본 연구는 대규모 언어 모델(LLM)을 기계 학습과 통합하여 응급실(ED) 정신 건강 재방문 위험 예측 모델의 예측 정확도와 임상적 해석 가능성을 향상시키는 것을 목표로 한다. 2018년 1월부터 2022년 12월까지 27,904명의 고유한 정신 건강 환자의 42,464건의 ED 방문 기록을 분석하여 30일 이내 ED 재방문 예측 정확도와 LLM 강화 프레임워크를 사용한 모델 해석 가능성을 평가하였다. LLaMA 3 (8B)를 사용한 결과, 기존 모델보다 높은 정확도(0.882)와 F1 점수(0.86)를 달성하였으며, SDoH 분류에서도 높은 정확도(0.95)와 F1 점수(0.96)를 보였다. 특히, LLM 기반 해석 가능성 프레임워크는 모델 예측을 임상적으로 관련된 설명으로 변환하는 데 99%의 정확도를 달성하였다. LLM 추출 기능은 XGBoost의 AUC를 0.74에서 0.76으로, AUC-PR을 0.58에서 0.61로 개선하였다. 결론적으로, LLM과 기계 학습 모델의 통합은 예측 정확도를 소폭 향상시키는 동시에 자동화된 임상적으로 관련된 설명을 통해 해석 가능성을 크게 향상시켰다.