Bridging surveillance gaps in dengue: a hierarchical model integrating mixed data sources for transmission estimation and vaccine targeting

문제 정의
뎅기열의 감염력(Force of Infection, FOI)을 추정하는 것은 전파 역학을 이해하고, 특히 백신 접종 프로그램을 타겟팅하기 위한 개입 전략을 수립하는 데 매우 중요하다. 그러나 인도네시아와 같은 풍토병 지역에서는 일상적인 감시 데이터가 불완전하거나 형식이 일관되지 않으며, 보고 편향(reporting bias)이 크게 나타나는 경우가 많다. 연령별 계층화된 사례 데이터는 FOI 추정에 풍부한 정보를 제공하지만, 많은 지역에서는 연간 총계만을 집계하여 보고한다. 반면, 혈청 유병률 조사는 누적 노출에 대한 보완적인 데이터를 제공하지만, 비용이 많이 들고 공간적으로 제한적이다. 기존의 촉매 모델(catalytic models)은 일반적으로 모든 지역에서 균일한 연령별 계층화 데이터를 요구하거나 파라미터를 독립적으로 추정하며, 단일 프레임워크 내에서 다양한 데이터 유형(연령별 계층화 사례, 총계 사례, 혈청 유병률)의 이질성을 활용하지 못한다. 이는 데이터의 품질과 형식이 서로 다른 지역들 사이에서 FOI와 보고율을 일관되게 추정하는 데 근본적인 어려움을 초래한다.

방법론
저자들은 연령별 계층화 사례 데이터, 총계 사례 데이터, 그리고 혈청 유병률 조사를 통일된 추론 프레임워크 내에서 결합하도록 설계된 베이지안 계층적 촉매 모델을 개발하였다. 이 모델은 2016년부터 2024년까지 인도네시아 자바와 발리 7개 주, 128개 지역을 대상으로 작동한다.

주요 방법론적 구성 요소는 다음과 같다:

• 계층 구조: 모델은 지역을 주 단위로 포함하는 2단계 계층 구조를 사용하여 정보의 부분 풀링(partial pooling)을 허용한다. 이러한 구조를 통해 서로 다른 데이터 완전성 수준(예: 어떤 지역은 9개 연령대, 어떤 지역은 4개 연령대, 어떤 지역은 총계만 있는 경우)을 가진 지역들이 동시에 기여할 수 있다.
• 역학적 가정: 모델은 동일한 혈청형별 FOI를 가진 4개의 공존하는 뎅기 혈청형을 가정한다. 또한 항체 의존적 면역 증강(ADE)으로 인해 2차 감염이 더 많이 보고될 가능성이 높다는 점을 고려하여, 1차 감염과 2차 감염을 구분한다.
• 공변량 통합: 외부 공변량(예: 해양 니노 지수(ONI), 도시화, 고도, 강수량, 감시 역량)을 통합하여 FOI와 보고율의 이질성을 설명한다. 이러한 외부 구조는 파라미터 식별성을 높이는 데 도움을 주며, 특히 사례 데이터만을 사용할 때 흔히 발생하는 FOI와 보고율 사이의 상충 관계(trade-off)를 해결한다.
• 역사적 재구성: 감시 기간 시작 시점의 인구 면역력을 초기화하기 위해, 모델은 데이터 이전 기간(10년 전)의 역사적 FOI를 재구성하고 먼 과거에는 일정한 FOI를 가정한다.
• 검증: 본 프레임워크는 데이터 완전성이 감소하는 네 가지 시나리오(전체 연령 계층화 데이터부터 총계 데이터만 있는 경우까지) 하에서 합성 데이터(synthetic data)를 사용하여 검증되었다.

주요 결과

• 합성 데이터 검증: 모델은 모든 데이터 완전성 시나리오에서 실제 파라미터 값을 성공적으로 회복하였다. 공변량을 포함한 모델은 가장 제한적인 연령별 계층화 데이터를 가진 시나리오(S4)에서도 FOI와 혈청 유병률에 대해 더 낮은 평균 제곱 오차(RMSE)를 보였다. 그러나 연구 결과, 공변량만으로는 점 추정치를 개선할 수는 있지만, 불확실성 추정이 불량(과도하게 확신하는 사후 분포)해지는 경향이 있었다. 신뢰 구간 범위(credible interval coverage)를 명목 수준에 가깝게 맞추기 위해서는 적어도 하나의 혈청 유병률 조사를 통해 모델을 고정(anchoring)하는 것이 필수적이었다.
• 실제 데이터 적용: 자바와 발리에 적용한 결과, FOI와 보고율에서 상당한 공간적 이질성이 드러났다.
  • 보고율: 추정된 보고율은 일반적으로 낮았으며(주별 중앙값 약 2~7.5%), 발리가 가장 높은 보고율을 보였다.
  • 전파 동인: 공변량 분석 결과, 해양 니노 지수(ONI)가 FOI에 가장 큰 양(+)의 영향을 미치는 것으로 나타났다. 놀랍게도 평균보다 높은 강수량은 낮은 FOI와 관련이 있었고, 높은 고도는 높은 FOI와 관련이 있었는데, 이는 자바의 특정 생태적 및 인구학적 맥락(예: 고지대에 위치한 도시 중심지)을 반영하는 것으로 보인다.
  • 시간적 추세: 모델은 주요 연간 정점(2016, 2019, 2022, 2024)을 포착했다. 2022년의 기저 FOI는 눈에 띄게 높았으며, 이는 엘니뇨 변동성 이상의 동인이 존재함을 시사한다.
• 백신 우선순위 결정: WHO 권고 기준(9세 시점 혈청 유병률 > 60%)을 사용하여, 모델은 백신 도입을 위한 우선순위 지역을 식лоidentifiction했다. 모델 기반의 혈청 유병률 우선순위와 발생률 기반의 우선순위 사이에는 상당한 불일치가 존재했다. 모델에 의해 고우선순위로 식별되었으나 발생 데이터에서 누락된 지역들은 중부 및 동부 자바(낮은 보고율을 보이는 지역)에 집중되어 있었고, 발생 데이터에는 나타나지만 모델에는 나타나지 않은 지역은 발리와 요그야카르타(높은 감시 역량을 가진 지역)에 있었다.

의의 및 주장
본 논문은 다양한 데이터 유형(연령별 계층화 사례, 총계 사례, 혈청 유병률)을 통합하여 이질적인 감시 환경에서도 일관되게 FOI와 보고율을 추정할 수 있는 유연한 베이지안 계층적 프레임워크를 개발한 것이 주요 기여라고 주장한다.

저자들의 주장은 다음과 같다:

1. 데이터 합성: 이 접근 방식은 기존 모델이 요구하는 균일한 데이터 형식의 한계를 극복하고, 서로 다른 데이터 유형을 올바르게 합성할 수 있게 한다.
2. 식별성: 공변량과 혈청 유병률의 포함은 파라미터 식별성을 크게 향상시킨다. 이는 표본 내 예측 성능(LOO-CV로 측정)이 시나리오 간에 유사하더라도 마찬가지이다.
3. 정책적 관련성: 모델 기반의 혈청 유병률 추정은 발생률에 비해 백신 도입을 위한 고우선순위 지역을 식별하는 데 있어 더 일관된 근거를 제공한다. 발생 데이터에만 의존하는 것은 감시 체계가 취약한 지역을 체계적으로 소외시키고, 사례 검출 능력이 좋은 지역을 과도하게 우선시할 위험이 있다.
4. 불확실성 정량화: 연구는 정책 결정에 불확실성을 전파하는 것의 중요성을 강조하며, 60% 혈청 유병률 임계치 근처의 많은 지역이 상당한 불확실성을 가지고 있어 고신뢰도 우선순위 결정을 위해 보수적인 기준(예: 사후 확률 > 75%)이 필요함을 언급한다.

저자들은 본 프레임워크가 데이터가 부족한 환경에서의 추정 능력을 개선하지만, 데이터 인프라(혈청 유병률 조사, 공변량 데이터)와 분석 역량에 대한 투자가 필요하다고 결론짓는다. 또한 보고율이 시간에 따라 일정하다는 가정과 혈청형 간의 동일한 FOI 가정 등의 한계를 인정하며, 향후 연구에서 시간 가변적 보고율과 혈청형별 역학을 탐구해야 한다고 제언한다.