Occupational Risk Profiles for Infectious Disease Transmission in the Philippines: A Data-Driven Clustering Analysis

본 연구는 필리핀에서 감염병 전파와 관련된 특정 직업의 위험 프로파일을 식별하기 위해 데이터 기반의 직업별 지표 군집화를 활용하여, 저소득 직종이 더 높은 노출 위험에 직면하는 사회경제적 계층 구조를 드러내고 표적 공중보건 개입을 위한 틀을 제시한다.

핵심

필리핀을 모든 사람이 서로 다른 직업을 가진 거대하고 분주한 도시라고 상상해 보세요. 어떤 사람들은 조용하고 에어컨이 잘 작동하는 사무실에서 자신만의 개인 실을 가지고 일하는 반면, 다른 사람들은 붐비는 시장, 바쁜 병원, 혹은 시끄러운 건설 현장에서 일합니다.

이 논문은 전염병 (인플루엔자나 결핵과 같은) 에 걸리는 데 있어 어떤 직업이 가장 위험한지 파악하려는 탐정 이야기와 같습니다. 단순히 추측하거나 '의료'나 '서비스'와 같은 광범위한 범주로 직업을 묶는 대신, 저자들은 컴퓨터를 사용하여 986 개의 서로 다른 직업에 대한 실제 세부 사항을 분석하고 다음 두 가지 주요 요소를 기반으로 자연스러운 그룹으로 분류했습니다.

1. 노출 정도: 얼마나 많은 사람을 만나고, 그들 곁에 얼마나 오래 서 있으며, 직장 환경이 얼마나 붐비는지.
2. 소득 수준: 이는 좋은 마스크를 구매하거나, 병가를 내거나, 재택근무를 하는 등 자신을 보호할 수 있는 권력을 얼마나 가지고 있는지에 대한 단서 역할을 합니다.

"스마트 분류" 실험

연구진들은 완벽한 케이크를 굽기 위해 다양한 레시피를 시도하듯, 이 직업들을 분류하는 다섯 가지 다른 방법을 시도했습니다. K-평균 (K-means), 계층적 군집화 (Hierarchical clustering) 등의 방법을 사용했습니다.

• 승자: 두 가지 방법이 가장 잘 작동했습니다. 하나는 (K-평균) 직업을 4 개의 큰 그룹으로 분류했고, 다른 하나 (계층적) 는 6 개의 더 세분화된 그룹으로 분류했습니다.
• 패자: 일부 방법은 혼란을 겪거나 별로 의미가 없는 그룹을 만들어냈으므로, 연구진들은 두 명의 승자에 초점을 맞추기로 결정했습니다.

네 가지 주요 그룹 (거시적 관점)

가장 좋은 방법을 사용하여 연구진들은 네 가지 뚜렷한 직업의 '이웃'을 발견했습니다.

1. "전선 전투원" (고위험, 저소득):

   • 누구: 의사, 간호사, 경찰관, 교사, 보육 종사자.
   • 상황: 이 사람들은 끊임없이 낯선 사람을 안거나, 대화하거나, 돕습니다. 그들은 군중을 쉽게 피할 수 없기 때문에 가장 먼저 병에 걸립니다.
   • 문제점: 그들은 종종 소득이 낮아, 아플 때 집에 머물거나 최고의 보호 장비를 구매할 돈이나 직무 유연성이 부족할 수 있습니다.

2. "사무실 전문가" (중간 위험, 고소득):

   • 누구: 엔지니어, 과학자, 관리자, IT 전문가.
   • 상황: 그들은 사람들과 상호작용하지만, 보통 사무실이나 실험실과 같은 통제된 환경에서 합니다. 그들은 약간의 위험을 안고 있지만, 이는 관리 가능합니다.
   • 장점: 그들은 소득이 높고 직무 안정성이 더 좋으므로, 필요한 경우 더 나은 안전 장비를 구매하거나 재택근무를 할 수 있습니다.

3. "혼합 가방" (가변적 위험, 저소득):

   • 누구: 건설 노동자, 운전자, 소매점 직원, 서비스 종사자.
   • 상황: 이는 거대하고 messy 한 그룹입니다. 어떤 날은 안전하지만, 다른 날은 매우 붐비는 곳에 있습니다. 그들의 위험은 구체적인 업무에 따라 크게 변합니다.
   • 문제점: 전선 전투원과 마찬가지로, 그들은 종종 소득이 낮아 환경을 통제하기 어렵습니다.

4. "VIP" (저위험, 고소득):

   • 누구: CEO, 판사, 고위 군인, 항공기 조종사.
   • 상황: 이러한 직업들은 보통 매우 통제된, 사적인, 또는 규제가 엄격한 공간에서 수행됩니다. 그들은 거의 붐비는 줄에 서거나 낯선 사람을 만지지 않습니다.
   • 장점: 그들은 가장 많은 자원을 가지고 있으며 안전에 대한 통제력이 가장 큽니다.

"6 개 그룹" 확대 보기

연구진들이 더 세분화된 방법 (6 개 그룹 버전) 을 사용했을 때, 훨씬 더 흥미로운 분할을 발견했습니다. 예를 들어, 모든 '의사'가 고위험군이지만, 의사의 유형이 중요하다는 것을 깨달았습니다. 어떤 고위급 의료 전문가들은 매우 높은 소득을 가지면서도 여전히 고위험인 그룹에 속하는 반면, 지원 직원은 낮은 소득과 고위험을 가진 그룹에 속합니다. 이는 돈이 항상 안전을 의미하는 것은 아니지만, 위험을 더 잘 관리하는 데는 도움이 된다는 것을 보여줍니다.

핵심 교훈

이 논문에서 얻은 주요 교훈은 위험이 고르게 분포되어 있지 않다는 것입니다.

• 불공정성: 질병에 걸릴 가능성이 가장 높은 사람들은 종종 돈이 가장 적고 상황을 바꿀 수 있는 권력이 가장 적은 사람들입니다.
• 해결책: 저자들은 '모든 근로자'를 동일하게 취급해서는 안 된다고 말합니다. 대신, 이러한 특정 그룹을 살펴봐야 합니다. 정확히 어떤 직업이 '전선 전투원'인지 안다면, 모든 것을 한 가지 규칙으로 해결하려는 시도를 하는 대신, 그들에게 가장 많은 보호, 최고의 마스크, 그리고 가장 많은 지원을 제공할 수 있습니다.

간단히 말해, 이 논문은 수학을 사용하여 직장 환경의 지도를 그려, 정확히 어디에 '위험 지역'이 있고 누가 그곳에 살고 있는지 보여줌으로써, 올바른 사람들을 먼저 도울 수 있게 합니다.

기술 요약

기술 요약: 필리핀에서의 감염병 전파에 대한 직업적 위험 프로파일

문제 제기
직장 환경에서의 감염병 전파는 접촉 패턴, 노출 지속 시간, 환경 조건을 결정하는 특정 직업 활동에 의해 주도됩니다. 기존 문헌은 지속적이고 밀접한 접촉이 이루어지며 혼잡한 조건을 수반하는 직업이 높은 위험에 직면한다고 인정하고 있으나, 필리핀의 현재 평가들은 종종 광범위한 부문 기반 분류나 기술적 정성적 접근법에 의존합니다. 이러한 방법들은 특정 직무 역할 간의 세밀한 위험 변이를 포착하지 못하며, 노출 역학과 사회경제적 취약성 간의 상호작용을 크게 간과합니다. 결과적으로 필리핀 노동력을 대상으로 감염병 전파 위험을 특징짓고 표적화된 공중보건 개입을 informing 할 수 있는 정량적, 데이터 기반 프레임워크가 부족합니다.

방법론
본 연구는 필리핀의 986 개 직업에 대한 데이터 세트를 활용하여 직업적 위험을 프로파일링하기 위해 비지도 기계 학습 접근법을 사용합니다. 분석은 두 가지 주요 변수를 통합합니다:

1. 감염병 확산 위험 점수: "Job Risk Calculator"(Dy 와 Rabajante, 2020 의 프레임워크 기반) 에서 도출된 이 점수는 네 가지 결정 요인인 접촉률 (시간당 상호작용 수), 근무 교대 시간, 군중 밀도, 그리고 보호 수준 (개인보호구, 위생, 공학적 통제) 에 기반하여 노출을 정량화합니다. 점수는 다음과 같이 계산됩니다:
   $$위험 점수 = \frac{접촉 점수 + 근무 교대 시간 점수}{2} \times 군중 밀도 \times (1 - 보호 수준)$$
2. 평균 월 소득: 위험 완화 조치 수용 능력의 척도이자 사회경제적 취약성의 대리 변수로 사용됩니다.

본 연구는 이러한 두 차원을 기반으로 직업을 그룹화하기 위해 다섯 가지 비지도 군집화 알고리즘을 적용하고 비교합니다:

• K-평균 군집화 (partition-based)
• 계층적 군집화 (agglomerative, Ward's linkage 사용)
• 스펙트럴 군집화 (graph-based)
• 가우시안 혼합 모델 (GMM) (model-based)
• DBSCAN (density-based)

군집의 유효성과 견고성은 실루엣 점수 (Silhouette Score), Davies–Bouldin (DB) 지수, Calinski–Harabasz (CH) 지수와 같은 내부 지표를 사용하여 평가됩니다. 본 연구는 안정적이고 해석 가능하며 잘 분리된 그룹화를 보여주는 방법들을 우선시합니다.

주요 결과
분석 결과, 직업적 위험은 균일하게 분포되어 있지 않으며 사회경제적 지위와 연결된 뚜렷한 경사를 따르는 것으로 나타났습니다.

• 방법론적 성과: K-평균 ($k=4$) 과 계층적 군집화 ($k=6$) 는 더 높은 실루엣 및 CH 점수와 더 낮은 DB 지수로 입증된 가장 안정적이고 해석 가능한 구조를 생성했습니다. 스펙트럴 군집화, GMM, DBSCAN 은 덜 일관된 그룹화를 산출하거나 매개변수 선택에 과도하게 민감했습니다.
• K-평균 군집화 ($k=4$): 네 가지 뚜렷한 프로파일을 식별했습니다:
  • 군집 1: 고위험, 저~중간 소득. 의료 (의사, 간호사), 응급 대응, 돌봄 서비스, 그리고 고접촉 서비스 역할 (교사, 운송) 이 주를 이룹니다.
  • 군집 2: 중간 위험, 고소득. 구조화된 환경에서 근무하는 전문가, 기술, 관리직 (엔지니어, 과학자, IT 전문가) 으로 구성됩니다.
  • 군집 3: 변동적 위험, 저~중간 소득. 숙련된 기술직, 물류, 서비스 역할의 이질적인 혼합입니다.
  • 군집 4: 저위험, 고소득. 통제된 환경에서 근무하는 고위 경영진, 임원, 전문직 (판사, 파일럿) 입니다.
• 계층적 군집화 ($k=6$): 더 세분화된 분할을 제공하여 고위험 및 중간 위험 카테고리 내에서 추가적인 구분을 가능하게 했습니다. 특히, 고위 임원직 (저위험, 고소득) 을 전문가/기술직 (중간 위험, 고소득) 과 분리했으며, 광범위한 서비스 지향 고위험 그룹과 구별되는 다양한 소득 스펙트럼을 가진 임상 및 응급 인력이 주를 이루는 특정 "핵심 고노출" 군집 (군집 6) 을 식별했습니다.

주요 기여

• 데이터 기반 계층화: 본 연구는 필리핀 상황에 특화된 직무 수준 위험 계층화 프레임워크를 제공하기 위해 광범위한 부문 분류를 넘어섭니다.
• 사회경제적 통합: 감염병 노출 위험이 소득 수준과 어떻게 상관관계가 있는지를 명시적으로 보여주며, 고위험 역할이 종종 위험을 완화할 경제적 능력이 낮은 근로자 사이에 집중되어 있음을 강조합니다.
• 방법론적 비교: 직업 건강 데이터에 대한 여러 군집화 알고리즘의 효율성을 평가하여, 본 특정 데이터 세트 구조에는 분할 기반 및 계층적 방법이 우월함을 입증합니다.

의의 및 주장
저자들은 본 연구가 표적화된 직장 개입과 공평한 공중보건 자원 배분을 위한 실용적인 프레임워크를 제공한다고 주장합니다. 공유된 노출 특성과 사회경제적 맥락을 포착하는 잠재적 그룹화를 식별함으로써, 연구 결과는 다음을 지원합니다:

1. 위험 기반 감시: 모니터링 및 자원 배분을 위해 고위험 직업 (예: 의료, 응급 서비스, 고접촉 서비스) 을 우선순위화합니다.
2. 정책 계획: 일률적인 부문 정책에서 벗어나 노출 위험과 구조적 취약성 모두를 해결하는 직업별 전략으로 전환합니다.
3. 형평성: 고노출 근로자가 종종 위험 완화를 위한 경제적 자원을 결여하고 있는 구조적 불평등을 강조하여, 위험 보상 강화와 안전 기준 강화의 필요성을 시사합니다.

본 논문은 위험 점수가 일반화된 모델링과 횡단면 데이터에 기반하고 있지만, 기계 학습과 공중보건 원칙의 통합이 필리핀의 복잡한 직업 건강 문제를 해결하기 위한 견고하고 증거 기반의 접근법을 제공한다고 결론지었습니다.