Infectious disease modeling for public health practice: projections, scenarios, and uncertainty in three phases of outbreak response

기술 요약: 공중 보건 실무를 위한 감염병 모델링

문제 정의
공중 보건 부서는 감염병 발생 시 의사결정을 지원하기 위해 근거에 기반한 시나리오 투영(scenario projections)을 필요로 한다. 그러나 전통적인 감염병 모델은 종종 지역 보건 부서의 긴급하고 진화하는 우선순위에 즉각적으로 배치되거나 대응하기 어렵다. 또한, 모델 출력값의 불확실성이 충분히 평가되거나 전달되지 않는 경우가 많으며, 이는 실무자와 대중 사이의 신뢰를 저해할 수 있다. '예측(forecasting, 특정 미래 결과의 예측)'과 '시나리오 모델링(scenario modeling, 현상 유지 또는 대안적 조건 하에서의 결과 투영)' 사이에는 중요한 차이가 존재하지만, 이 둘의 구분이 모호하여 잘못된 기대치를 초래하는 경우가 빈번하다. 본 논문은 데이터 가용성과 모델링 요구사항이 유행의 각 단계에 따라 달라지는 점을 고려하여, 실행 가능한 수치 제공과 불확실성의 정확한 전달 사이의 균형을 맞추는 프레임워크의 필요성을 다룬다.

방법론
저자들은 보고된 사례, 입원, 사망 등의 데이터 스트림을 활용하여 세 단계의 유행 대응 단계로 나뉜 계층적 모델링 프레임워크를 제안한다. 이 접근 방식은 감염-사례 비율, 사례-입원 비율, 사례-치명률, 그리고 사례·입원·사망 간의 보고 지연(reporting lags)과 같은 특정 데이터 파라미터를 통합한다.

1. 1단계: 예비 투영 (지역 내 유입 전)

   • 맥락: 지역 내 확산이 탐지되기 전 단계.
   • 모델: 지수 성장 모델(Exponential growth model).
   • 방법: 과거 또는 진행 중인 유행 데이터를 기반으로 투영을 생성한다. 지역 데이터가 존재하지 않으므로, 현실적인 범위 내에서 다수의 파라미터 조합을 생성하기 위해 Sobol' 샘플링을 사용하여 불확실성을 정량화한다. 투영된 각 일자별로 신뢰 구간(credible intervals)을 계산한다.
   • 목표: 선제적 계획 수립 및 자원 요청을 지원하기 위해 잠재적인 지역 확산 속도와 규모를 추정하는 것이다.

2. 2단계: 지역 내 지수 성장

   • 맥락: 지역 내 전파가 지속되고 유행이 지수적으로 성장하는 단계.
   • 모델: 최근 지역 데이터에 의해 정보가 제공되는 지수 성장 모델.
   • 방법: 최근 데이터(통상 2주간의 기간)에 모델을 적합시키기 위해 최대 우도 추정법(Poisson 분포를 가정한 음의 로그 가능도 최소화)을 사용한다. 초기 사례 수, 배가 시간(doubling time), 결과 비율 등의 파라미터를 추정한다. 식별 불가능한 파라미터(예: 감염-사례 비율)는 1단계의 범위를 활용한 민감도 분석을 통해 처리한다. 불확실성은 최적 적합 값의 ±25% 범위 내에서 파라미터 조합을 샘플링하여 신뢰 구간을 생성함으로써 포착한다.
   • 목표: 즉각적인 계획 수립을 가이드하기 위한 단기(2주) 현상 유지(status quo) 투영을 제공하는 것이다.

3. 3단계: 개입이 고려되는 확립된 전파

   • 맥락: 개입이 고려되는 확립된 전파 단계.
     로 모델: 미분 방정식을 통해 시뮬레이션되는 기계론적 구획 모델(Susceptible–Latent–Infectious–Recovered, 또는 SLIR).
   • 방법: 모델은 유효 전파율과 구획 간의 지연을 고려한다. 2단계 불확실성 분석을 채택한다:
     1. 식별 불가능한 파라미터(예: 초기 감염 비율, 잠복기/회복률)에 대해 대량의 조합을 샘플링한다.
     2. 각 샘플링된 세트에 대해, 최대 우도법을 통해 식별 가능한 파라미터(예: 유효 재생산수 $R_e$, 보고 비율)를 추정한다.
     3. 최소값보다 높은 음의 로그 가능도를 가진 파라미터 세트를 폐기한다.
     4. 남은 세트들에 대한 투영을 생성하여 50% 및 95% 신뢰 구간을 도식화한다.
   • 시나리오 분석: 이 프레임워크는 서로 다른 개입 시나리오나 행동 변화에 따른 잠재적 궤적을 보여주기 위해 재생산수의 ±25% 변화를 시뮬레이션하는 것과 같은 "인 실리코(in silico)" 실험을 허용한다.

주요 기여

• 단계별 모델링 프레임워크: 본 논문은 데이터 가용성과 모델링 요구사항이 유행의 단계에 따라 진화한다는 점을 인정하며, 세 가지 유행 단계에 적합한 특정 모델링 전략을 구분한다.
• 예측과 시나리오 모델링의 구분: 모델을 정밀한 예측(forecasting)이 아닌 시나리오 계획(answering "what if" questions)을 위한 도구로 명시적으로 프레임화하며, 투영값과 실제 결과의 괴리는 모델의 실패가 아니라 기저 파라미터(예: 전파율)의 변화를 반영하는 것임을 강조한다.
• 불확실성 정량화: 단일 점 추정을 넘어 최선, 최악 및 신뢰 구간을 제공하는 구조화된 불확실성 정량화 접근 방식을 제공한다. 여기에는 샘플링과 민감도 분석을 통한 식별 불가능한 파라미터 처리 방식이 포함된다.
• 실용적 툴킷: 공중 보건 파트너와 모델러들이 새로운 유행마다 "바퀴를 다시 발명할" 필요를 줄이기 위해, 미시간 COVID-19 데이터(2020-2021)를 사용한 오픈 소스 코드와 예시를 제공한다.

결과
미시간 COVID-19 데이터를 사용하여 저자들은 다음과 같이 프레임워크의 적용을 입증하였다:

• 1단계: 단일 유입으로부터 시작되는 6주간의 결과를 투영하였으며, 잠재적 규모를 설명하기 위해 넓은 범위(예: 95% CI 기준 1,500~15,100건의 보고된 사례)를 산출하였다.
• 2단계: 2020년 11월 데이터를 바탕으로 2주간의 현상 유지 투영을 생성하였으며, 보고된 사례 6,600건(95% CI: 4,100~12,000)과 입원 400건을 추정하였고, 최적 적합 배가 시간은 17.2일이었다.
• 3단계: SLIR 모델을 사용하여 확립된 전파(2021년 4월)를 모델링하였으며, $R_e$를 1.71로 추정하였다. 모델은 현상 유지 조건 하에서 4주 후 중앙값 12,000건의 사례를 투영하였다. 결정적으로, 본 연구는 대체 시나리오(예: $R_e$의 25% 증가 또는 감소)가 어떻게 매우 다른 궤적을 만들어내는지, 그리고 $R_e$를 45% 감소시킨 사후 시나리오가 실제 보고된 데이터와 어떻게 일치하는지를 보여줌으로써 시나리오 모델링의 유용성을 검증하였다.

의의 및 주장
본 논문은 모델을 보다 투명하고 적시에, 그리고 적절하게 사용하기 위한 "개념적 가이드 및 실용적 툴킷"을 제공한다고 주장한다. 주요 의의는 다음과 같다:

• 접근성: 복잡한 기계론적 모델을 모든 경우에 사용할 필요 없이, 생각 깊게 적용된다면 비교적 단순한 "간이(back-of-the-envelope)" 분석 접근법(예: 지수 성장 모델)이 공중 보건 실무자들에게 매우 효과적일 수 있음을 입증한다.
• 신뢰 구축: 불확실성을 엄격하게 전달하고 현상 유지 투영과 예측을 구분함으로써, 실제 결과가 지나치게 확신에 찬 예측과 다를 때 발생하는 신뢰 상실을 방지하고자 한다.
• 실행 가능성: 모델은 정밀한 미래 결과를 예측하기보다는 계획(예: 병상 용량, PPE 필요량)을 수립하고 행동을 촉구하기 위해 설계되었다.
• 협업: 모델러와 공중 보건 파트너가 모델링 노력의 목표, 한계 및 기대치에 대해 공유된 이해를 갖는 것이 필수적임을 강조한다.

저자들은 이 모델들이 특정 유행에 맞춰 수정될 수 있는 시작점이며, 모든 전파 역학(예: 고도로 밀집된 네트워크 또는 인수 공통의 점원 발생)에 적합한 것은 아니라고 명시했다. 이 연구는 향후 유행에 대한 대비 태세를 개선하기 위한 Insight Net Modeling Guidance for Public Health Working Group의 토대로 기능한다.