Modeling Bounded Rationality in Drug Shortage Pharmacists Using Attention-Guided Dynamic Decomposition

Hospital pharmacists make high-stakes decisions to mitigate drug shortages under uncertainty, time pressure, and patient risk. Interviews revealed that pharmacists focus attention on a small subset of drugs, limiting cognitive effort to the most urgent cases. Motivated by these findings, we formalize a bounded-rational, attention-guided decision framework that dynamically decomposes drugs into a subset for high-cost reasoning and a complementary subset for low-cost monitoring. We develop two agents: an Expert Agent that applies attention weights derived from pharmacist interviews, and a Learner Agent that adapts attention allocation over time through experience. Across simulated scenarios spanning short to long horizons, we show that attention-guided planning supports stable decision-making without complete state reasoning. These results suggest that a primary decision is not what action to take, but where to allocate cognitive effort, and that attention-guided, satisficing strategies can reduce problem complexity while maintaining stable performance.

📋 한 줄 요약

**[의사결정 AI / 의료 운영]** 약사가 약물 부족 사태에서 보이는 주의 집중(satisficing) 행동을 모사한 attention-guided 동적 분해 의사결정 프레임워크 제안.

🎯 핵심 기여도

병원 약사의 실제 인터뷰를 통해 "소수의 시급 약품에 인지 자원을 집중"하는 bounded rationality 패턴을 형식화.
약품을 고비용 추론 대상 subset과 저비용 모니터링 대상 subset으로 동적으로 분해하는 의사결정 프레임워크 설계.
약사 인터뷰에서 도출한 주의 가중치를 적용하는 Expert Agent와, 경험을 통해 주의 배분을 학습하는 Learner Agent를 동시 제시.
단기·장기 시나리오 전반에서 완전한 상태 추론 없이도 안정적 의사결정이 가능함을 시뮬레이션으로 입증.

💡 핵심 아이디어

"무엇을 결정할지"가 아니라 "어디에 인지 자원을 배분할지"가 1차 결정 변수다. satisficing(만족화) 전략은 단점이 아니라 문제 복잡도를 줄이면서 성능을 유지하는 합리적 전략이다.

🔬 기술적 접근법

**모델/방법론**: 약품 집합을 시간에 따라 동적으로 (high-cost reasoning, low-cost monitoring) 두 부분집합으로 분해하는 attention-guided 의사결정 프레임워크.
**핵심 기법**: Expert Agent는 인터뷰로부터 추출한 attention weight 사용, Learner Agent는 경험 기반 적응적 attention allocation 학습, 단기·장기 horizon 시뮬레이션 평가.

📊 주요 결과

단기·장기 시뮬레이션 시나리오 모두에서 안정적 의사결정 유지.
완전 상태 추론을 요구하는 베이스라인 대비 인지 부담 대폭 감소.
Expert·Learner Agent 모두 만족스러운 satisficing 성능 달성.

💭 의의 및 한계

**의의**: 운영 환경의 실제 인지 제약을 그대로 모델링한 의료 의사결정 AI 설계의 모범. 비단 약물 부족뿐 아니라 응급실 분류·중환자실 관리 등으로 확장 가능. **한계**: 시뮬레이션 평가에 국한, 실제 병원 환경에서의 prospective study 필요, attention 가중치의 도메인 의존성.

🚀 실용적 활용

병원 약국의 약품 부족 대응 의사결정 지원 시스템.
응급실·중환자실의 환자 트리아지 보조.
운영 리스크 우선순위 결정(공급망·재고 관리)에 일반화.