Can non-routine data collection help decision-making for gambiense sleeping sickness? Using active adaptive management to assess the potential of vector control

당신이 안개 낀 바다를 항해하여 멀리 떨어진 안전한 항구에 도착하려는 선장이라고 상상해 보십시오. 안개는 그림자 속에 숨어 있는 신비로운 질병을 나타내며, 이로 인해 우리가 어디로 가고 있는지, 혹은 우리의 조타가 얼마나 잘 작동하고 있는지 파악하기 어렵게 만듭니다. 공중보건의 세계에서 이 "안개"는 종종 우리의 도구들이 질병과 얼마나 잘 싸우고 있는지에 대한 데이터가 부족한 상황을 의미합니다. 이러한 도구 중 하나인 "매개체 제어(vector control)"는 기본적으로 "질병을 옮기는 벌레들을 죽이는 것"을 뜻하는 멋진 표현입니다. 하지만 까다로운 점은, 때때로 우리는 우리의 벌레 박멸 전략이 실제로 효과가 있는지 전혀 모를 때가 있다는 것입니다. 우리는 이 전략에 계속 돈을 써야 할까요, 아니면 멈추고 다른 것을 시도해야 할까요? 이것이 과학자들이 수면병(sleeping sickness)을 퇴치하기 위해 직면한 퍼즐입니다. 이 문제를 해결하기 위해 그들은 "능동적 적응형 관리(Active Adaptive Management)"라는 영리한 사고 도구를 사용합니다. 이것은 단순히 하나의 전략을 골라 영원히 고수하는 것이 아니라, 마치 비디오 게임처럼 한 레벨을 플레이하고, 점수를 확인한 다음, 그로부터 배운 것에 따라 계속 그 레벨을 플레이할지 아니면 전술을 바꿀지 결정하는 것과 같습니다. 목표는 돈을 아끼면서 동시에 게임에서 승리하는 것입니다.

이제 이 특정 논문의 이야기 속으로 들어가 보겠습니다. 저자들은 매우 실질적인 문제에 도전하고 있습니다: 바로 '감비엔형 인간 아프리카 트리파노소마증(gHAT)', 줄여서 gHAT이라 불리는 질병입니다. 이는 서아프리카와 중앙아프리카에서 발견되는 피를 빠는 곤충인 체체파리(tsetse fly)에 의해 전파되는 수면병입니다. 세계보건기구(WHO)는 이 질병을 완전히 퇴치하고자 하며, 이를 위해 파리들이 사람을 물지 못하게 막아야 합니다. 그들은 "타이니 타겟(Tiny Targets)"을 사용하는데, 이는 살충제가 코팅되어 파리를 유인하여 죽이는 작은 파란색과 검은색 패널입니다. 하지만 함정은, 우리는 이 타겟들이 모든 마을에서 얼마나 잘 작동하는지 항상 알 수는 없다는 점입니다. 때로는 파리들이 끈질기기도 하고, 환경이 다르기도 해서 타겟이 우리가 기대하는 만큼 많은 파리를 죽이지 못할 수도 있습니다.

그래서 연구진은 중요한 질문을 던졌습니다: 파리의 수를 세어 Tiny Target이 실제로 효과가 있는지 확인하기 위해 추가 비용을 쓰는 것이 가치가 있을까요? 이 숫자를 세는 과정을 "곤충학적 모니터링(entomological monitoring)"이라고 부릅니다. 이것은 파리를 잡기 위한 특수 트랩을 설치하고 파리가 얼마나 있는지 확인하는 과정을 포함합니다. 아이디어는 타겟을 설치한 후 잡히는 파리가 줄어들었다면, 전략이 효과가 있다는 것을 아는 것입니다. 만약 잡히는 수가 같다면, 아마도 그것에 돈을 낭비하는 것을 멈춰야 할지도 모릅니다. 하지만 파리를 세는 것은 돈과 시간, 노력이 듭니다. 그렇다면, 당신이 얻는 정보가 그 가격표만큼의 가치가 있을까요?

이 답을 찾기 위해 저자들은 수학적 모델을 사용했는데, 이는 질병과 파리가 어떻게 행동하는지를 보여주는 초정밀 컴퓨터 시뮬레이션과 같습니다. 그들은 단순히 추측하지 않았습니다. 질-동부 콩고의 두 지역인 물룸바(Mulumba)와 반가(Vanga)에서 질병과 파리가 어떻게 움직이는지 보기 위해 수천 번의 시뮬레이션을 실행했습니다. 이 두 곳은 이야기 속의 서로 다른 두 캐릭터와 같습니다. 물룸바는 과학자들이 Tiny Target이 얼마나 잘 작동할지 매우 불확실한 곳입니다. 왜냐하면 이곳은 이런 종류의 제어가 처음 도입되는 새로운 지역이기 때문입니다. 반면, 반가는 과학자들이 주변 지역의 유사한 결과를 통해 타겟이 얼마나 잘 작동하는지 이미 꽤 잘 알고 있는 곳입니다.

팀은 컴퓨터 안에서 "능동적 적응형 관리" 실험을 수행했습니다. 그들은 일 년에 두 번씩 파리 수를 세면서 2년 동안 Tiny Target을 사용하는 시나리오를 시뮬레이션했습니다. 그 후 2년이 지나면 데이터를 살펴보고 결정할 것입니다: "타겟을 계속 사용할 것인가, 아니면 중단할 것인가?" 그들은 이 데이터 기반의 스마트한 접근 방식을 두 가지 다른 옵션, 즉 확인 없이 타겟을 영원히 사용하는 것과 아예 사용하지 않는 것과 비교했습니다. 그들은 "순 경제적 이득(Net Monetary Benefit)"을 계산했는데, 이는 "질병 예방을 통해 절약한 금액에서 타겟과 파리 계수에 든 비용을 뺀 값"을 의미합니다.

결과는 다음과 같으며, 이는 매우 다른 두 가지 결과가 엇갈리는 이야기입니다. 모두가 결과에 대해 확신하지 못했던 물룸바에서는 모니터링이 엄청난 승리였습니다. 파리 수를 세는 데 드는 추가 비용은 충분히 가치가 있었습니다. 데이터를 확인함으로써 그들은 타겟이 제대로 작동하는지 빠르게 판단할 수 있었습니다. 만약 타겟이 훌륭하게 작동한다면 계속 진행했고, 만약 실패한다면 조기에 중단하여 잘못된 전략에 낭비될 뻔한 막대한 돈을 아꼈습니다. 이 경우, "안개"는 짙었으며, 모니터링이라는 손전등은 완벽하게 길을 찾는 데 도움을 주었습니다. 그들은 심지어 최적의 지점도 찾아냈는데, 약 88개의 트랩을 사용하는 것이 비용 대비 가장 효율적인 정보를 얻는 방법이었습니다.

하지만 반가의 이야기는 달랐습니다. 이 구역에서 과학자들은 이미 타겟이 잘 작동할 것이라는 강한 짐작을 가지고 있었습니다. 그들은 매우 확신했기 때문에, 파리 수를 세는 데서 오는 추가 데이터는 그들의 생각을 바꾸지 못했습니다. 그들은 어차피 타겟을 계속 사용할 예정이었으므로, 파리를 세는 데 비용을 지불하는 것은 변화를 가져오지 못한 채 추가적인 비용만 더할 뿐이었습니다. 반가에서는 "안개"가 이미 옅었기에, 손전등은 큰 도움이 되지 않았습니다. 시뮬레이션 결과, 반가의 경우 모니터링 전략은 기존 계획을 따랐을 때보다 오히려 손해를 보는 것으로 나타났습니다.

이 논문은 모니터링이 항상 정답이라거나 결코 정답이 아니라고 주장하는 것이 아닙니다. 대신, 작업 내용을 확인하는 것의 가치는 당신이 이미 무엇을 알고 있느냐에 전적으로 달려 있다고 제안합니다. 만약 당신이 어둠 속에 있다면, 손전등은 값을 매길 수 없을 만큼 소중합니다. 하지만 이미 경로를 보고 있다면, 손전등은 그저 추가적인 지출일 뿐입니다. 저자들은 또한 이것이 수학적 모델에 기반한 시뮬레이션이며, 실제로 이 특정 마을들에 가서 2년 동안 파리를 직접 셌던 실제 현장 시험이 아니라는 점을 분명히 했습니다. 그들은 과거의 데이터를 사용하여 컴퓨터 세계를 구축했으므로, 결과가 매우 강력한 제안을 담고 있더라도 여전히 예측치라는 점을 명시했습니다.

이 연구는 누군가가 수면병에 대한 매개체 제어를 결정하기 위해 이런 방식의 "학습하며 나아가는(learn-as-you-go)" 수학을 사용한 첫 번째 사례로서 큰 진전을 이루었습니다. 이전에는 대부분 전략을 선택하고 운에 맡겼습니다. 이제 우리는 정책 입안자들에게 이렇게 말할 수 있는 프레임워크를 갖게 되었습니다. "이봐요, 이 특정 장소에서는 파리를 확인하기 위해 돈을 쓸 가치가 있습니다. 하지만 저 다른 곳에서는, 그냥 돈을 아끼고 계속 진행하세요." 이것은 의사 결정 과정을 단순한 추측에서 계산된 게임으로 바꾸어, 수면병과 싸우기 위해 쓰이는 모든 달러가 가장 스마트한 방식으로 사용되도록 보장합니다. 수면병이든 벌레가 옮기는 다른 질병이든, 이 접근 방식은 우리가 단순히 문제에 돈을 던지는 것이 아니라, 실제로 문제를 해결하고 있는지 확인할 수 있는 유쾌하면서도 강력한 방법을 제공합니다.