Uncovering identifiability of epidemiological models: basic reproduction number and complementary data streams

기술 요약: 역학 모델의 식별 가능성 규명

문제 정의
감염병 역학 모델은 역학적 파라미터를 추정하고 공중 보건 결정을 내리기 위해 감시 데이터에 맞춰 정교하게 조정됩니다. 그러나 근본적인 과제가 존재합니다. 관측 가능한 데이터는 종종 역학 과정의 부분적인 모습만을 포착한다는 점입니다. 이상적인 조건(완벽하고, 노이즈가 없으며, 연속적인 관측) 하에서도, 모델 구조와 가용 측정값만으로는 모든 파라미터를 고유하게 결정하기에 충분한 정보를 포함하지 못할 수 있습니다. 이러한 한계는 **구조적 식별 가능성(structural identifiability)**에 의해 공식적으로 규명됩니다. 이 테스트를 통과하지 못한 모델은 데이터의 품질이나 양에 관계없이 고유한 파라미터 추정치를 산출할 수 없습니다.

구조적 식별 가능성은 신뢰할 수 있는 추론을 위한 필수 전제 조건이지만, 현재의 역학적 관행은 다음과 같은 두 가지 중요한 미묘한 차이를 간과하는 경우가 많습니다:

1. 복합량(Composite Quantities): 모델이 개별 파라미터에 대해서는 구조적으로 식별 불가능할지라도, 여전히 식별 가능한 복합량(예: 기초 재생산 지수, $R_0$)이나 의사 결정에 중요한 관측 가능한 상태 변수를 산출할 수 있습니다.
2. 최소 보완 데이터(Minimal Complementary Data): 구조적 비식별성을 해결하기 위해 추가적인 보완 스트림으로부터 필요한 최소한의 데이터 양에 대한 체계적인 이해가 부족합니다.

방법론
저자들은 다양한 범주의 구획 모델(compartmental epidemic models) 전반에 걸쳐 구조적 식별 가능성을 조사하기 위해 미분 대수, 수치 최적화 및 이론적 증명을 결합한 체계적인 접근 방식을 채택했습니다.

• 미분 대수 접근 방식: 저자들은 StructuralIdentifiability.jl 소프트웨어 패키지를 통해 구현된 미분 대수 접근 방식을 주요 분석 도구로 사용합니다. 이 방법은 다음 과정을 포함합니다:

  1. 상태 변수를 제거하여 관측값과 파라미터로만 구성된 입출력 방정식을 유도합니다.
  2. 이 방정식의 계수들이 완전한 식별 가능한 파라미터 조합을 형성하는지 확인합니다.
  3. 개별 파라미터 또는 상태 변수가 이러한 조합들로 표현될 수 있는지 결정합니다.
  4. 상태 변수의 식별 가능성을 평가하기 위해 Lie 미분(Lie derivatives)을 사용합니다.
     참고: 저자들은 소프트웨어의 일부 단계가 무작위적일 수 있음을 인정하면서도, 필요에 따라 엄격한 수학적 증명을 제공하거나 검증을 위해 결정론적 도구(예: DAISも)를 사용했음을 밝힙니다.

• 수치적 시각화: 이론적 분석을 보완하기 위해 저자들은 MATLAB에서 다중 시작 로컬 최적화(multi-start local optimization)를 활용합니다. 여러 초기 파라미터 추측값으로부터 시뮬레이션된 노이즈 없는 완전한 발병 데이터를 사용하여 모델을 적합시킵니다. 최적화 지형에서의 비고유성(동등한 적합도를 보이는 여러 개의 서로 다른 파라미터 세트)은 식별 불가능성을 나타내는 시각적 지표 역할을 합니다.

• 모델 클래스: 본 연구는 다음을 포함한 광범위한 역학 모델을 다룹니다:

  • 표준 발생률을 가진 표준 SIR 모델.
  • 감마 분포를 따르는 잠복기(SEnIR) 및 감염기(SInR)를 가진 모델.
  • 분절적 및 가산적 사망률(SIRD)을 가진 모델.
  • 다중 전파 경로(콜레라: 인간 간 전파 및 수인성 전파)를 가진 모델.
  • 집계된 관측을 포함한 계층화된 인구 모델.
  • 숙주-매개체 역학(Ross-Macdonald 모델).
  • 비선형 발생률을 가진 행동 반응 모델.

주요 기여 및 결과

1. 비식별 파라미터에도 불구하고 복합량($R_0$)의 식별 가능성
본 연구는 모델의 구조적 비식별성이 역학적으로 중요한 복합량의 식별 가능성을 배제하지 않는다는 것을 보여줍니다.

• SIR 모델: 전파율($\beta$)과 인구 규모($N$)는 비식별적이지만(오직 그 비율인 $\beta/N$만이 식별 가능함), 기초 재생산 지수 $R_0$와 유효 재생산 지수 $R_e(t)$는 전역적으로 식별 가능합니다.
• SIRD 모델: 감염 치사율을 가진 모델에서는 전파율 및 치사율과 같은 개별 파라미터는 식별 불가능하지만, $R_0$는 전역적으로 식별 가능합니다.
• 콜레라 및 숙주-매개체 모델: 복잡한 전파 경로와 비식별 개별 파라미터(예: 특정 전파율 또는 인구 규모)에도 불구하고, $R_0$는 식별 가능한 조합들의 곱과 몫으로 분해되기 때문에 전역적으로 구조적 식별이 가능함이 입증되었습니다.
• 예외: 저자들은 포화형 발생 함수($k=1$)를 가진 행동 반응 모델에서의 반례를 확인했습니다. 이 특정 사례에서 $R_0$는 전역적이지 않고 *국소적(locally)*으로만 식별 가능하며, 이는 $R_0$가 항상 식별 가능하다는 가정에 도전합니다.

2. 전역 식별성을 위한 최소 보형 데이터
본 논문은 추가적인 상태 변수로부터 단 하나의 시점 측정값만 도입하더라도 구조적 비식별성을 해결할 수 있음을 증명합니다.

• SIR 모델: 회복자 인구 $R(t)$에 대한 단 하나의 노이즈 없는 데이터 포인트를 추가하면 모델 전체가 전역적으로 식별 가능해집니다.
• SIRD 모델: $S(t)$, $I(t)$, 또는 $R(t)$에 대한 단일 관측은 전파율과 치사율 사이의 상관관계로 인한 비식별성을 해결합니다.
• 콜레라 모델: 데이터 요구 사항은 관측 유형에 따라 다릅니다. 병원체 농도($W$)를 관측하려면 전역 식별성을 달성하기 위해 서로 다른 구획으로부터 두 개의 보완적인 데이터 포인트가 필요하지만, 병원체 유입($\alpha I$)을 관측하는 경우에는 단 하나의 데이터 포인트만 필요합니다.
• 행동 모델: $S(t)$ 또는 $R(t)$에 대한 단일 관측은 국소적으로 식별 가능한 행동 모델을 전역적으로 식별 가능한 모델로 전환합니다.

3. 상태 관측 가능성 vs. 파라미터 식별 가능성
본 연구는 파라미터의 전역적 식별성이 상태 변수의 전역적 식별성을 보장하지는 않는다는 점을 강조합니다. 예를 들어, 두 개의 하위 집단이 동일한 파라미터를 공유하는 계층적 SIR 모델의 경우, 집계된 파라미터는 식별 가능하지만 하위 집단의 개별 상태 변수는 식별 불가능하며, 오직 그들의 합계만이 식별 가능합니다.

의의 및 주장
저자들은 자신의 연구 결과를 역학 모델링 및 감시 설계에 대한 관점의 전환으로 제시합니다:

• 식별 가능성 질문의 재구성: 핵심 질문은 "모델이 식별 가능한가?"에서 "의사 결정에 중요한 양들이 식별 가능한가?"로 이동해야 합니다. 구조적으로 비식별적인 모델이라 할지라도, 공중 보건 결정에 필요한 특정 복합량(예: $R_0$)이 식별 가능하다면 "목적에 부합(adequate for purpose)"할 수 있습니다.
• 감시 설계에 대한 시사점: 제한된 자원을 여러 데이터 스트림의 빈번한 모니터링에 할당하거나 불확실한 외부 파라미터 추정치에 의존하기보다, 공중 보건 시스템은 단 하나의 고품질의 희소한 보완 측정을 수집하는 데 전략적으로 우선순위를 둘 수 있습니다. 본 연구는 (예를 들어, 감수 인구의 스냅샷을 제공하는 혈청 역학 조사와 같은) 보완적인 스트림으로부터 단 하나의 노이즈 없는 데이터 포인트만으로도 전역적 식별성을 달성할 수 있음을 시사합니다.
• 이론적 한계: 본 논문은 비선형 모델에 대한 일반적인 식별 가능성 결과를 도출하는 것의 어려움을 인정합니다. 감마 분포를 따르는 잠복기에 대해서는 전역적 식별성을 확립했지만, 행동 반응 모델의 패턴은 구조적 세부 사항(예: 지수 $k$)에 민려하며 여전히 파악하기 어렵다고 언급했습니다.

결론적으로, 본 연구는 역학 모델로부터 무엇을 신뢰성 있게 추론할 수 있는지에 대한 방법론적 토대를 제공하며, 완전한 모델 식별이 불가능할 때라도 유용한 추론이 가능하고, 최소한의 보완 데이터가 종종 완전한 식별성을 회복시킬 수 있음을 입증합니다.