A Dynamic Latent Space Model for Healthcare Mobility Networks: the Italian National Health Service case

기술 요약: 의료 이동 네트워크를 위한 동적 잠재 공간 모델

문제 정의
의료 이동성(healthcare mobility)—환자가 거주 지역 외부에서 치료를 받는 현상—은 분권화된 보건 체계 내에서 상당한 불평등과 재정적 불균형을 초러합니다. 이탈리아의 경우, 지역 보건 당국(ASL) 간의 지속적인 남북 격차는 국가 보건 서비스(SSN) 내의 불균형을 심화시켜 왔습니다. 기존의 모니터링 프레임워크는 대개 데이터를 지역 단위로 집계하기 때문에, 지역 내의 상당한 이질성을 가리는 경향이 있습니다. 또한, 중력 모델(gravity models)과 같은 전통적인 정량적 접근 방식은 기점-종점 쌍을 독립적인 것으로 취급하여, 상호성(reciprocity), 송신자/수신자 이질성, 고차 클러스터링과 같은 구조적 네트워크 특징을 포착하지 못합니다. 아울러, ASL 수준의 이동성 데이터는 높은 희소성(과잉 제로), 강한 과분산(overdispersion), 그리고 정적 모델로는 해결할 수 없는 시간적 역동성이라는 특정 통계적 과제를 안고 있습니다.

방법론
저자들은 의료 이동 데이터에 특화된, 유향 가중 네트워크(directed, weighted networks)를 위한 **베이지안 동적 잠재 공간 모델(Bayesian dynamic latent space model, LSM)**을 제안합니다. 이 프레임워크는 세 가지 핵심 통계 구성 요소를 통합합니다:

1. 허들 음이항 가능도(Hurdle Negative Binomial Likelihood): 데이터의 이중적 성격을 다루기 위해, 모델은 데이터 생성 과정을 두 부분으로 분해합니다:
   • 이진 컴포넌트(로지스틱 허들)는 양(+)의 흐름이 발생할 확률($\pi_{ij}^{(t)}$)을 결정하여, 구조적 제로와 샘플링 제로를 구분합니다.
   • 영 절단 음이‑이항(zero-truncated negative binomial) 컴포넌트는 양의 흐름의 크기를 모델링하며, 데이터에서 관찰되는 강한 과분산을 설명합니다.
2. 동적 잠재 공간(Dynamic Latent Space): 노드(ASL)는 저차원 유클리드 공간(해석력을 위해 $d=2$로 고정)에 임베딩됩니다. 노드 간의 잠재적 거리가 멀어질수록 상호작용 확률은 감소합니다. 시간적 의존성은 가우시안 랜덤 워크(Gaussian random walk)를 통해 모델링되며, 여기서 잠재 위치는 $x_i^{(t)} | x_i^{(t-1)} \sim N(x_i^{(t-1)}, \sigma_X^2 I_2)$를 따르며 시간에 따라 매끄럽게 진화하여 의료 체계의 진화하는 기하학적 구조를 포착합니다.
3. 곱셈적 송신자 및 수신자 효과(Multiplicative Sender and Receiver Effects): 방향성 비대칭성을 명시적으로 모델링하기 위해, 양의 흐름의 평균은 노드별 파라미터인 $\gamma_i$(송신자 효과, 환자를 보내는 경향)와 $\theta_j$(수신자 효과, 매력도)를 포함합니다. 이는 잠재 위치와 별도로 추정되어, 잠재 공간이 환자 교환의 대칭적이고 집계된 구조를 나타내도록 합니다.
4. 공변량 및 노출(Covariates and Exposure): 모델은 지리적 거리를 허들 컴포넌트 내의 억제 요인으로 포함하며, 영토 규모와 병원 역량의 차이를 통제하기 위해 주변 유량(marginal flow volumes)에 기반한 노출 항($E_{ij}^{(t)}$)을 포함합니다.

추정은 **메트로폴리스-헤이스팅스 내 깁스 MCMC 알고리즘(Metropolis–Hastings within Gibbs MCMC algorithm)**을 통해 수행됩니다. 사후 추론 과정에서는 랜덤 워크 단계를 통해 스칼라 파라미터를 업데이트하고, 회전 및 평행 이동에 대한 식별성을 확보하기 위해 프로크루스테스 변환(Procrustes transformations)을 사용하여 개별 노드 단위(노드별, 연도별)로 잠재 좌표를 업데이트합니다.

주요 결과
모델은 2018년부터 2024년까지 109개 이탈리아 ASL의 고관절 치환술 행정 기록에 적용되었습니다.

• 모델 선택: 곱셈적 송신자/수신자 효과, 허들 컴포넌트 내 지리적 거리, 그리고 노출 조정을 결합한 명세(Mult Geo Offset)가 가장 우수한 적합도(최저 DIC, 최고 코사인 유사도)를 보였으며, 네트워크의 관계적 구조를 성공적으로 재현했습니다.
• 잠재 기하학(Latent Geometry): 추정된 잠재 공간은 거시 지역별로 지속적인 클러스터링을 보여주었습니다. 특히 섬 지역(시칠리아 및 사르데냐)은 독특한 물류 및 의뢰 패턴을 반영하는 별도의 클러스터를 형성했습니다. 잠재 위치의 분산은 2018년부터 2024년까지 단조롭게 증가했으며, 특히 2019년과 2021년 사이에 코로나19 팬데믹으로 인한 선택적 수술의 중단과 맞물려 가속화되었습니다.
• 방향성 이질성: 노출 항의 포함은 수신자 효과의 해석을 크게 변화시켰습니다. 노출 보정이 없는 경우, 북부의 대규모 시설들이 절대적인 유량 덕분에 지배적인 것으로 나타납니다. 그러나 노출 보정을 적용했을 때, 모델은 사르데냐와 시칠리아의 소규모 허브 ASL들이 규모와 무관하게 높은 구조적 매력도와 외부 송신 경향을 가지고 있음을 식별해 냈습니다. 반면, 캄파니아 클러스터는 일관되게 높은 외부 송신 경향(수동적 이동)을 보였고, 롬바르디아 ASL들은 강한 지역 내 유지력(낮은 송신 효과)을 보였습니다.
• 과분산 역동성: 분산 파라미터($r$)는 2020~2021년 동안 일시적인 증가(과분산의 감소)를 보였는데, 이는 팬데믹 기간 동안 흐름이 확립된 경로를 따라 더 집중되었음을 나타냅니다. 2021년 이후 $r$이 감소한 것은 활동이 불균등하게 재개됨에 따라 유량 강도의 이질성이 다시 높아졌음을 시사합니다.
• 시뮬레이션 성능: 시뮬레이션 연구를 통해 MCMC 알고리즘이 다양한 희소성과 과분산 수준에서도 잠재 기하학(프로크루스테스 상관관계 > 0.96)과 송신자/수신자 효과(상관관계 > 0.98)를 매우 높은 정확도로 회복할 수 있음을 확인했습니다.

의의 및 주장
본 논문은 과잉 제로, 과분산, 네트워크 의존성을 동시에 해결하는 유향 가중 의료 이동 네트워크 분석을 위한 유연하고 통합된 프레임워크를 제공한다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 방법론적 통합: 허들 음이-이항 가능도와 명시적 송신자/수신자 효과를 갖춘 유향 가중 네트워크로 잠재 공간 모델을 확장하여, 방향성 이질성을 대칭적 잠재 구조와 분리하였습니다.
2. 세밀한 통찰: 데이터를 지역 단위가 아닌 ASL 단위로 분석함으로써, 집계된 분석에서는 가려질 수 있는 로컬 허브 및 주변부와 같은 미묘한 관계적 구조를 드러냅니다.
3. 정책적 관련성: 이 프레임워크는 의료 시스템의 진화하는 기하학적 구조를 모니터링하고, 외부 충격(팬데믹 등)의 영향을 정량화하며, 환자 흐름의 구조적 비대칭성을 밝혀내는 도구를 제공합니다. 이는 영토 보건 제공의 평가와 분권화 정책의 효과를 평가하는 데 기여합니다.

저자들은 본 모델이 밑바닥의 기하학적 구조와 구조적 비대칭성을 효과적으로 포착하지만, 주요 추론 목적은 작은 유량의 정확한 예측보다는 잠재 네트워크 구조의 회복에 있음을 강조합니다. 이 방법론은 관찰된 시간 경과에 따른 영토 단위 간의 유향 가중 흐름이 존재하는 모든 맥락에 직접 적용 가능합니다.