Food insecurity, caloric intake and nutritional status among children under 5 years old: a predictive modelling analysis of the MAL-ED multi-country cohort

핵심 질문: 우리는 배고픈 아이들의 미래를 예측할 수 있을까?

당신이 위기 지역에서 활동하는 인도주의 구호 요원이라고 상상해 보세요. 당신은 아이들이 영양실조(체중이 줄고 기력이 약해지는 상태)에 걸리기 전에 음식을 보내주기 위해, 아이들이 영양실조에 걸릴 것인지를 미리 알아야 합니다.

보통 이를 알기 위해서는 직접 현장에 가서 모든 아이의 몸무게를 재고, 부모에게 어제 무엇을 먹었는지 정확히 물어봐야 합니다. 하지만 전쟁 지역이나 재난 지역에서는 이것이 불가능한 경우가 많습니다. 마을에 접근할 수 없거나, 너무 위험할 수 있기 때문입니다.

그래서 연구자들은 아주 단순한 질문을 던졌습니다. "컴퓨터 모델을 사용해 아이의 영양 상태 미래를 '추측'할 수 있을까?"

그들은 두 가지를 예측하고 싶었습니다:

1. 아이의 체중이 변할 것인가? (가족이 얼마나 배고픈지에 따라)
2. 아이가 음식을 얼마나 먹을 것인가? (가족이 얼마나 배고픈지에 따라)

연구자들은 만약 컴퓨터가 이 패턴을 학습할 수 있다면, 구호 요원들이 '식량 불안정성' 점수만 보고도 모든 아이를 일일이 측정하지 않고도 아이들이 병에 걸릴지 여부를 즉시 알 수 있기를 바랐습니다.

실험: 컴퓨터를 위한 "훈련 학교"

이를 테스트하기 위해 연구자들은 새로운 데이터를 만들지 않았습니다. 대신, 매우 정교하고 상세한 연구인 MAL-ED라는 기존의 고품질 데이터를 활용했습니다. 이 연구는 방글라데시, 페루, 탄자니아 등 8개국의 수천 명의 아이들을 태어나서부터 5세까지 추적 조사한 것입니다.

MAL-ED 연구를 완벽하게 정리된 훈련 학교라고 생각하면 됩니다. 선생님(연구자)들은 매우 엄격했습니다. 그들은 매달 아이들의 체중을 측정했고, 부모에게 아이가 지난 24시간 동안 무엇을 먹었는지 정확히 물었으며, 아이가 열이 나거나 설사를 할 때마다 기록했습니다.

연구자들은 이 "완벽한" 데이터를 가져와서 네 가지 유형의 컴퓨터 "학생"(통계 모델)들에게 예측하는 법을 가르쳤습니다. 그들은 "학교" 데이터를 사용하여 학생들을 가르쳤고, 그 후 학생들이 새로운 데이터(학습하지 않은 데이터)를 보고 정답을 맞힐 수 있는지 테스트했습니다.

세 가지 추측 게임

연구자들은 세 가지 특정 게임을 설정했습니다:

• 게임 1 (배고픔과 체중의 관계 추측): "만약 가족이 식량 불안정(음식 걱정)을 겪고 있다고 말한다면, 아이의 체중이 줄어들 것이라고 예측할 수 있을까?"
• 게임 2 (음식과 체중의 관계 추측): "만 if 아이가 정확히 몇 칼로리를 섭취했는지 안다면, 아이의 체중이 줄어들 것이라고 예측할 수 있을까?"
• 게임 3 (배고픔과 음식 섭취량의 관계 추측): "만약 가족이 식량 불안정을 겪고 있다면, 아이가 정확히 몇 칼로리를 섭취했을지 예측할 수 있을까?"

결과: 컴퓨터는 갈피를 잡지 못했다

결과는 실망스러웠습니다. 컴퓨터 모델들은 예측에 매우 서툴렀습니다.

• "흐릿한 사진" 효과: 논문에서는 이를 "회귀 희석(regression dilution)"이라고 설명합니다. 빠르게 달리는 자동차를 찍으려는데 카메라가 흔들려서 사진이 흐릿하게 나오는 상황을 상상해 보세요. 자동차가 있다는 것은 알 수 있지만, 정확히 어디에 있는지, 얼마나 빨리 가고 있는지는 알 수 없습니다.

  • 이 연구에서 "흐릿함"은 인간의 측정값이 결코 완벽하지 않다는 사실에서 왔습니다. 부모에게 "음식 걱정을 했나요?" 혹은 "아이가 얼마나 먹었나요?"라고 묻는 것은 주관적이며 오류가 생기기 쉽습니다.
  • 입력 데이터 자체가 "흐릿했기" 때문에, 컴퓨터의 예측 또한 흐릿했습니다. 모델들은 "식량 불안정"과 "체중 감소" 사이의 직선적인 관계를 그려내지 못했습니다.

• "약한 신호" 문제: 연구자들은 조사 대상 국가들에서 "음식에 대한 걱정"과 "아이의 체중 감소" 사이의 연결 고리가 놀라울 정도로 약하다는 것을 발견했습니다.

  • 비유: 지붕이 새는 집을 상상해 보세요. 지붕이 새면 바닥이 바로 젖을 것이라고 예상할 수 있습니다. 하지만 이 연구의 가족들은 "지붕(식량 안보)"이 새고 있음에도 "바닥(아이의 체중)"이 젖지 않았습니다. 왜일까요? 가족들이 다른 방식으로 대처했기 때문입니다. 예를 들어, 아이가 더 먹을 수 있도록 성인이 덜 먹거나 저축한 돈을 사용하는 등의 방식입니다. 컴퓨터 모델은 이러한 숨겨진 대처 기제들을 포착하지 못했습니다.

• "하나의 사이즈로 통일하기"의 실패: 심지어 특정 국가(페루나 인도 등)만을 대상으로 컴퓨터를 가르치려고 시도했을 때도, 정확한 예측을 하는 데 실패했습니다.

왜 실패했을까? (흐릿함의 원인)

논문은 컴퓨터가 임무를 수행하지 못한 몇 가지 이유를 제시합니다.

1. 데이터가 너무 "안전"했다: MAL-ED 연구는 전쟁 중이나 대규모 기근이 발생한 곳이 아닌, 안정적인 공동체에서 진행되었습니다. 이는 마치 주차장에서만 운전하며 레이싱 카 운전법을 배우려는 것과 같습니다. 식량 불안정이 즉각적인 기아로 이어지는 "극단적인" 상황이 데이터에 존재하지 않았기 때문에, 모델은 실제 위기 상황에서 무엇을 찾아야 하는지 배우지 못했습니다습니다.
2. 측정 오류: 음식 섭취량을 측정하는 도구(부모에게 어제 무엇을 먹었는지 기억해 내라고 하는 것)는 악명 높을 정도로 부정확합니다. 이는 단순히 눈으로 보고 밀가루 한 봉지의 무게를 맞히려는 것과 같습니다. 컴퓨터는 실제 신호가 아니라 "노이즈(무작위 오류)" 속에서 패턴을 찾으려 했습니다.
3. 너무 많은 변수: 아이의 체중은 음식만으로 결정되지 않습니다. 열이 나는지, 모유 수유를 하는지, 설사를 하는지, 그리고 나이가 몇 살인지 등이 모두 중요합니다. 컴퓨터는 이 모든 공을 다루려 했지만, "음식"이라는 공은 예측을 만드는 데 있어 너무 작고 흐릿해서 큰 영향을 주지 못했습니다.

결론

이 논문은 통계적인 지름길을 사용하여 아동 영양실조를 예측할 수는 없다고 결론짓습니다.

• 이것이 의미하는 바: "가족의 50%가 식량 불안정을 겪고 있다"라는 설문 조사 결과를 공식에 넣는다고 해서, "다음 달에 몇 명의 아이가 영양실조에 걸릴 것인가"에 대한 신뢰할 수 있는 숫자를 얻을 수는 없습니다.
• 현실적인 점검: 컴퓨터 모델이 실패한 이유는 현실 세계가 너무 복잡하고 무질서하여 단순한 방정식으로 설명할 수 없기 때문입니다. "음식에 대한 걱정"과 "아이가 병에 걸리는 것" 사이의 연결 고리는 직선이 아닙니다. 그것은 대처 기제, 질병, 그리고 측정 오류가 뒤엉킨 복잡한 그물망입니다.

핵심 요점: 만약 위기 상황에서 아이들이 영양실조에 걸렸는지 알고 싶다면, 여전히 직접 가서 측정해야 합니다. 식량 불안정 데이터만을 바탕으로 컴퓨터 모델이 대신 예측해주기를 기대해서는 안 됩니다. 그 "지름길"은 작동하지 않습니다.