な機械学習手法（例：ブラックボックス型のニューラル・コントローラー）は、規制されたヘルスケアへの導入に求められる**監査可能性（auditability）**の要件を満たせないことである。一方で、既存の経済モデルは、複雑でマルチチャネルな戦略的反応をクローズドループ内でシミュレートするための粒度が不足していることが多い。

2. 手法：Medi-Sim と Policy-as-Code

著者らは、メカニズム設計と戦略的反応を統合したクローズドループ・シミュレータである Medi-Sim を導入し、設計問題を型定義されたドメイン固有言語（DSL）上の**プログラム合成（program synthesis）**として再定義する。

Medi-Sim 環境（Identify–Produce–Settle）

Medi-Sim は、**Identify（特定）– Produce（生成）– Settle（決済）**のループ上で動作する：

1. Identify（特定）： 患者が真の臨床的複雑性（$CMI^\star$）を持って到着する。病院のコーダーはこれらを報告された請求グループ（$\hat{g}$）にマッピングし、真の複雑性と償還額の間に**コーディング・ウェッジ（coding wedge）**を生じさせる。
2. Produce（生成）： プロバイダー・チームは、キャパシティと疲労の制約の下で意思決定を行う。彼らの行動は、以下の5つの戦略的歪みチャネルに分解される：
   • Coding（コーディング）： 償還額を増やすためのアップコーディング。
   • Selection（選択）： 低複雑度の患者のつまみ食い（チェリーピッキング）、または高複雑度の患者の拒否。
   • Delay（遅延）： 高コストな症例の戦略的な延期。
   • Effort（努力）： 治療強度の調整（過剰診療 vs 過小診療）。
   • Triage（トリアージ）： リソース配分および受入／拒否の決定。
3. Settle（決済）： 報告されたグループに基づいて償還額が計算される。パフォーマンスは、健康、待ち時間、拒否、コストを重み付けしたKPIを通じて測定され、これが真の臨床的価値と、ボーナスのためのプロキシ（代理）指標との間の**メジャーメント・ウェッジ（measurement wedge）**を生じさせる。

Policy-as-Code 検索

規制上の制約を満たすため、ポリシー・クラス $\Pi_A$ は、ニューラルネットワークではなく、型定義された、検査可能なルール・プログラムに制限される。

• DSL： ポリシーは、一連の行政的レバー（インセンティブ係数、監査強度、ボーナスプール、KPIウェイト）に対する実行可能な式として記述される。
• 検索アルゴリズム： 著者らは、大規模言語モデル（LLM）に導かれた AlphaEvolve スタイルの進化型コード検索を採用している。LLM はコード編集オペレータとして機能し、ルール・プログラムに対して意味論的な変異（mutation）を行う。
• 適合度関数（Fitness Function）： 検索は、社会的リターン、安全性／歪みに関するペナルティ（例：アップコーディング、不安全な待ち時間）、および分散正則化を含む、安全性に配慮した目的関数を最適化する。

3. 主な貢献

1. LLM-プログラム合成テストベッド： 本論文は、LLM が安全性制約の下で検査可能なコードを編集する、高リスクなメカニズム設計のためのフレームワークを確立しており、ブラックボックス・コントローラーを排除している。
2. Medi-Sim ベンチマーク： 管理者のルール、5つの戦略的プロバイダー・チャネル、および実現されたアウトカムを同一のロールアウト内に保持するクローズドループ・シミュレータであり、チャネルレベルの歪みの検出を可能にする。
3. ベンチマーク現象としてのプレッシャーの移行： 本研究は、古典的なヘルスケアの失敗（アップコーディング、クリーム・スキミング）が、単一のインセンティブ・フェーズ図において隣接した領域を占めていることを示している。また、LLM 誘導型のコード検索が、他のチャネルへのプレッシャーの移行を引き起こすことなく、特定の歪みを排除するようにポリシーを精緻化できることを示している。

4. 実験結果

実験は、3層の検証から発見へと至るロジックに従っている：

L1: インセンティブ・フェーズ図

利益感受性（$\alpha$）と品質感受性（$\beta$）の 11x11 のスイープにより、4つの異なるレジームが明らかになった：

• 利益駆動型（Profit-driven）： 高いアップコーディングと選択バイアス（チェリーピッキング）が発生する。
• 品質駆動型（Quality-driven）： 高い努力（effort）が見られるが、財務的な不渡りが発生する。
• 低インセンティブ型（Low-incentive）： アクセスの配分制限（rationing）が発生する。
• 均衡内部（Balanced Interior）： 目に見える指標（アップコーディング、拒否）は改善するが、プレッシャーが戦略的遅延とKPI ターゲットへと移行し、測定された KPI が真の健康状態と負の相関を持つようになる（グッドハートの法則）という、隠れた失敗モードが存在する。

L2: 行政的レバーのスィープ

行政的コントロールがどのように圧力をチャネル間で移動させるかを追跡した：

• 監査（Audits）： 監査確率を高めることはアップコーディングを抑制することには成功するが、チェリーピッキング（選択の歪み）を著しく増加させる。これはチャネルの置換（substitution）を示している。
• ボーナスプール（Bonus Pools）： ボーナスを拡大すると、KPI プロキシと真の健康との間の乖離が増幅され、グッドハート型のドリフトが悪化する。
• 柔軟なキャパシティ（Flexible Capacity）： KPI ステアリングの下では、柔軟なキャパシティを増やしても、待ち時間は逆に増加する。これは、キャパシティが最も長い待ち行列を持つチームではなく、ボーナス・スコアを追い求めるチームに割り当てられるためである。

L3: Policy-as-Code 検索

検索レイヤーは、複数の目的をバランスさせるメカニズムの合成能力をテストしている：

• 利益目的（Profit Objective）： 検索は、資金を最大化するためにベースラインを精緻化するが、アップコーディングを増幅させる（0.758 $\to$ 0.807）。
• 福祉目的（Welfare Objective）： 検索は、アップコーディングをゼロに保ちつつ、アクセスを改善し、努力コストを削減する。
• 混合目的（主要な結果）： 検索は、以下の特性を持つポリシーを合成した：
  • アップコーディングを排除（レートが 0.000 に低下）。
  • 利益ベースラインと比較して拒否率を半減。
  • 利益志向のベースラインの資金の大部分を維持。
  • メカニズム： 検索されたポリシーは、ローカルなボーナス圧力を下げ、コーディング・スコアに対して特定のギャップを超えるコーディング偏差を厳格に禁止するハード閾値ペナルティを導入することで、拒否を増やすことなくコーディング・チャネルを効果的に閉鎖した。

5. 意義と主張

本論文は、Medi-Sim が、静的なベンチマークを超えて、内生的な戦略的反応の下でのメカニズムを評価するための、ヘルスケア・ポリシー ML に必要な診断環境を提供すると主張している。

• 監査可能性： ポリシーを型定義されたコードに制限することで、システムはメカニズムが人間にとって読みやすく、行単位で監査可能であることを保証する。これは、規制された展開における前提条件である。
• チャネルの置換： 単一指標の最適化は不十分であり、一つの歪みチャネルを閉鎖すると、しばしば別のチャネルが開くことを本研究は強調している。効果的なメカニズム設計には、全反応ベクトルの監視が必要である。
• 検索の実現可能性： 著者らは、LLM 誘導型の検索を、メカニズム・アズ・コードに対するプログラム合成の実現可能性のデモンストレーションとして提示している。彼らは、混合目的のポリシーの成功は、多様なウォームスタート・ライブラリに大きく依存していることを控えめに述べている。中立的な事前分布から開始した場合、検索のみでは最適なファミリーを復元できなかった。

本論文は、プロバイダー側の戦略的反応を、ヘルスケア・ポリシーにおける ML の標準的なベンチマーク対象とすべきであると結論付けており、Policy-as-Code 検索が、堅牢で検査可能かつ多目的的なヘルスケア・メカニズムを設計するための実行可能な道筋を提供することを示している。