The Impact of Neglecting Vaccine Unwillingness in Epidemiology Models

이 논문은 백신 기피 현상을 고려하지 않은 전염병 모델이 장기적 균형 분석과 단기적 유행 시뮬레이션 모두에서 중요한 오차를 초래할 수 있음을 보여주며, 특히 장기적 관점에서는 백신 기피를 반영하지 않은 단순한 백신 접종률 조정만으로는 이러한 오차를 해결할 수 없음을 강조합니다.

핵심

이 논문은 **"백신을 맞고 싶지 않은 사람들이 있다는 사실을 무시하면, 전염병 예측 모델이 얼마나 엉망이 되는가?"**를 연구한 내용입니다.

저자는 복잡한 수학적 모델을 통해 두 가지 핵심 질문을 던집니다.

1. 백신을 거부하는 사람들을 무시하면 예측이 얼마나 틀릴까?
2. 모델 구조를 복잡하게 바꾸지 않고, 단순히 '백신 접종 속도'만 줄여서 이 문제를 해결할 수 있을까?

이 연구의 결과를 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

---

🏥 비유: "전염병이라는 거대한 파티와 백신이라는 초대장"

상상해 보세요. 전염병이 유행하는 사회를 거대한 **'파티'**라고 생각합시다.

• 감염병 (바이러스): 파티에 침입해서 사람들을 아프게 만드는 나쁜 손님들입니다.
• 백신: 나쁜 손님을 막아주는 **'초대장'**이자 **'방패'**입니다.
• 백신 거부자: "나는 초대장을 받고 싶지 않아"라고 말하는 사람들입니다.

연구자는 이 파티를 예측하는 두 가지 시나리오를 비교했습니다.

1. 장기적인 관점 (엔데믹, Endemic): "평화로운 일상"

이것은 전염병이 오랫동안 계속 존재하는 상황을 말합니다. 마치 계절마다 찾아오는 감기처럼요.

• 잘못된 생각 (기존 모델): "모든 사람이 백신을 원한다고 가정하자. 다만, 백신이 잘 안 되니까 접종 속도를 조금만 늦추자." (단순히 속도만 조절)
• 현실 (이 연구의 결론): 이건 완전히 틀렸습니다!
  • 비유: 만약 파티에 나쁜 손님이 계속 들어오는데, 일부 사람들은 아예 문을 닫고 들어오지 않으려 한다면, 단순히 "문 여는 속도를 늦추는 것"으로는 문제를 해결할 수 없습니다.
  • 결과: 백신을 거부하는 사람들이 있다는 사실을 모델에 구조적으로 반영하지 않으면, 질병이 사라질 수 있는지 (질병 퇴치), 아니면 계속 유행할지 (풍토병화) 를 완전히 잘못 예측하게 됩니다.
  • 핵심: 장기적으로는 백신 거부율을 모델의 '뼈대'에 반드시 포함시켜야 정확한 예측이 가능합니다. 단순히 숫자만 조정하는 것은 소용없습니다.

2. 단기적인 관점 (전염병, Epidemic): "급작스러운 폭풍"

이것은 코로나19처럼 갑자기 큰 유행이 일어나는 상황을 말합니다.

• 잘못된 생각: "백신 거부자를 고려해서 접종 속도를 줄여보자."
• 현실: 상황에 따라 다릅니다.
  • 상황 A (전염력이 매우 강하고 백신이 느린 경우): 바이러스가 너무 빨라서 백신을 맞기 전에 이미 다 감염됩니다. 이 경우 백신 거부 여부를 신경 쓰지 않아도 예측 오차는 크지 않습니다. (이미 다 감염되니까요.)
  • 상황 B (전염력이 약하고 백신이 빠른 경우): 백신이 충분히 빨리 맞을 수 있는 상황입니다. 이때 백신을 거부하는 사람들이 있다는 사실을 무시하면, **"얼마나 많은 사람이 살아남을지"**를 크게 과장해서 예측하게 됩니다.
  • 핵심: 백신이 빠르고 효과가 좋을수록, 거부자를 무시하는 실수가 치명적입니다. 하지만 단순히 접종 속도를 줄여서 보정하는 것만으로는 부족할 수 있습니다.

---

💡 이 연구가 우리에게 주는 교훈

이 논문은 과학자들과 정책 입안자들에게 다음과 같은 중요한 메시지를 전달합니다.

1. "단순한 숫자 조정은 안 됩니다."
   백신을 거부하는 사람들이 있다는 사실을 모델에 넣을 때, 단순히 "접종 속도를 70% 로 줄이자"라고 하는 것은 장기적인 예측에서는 완전히 무용지물입니다. 마치 "비오는 날 우산을 안 쓰는 사람들이 있다"는 사실을 무시하고, 단순히 "우산 생산 속도를 늦추자"고 하는 것과 비슷합니다. 실제로는 '우산을 안 쓰는 사람'이라는 별도의 카테고리를 만들어야 합니다.

2. "모델의 복잡함은 감수해야 합니다."
   백신 거부자를 고려하려면 모델이 조금 더 복잡해집니다 ( willing(원하는) 과 unwilling(원하지 않는) 그룹을 나누어야 하니까요). 하지만 이 복잡함은 정확한 예측을 위해 꼭 필요한 비용입니다.

3. 결론:

   • 장기적인 정책 (질병 퇴치 목표): 백신 거부자를 모델의 핵심 구조로 반드시 포함해야 합니다.
   • 단기적인 대응 (첫 번째 파동 예측): 백신이 빠르고 효과가 좋을수록 거부자를 고려하는 것이 중요하지만, 때로는 접종 속도만 조절해서 근사치를 낼 수도 있습니다. 하지만 가장 안전한 방법은 항상 정확한 모델 (거부자 분류 포함) 을 사용하는 것입니다.

📝 한 줄 요약

"백신을 거부하는 사람들이 있다는 사실을 단순히 '속도' 문제로만 치부하면, 장기적으로는 완전히 엉뚱한 결론에 도달하게 됩니다. 정확한 예측을 위해서는 이들을 별도의 그룹으로 나누어 모델의 뼈대 자체를 바꾸는 것이 필수적입니다."

기술 요약

논문 요약: 전염병 모델에서 백신 기피 (Vaccine Unwillingness) 무시의 영향

1. 문제 제기 (Problem Statement)

많은 사회에서 백신을 기피하거나 접종을 거부하는 인구가 상당 부분을 차지하고 있음에도 불구하고, 기존의 전염병 모델 (Compartmental Epidemiology Models) 은 종종 전체 감염 가능 인구 (Susceptible class, $S$) 에 대해 균일한 백신 접종률을 적용하는 단순화된 가정을 사용합니다.

• 현실적 문제: 실제 접종률은 '접종을 원하고 가능한' 인구 부분집합에만 적용되어야 하지만, 기존 모델은 이를 무시하거나 단순히 접종률 상수 (rate constant) 를 줄여서 기피 인구를 간접적으로 반영하려는 시도를 합니다.
• 핵심 질문:
  1. 백신 기피를 완전히 무시할 때 주요 모델 결과에 발생하는 오차는 어느 정도인가?
  2. 백신 기피를 모델의 상태 도표 (rate diagram) 에 반영하는 대신, 단순히 접종률 상수를 조정하여 오차를 줄일 수 있는가?
• 연구 목적: 이러한 오차가 질병의 장기적 행동 (풍토병, Endemic) 과 단기적 행동 (유행, Epidemic) 에 따라 어떻게 달라지는지 분석합니다.

2. 방법론 (Methodology)

저자는 백신 접종이 가능한 '기꺼이 접종하는 집단 (Willing, $S_W$)'과 '기피/불가능 집단 (Unwilling, $S_U$)'으로 나누는 확장된 SVIR 모델을 제안하고, 이를 기존 단순 모델과 비교합니다.

• 모델 구조:

  • SVIR 모델: 감염 가능자 ($S$), 백신 접종자 ($V$), 감염자 ($I$), 회복자 ($R$) 로 구성되되, $S$와 $I$를 기피 여부에 따라 세분화합니다.
  • 백신 효과 가정: 백신은 감염률 감소 ($\sigma$), 전파력 감소 ($\eta$), 회복 속도 증가 ($\alpha$) 의 세 가지 이점을 제공하며, 이를 종합한 상대적 질병 부담 ($\xi = \sigma\eta/\alpha$) 을 정의합니다.
  • 비교 모델: 기피 인구를 고려하지 않고 접종률 상수를 $W\theta$ (여기서 $W$는 기피하지 않는 비율) 로만 줄인 단순화된 모델.

• 시간 척도 분석 (Scaling Analysis):

  • 유행 시간 척도 (Epidemic Time Scale): 감염 기간을 기준으로 한 빠른 시간 척도. 초기 대유행 파동과 감염자 수의 변화를 수치 시뮬레이션으로 분석.
  • 풍토병 시간 척도 (Endemic Time Scale): 인구 평균 수명을 기준으로 한 느린 시간 척도. 장기적 평형 상태 (Equilibrium) 와 안정성 분석을 위해 차원 없는 변수로 변환 및 점근적 근사 (Asymptotic approximation) 사용.

• 매개변수: 기본 재생산수 ($R_0$), 기피 비율 ($W$), 백신 유효성 ($\sigma, \eta, \alpha$), 접종 속도 ($\theta$) 등을 다양한 시나리오로 설정하여 분석.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 풍토병 시나리오 (Endemic Scenario)

• 결과: 백신 기피를 무시하거나 단순히 접종률 상수를 조정하는 것은 매우 큰 오차를 초래하며, 이를 상수 조정으로 보정하는 것은 효과가 없습니다.
• 이유: 장기적 평형 상태에서는 기꺼이 접종하는 집단이 감염되기 전에 빠르게 접종되어 사라지기 때문에, 접종률의 절대적 속도 ($\theta$) 보다는 기피 인구의 존재 여부 ($W$) 가 평형 상태의 안정성 (질병 근절 여부) 과 감염률을 결정하는 핵심 인자가 됩니다.
• 수학적 발견: 기본 재생산수 ($R_v$) 와 평형 감염률 ($F$) 은 기피 비율 $W$에 선형적으로 의존하지만, 접종률 상수 $\theta$에는 1 차 근사 (leading order) 에서 의존하지 않습니다. 즉, 상수를 줄이는 것은 모델 구조를 바꾸지 않는 한 무의미합니다.
• 시사점: 풍토병 모델에서는 반드시 상태 도표에 기피 인구를 명시적으로 포함해야 합니다.

B. 유행 시나리오 (Epidemic Scenario)

• 결과: 오차의 크기는 질병의 전염성 ($R_0$) 과 백신 접종 속도 ($\theta$) 의 상대적 관계에 따라 달라집니다.
  • 고전염성 + 느린 접종: 백신의 영향이 제한적이므로 기피를 무시해도 오차가 크지 않음.
  • 저전염성 + 빠른 접종: 백신이 큰 효과를 발휘할 수 있는 환경에서 기피를 무시하면 오차가 매우 큽니다.
• 상수 조정의 한계: 접종률이 빠른 경우, 단순히 상수를 줄이는 방식 (간단한 모델) 은 실제 기피를 고려한 모델 (복잡한 모델) 과 비교하여 감염자 수 ($bI$) 와 접종자 수 ($V$) 에서 유의미한 오차를 보입니다. 특히 백신이 효과적이고 접종이 빠를수록 이 오차는 커집니다.

4. 논의 및 의의 (Discussion & Significance)

• 모델링 전략의 차별화:
  • 풍토병 모델: 질병 근절 가능성, 평형 상태 안정성, 장기적 질병 부담을 분석할 때 백신 기피를 모델 구조 (상태 도표) 에 반영하는 것이 절대적으로 필수적입니다. 상수 조정만으로는 불가능합니다.
  • 유행 모델: 단기적 결과 (초기 파동에서의 감염 회피 비율) 를 분석할 때는 상수 조정이 어느 정도 허용될 수 있으나, 정밀한 분석이 필요하거나 백신/접종 속도가 빠를 경우 구조적 반영이 필요합니다.
• 실무적 함의:
  • 공중보건 정책 수립 시, 백신 기피 인구를 단순히 '접종률 감소'로만 해석하는 것은 위험할 수 있습니다. 특히 백신 효과가 좋고 접종이 빠른 상황에서는 기피 인구를 명시적으로 구분하지 않으면 질병 통제 목표를 과대평가하게 됩니다.
  • 수치 시뮬레이션의 계산 비용은 변수를 추가하더라도 미미하므로, 복잡성이 증가하더라도 모든 시나리오에서 기피 인구를 모델 구조에 포함하는 것이 바람직합니다.

5. 결론

이 연구는 전염병 모델링에서 백신 기피 현상을 단순한 '접종률 감소'로 처리하는 것이 풍토병 상태에서는 치명적인 오류를, 유행 상태에서는 조건에 따라 심각한 오차를 초래함을 증명했습니다. 특히 장기적 질병 통제 전략을 수립할 때는 백신 기피 인구를 모델의 상태 변수 (State Variable) 로 명시적으로 포함시키는 것이 과학적 정확성과 정책적 타당성을 위해 필수적입니다.