Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability

매년 겨울이 되면 익숙한 리듬이 돌아옵니다. 감기, 독감 및 기타 호흡기 질환을 유발하는 바이러스들이 순환하기 시작하며, 이는 병원들을 한계치까지 몰아붙이고 공동체가 안전과 치료에 대해 어려운 선택을 하게 만듭니다. 공중보건 관계자들의 목표는 이러한 급증이 닥치기 전에 이를 미리 예측하여, 병원을 준비시키고, 인력을 조정하며, 대중에게 권고 사항을 전달하는 것입니다. 이를 위해 과학자들은 질병의 기상 예보와 같은 역할을 하는 예측 시스템을 구축해 왔습니다. 이 시스템은 비구름을 추적하는 대신, 얼마나 많은 사람들이 기침 증상으로 응급실을 방문하는지, 바이러스 검사 결과가 얼마나 양성인지, 또는 도시의 하수도 시스템을 통해 얼마나 많은 바이러스가 흘러나오는지와 같은 지역 사회의 감염 징후를 추적합니다. 그 근저에 깔린 생각은 오랫동안 다음과 같았습니다. 즉, 충분한 과거 데이터를 살펴본다면 일정한 패턴을 찾을 수 있다는 것입니다. 즉, 이러한 조기 경고 신호와 결국 병원에 입원하게 되는 환자 수 사이의 관계는 시간이 지나도 일정하게 유지된다는 가정입니다. 만약 이것이 사실이라면, 수년간의 과거 데이터로 학습된 모델은 더 많은 데이터를 학습할수록 단순히 더 좋아지고 더 정확해질 것입니다.

하지만 유타의 한 새로운 연구는 이 위안이 되는 가설에 의문을 제기합니다. 그곳의 연구진은 이러한 조기 경고 신호와 병원 입원 사이의 관계가 실제로 일정하게 유지되는지, 아니면 바이러스 자체가 변함에 따라 함께 변화하고 이동하는지를 테스트하기 위해 연구를 수행했습니다. 그들은 두 가지 주요 호흡기 위협인 SARS-CoV-2(코로나19를 유발하는 바이러스)와 인플루엔자(독감) 데이터를 조사했습니다. 연구진은 연령별 일일 입원 수, 증상을 보이는 환자들의 응급실 방문 횟수, 바이러스 검사 양성률, 그리고 폐수 내 바이러스 농도 측정값 등 광범olo한 정보를 수집했습니다. 이 다양한 데이터 스트림을 실제 병원 입원 수와 수년간 비교함으로써, 연구팀은 경고 신호와 결과 사이의 연결 고리가 결코 안정적이지 않다는 것을 발견했습니다. 한 시즌이나 특정 바이러스 변종 동안 유효했던 패턴이 다음 시즌에는 무너지는 경우가 빈번했습니다.

연구진은 여러 해의 모든 데이터를 한꺼번에 살펴보았을 때, 숫자들이 경고 신호와 입원 사이의 강력하고 일관된 연결 고리를 시사한다는 것을 발견했습니다. 응급실 방문이 증가하면 병원 입원이 확실히 뒤따라오는 것처럼 보였습니다. 하지만 이러한 관점은 오해의 소지가 있었습니다. 과학자들이 특정 시기, 예를 들어 새로운 바이러스 변이가 출현했을 때나 특정 독감 시즌을 집중적으로 살펴보았을 때, 그 강력한 연결 고리는 종종 사라지거나 심지어 역전되었습니다. 예를 들어, 팬데믹 초기 단계에서는 아동과 성인의 데이터가 함께 움직이지 않았습니다. 즉, 한 집단에서 일어나는 일이 다른 집단에 대해서는 거의 아무런 정보도 주지 못했습니다. 이후 새로운 변이들이 등장하면서 이러한 관계는 다시 변화했습니다. 독감의 경우도 마찬가지였는데, 폐수 신호와 병원 입원 수 사이의 연결 관계가 시즌마다 변했습니다. 이는 "과거가 많을수록 예측이 더 정확해진다"는 가정하에 구축된 모델이 실제로는 더 이상 존재하지 않는 패턴을 학습하고 있으며, 잠재적으로 예측의 정확도를 떨어뜨릴 수 있음을 의미합니다.

이것이 실제로 어떻게 나타나는지 확인하기 위해, 연구팀은 병원 입원을 예측하는 수십 개의 서로 다른 예측 모델을 실행했습니다. 그들은 모델을 가르치는 두 가지 주요 방법을 테스트했습니다. 한 방법은 최근의 고정된 데이터 창(window)만을 사용하는 것이었고, 다른 방법은 더 많은 과거 데이터를 계속 추가하여 더 넓은 역사가 도움이 될 것이라고 가정하는 것이었습니다. 결과는 놀라웠습니다. 오래된 과거 데이터를 계속 쌓아 올린 모델들이 가장 최근 몇 주간의 데이터에만 집중한 모델들보다 일반적으로 성능이 저해되었습니다. 많은 경우, 가장 긴 역사의 데이터를 학습한 모델들은 사례가 급증하거나 감소하기 시작하는 시점과 같은 발병의 전환점을 예측하는 데 실패했습니다. 현재의 상황에 빠르게 적응하여 먼 과거를 무시하는 모델들이 종종 더 신뢰할 수 있었습니다. 이는 호흡기 바이러스의 세계가 단 하나의 정적인 공식으로는 대응할 수 없을 만큼 유동적임을 시사합니다. 바이러스가 행동하는 방식, 사람들이 의료 서비스를 찾는 방식, 그리고 바이러스가 물과 클리닉에서 나타나는 방식은 모두 끊임없이 변화하는 상태에 있습니다.

또한 이 연구는 단 하나의 유형의 모델이나 데이터 소스가 해결책(silver bullet)이 될 수 없음을 밝혀냈습니다. 팬데믹의 한 파동 동안 완벽하게 작동했던 방법이 다음 파동에서는 완전히 실패할 수도 있습니다. 마찬가지로, 어느 해에 독감 정점을 정확하게 예측했던 모델이 다음 시즌에는 빗나갈 수도 있습니다. 연구진은 최선의 접근 방식이 하나의 '최적의' 모델에 의존하는 것이 아니라, 서로 다른 다양한 모델들이 함께 작동하도록 하는 것이라는 점을 발견했습니다. 여러 가지 다른 접근 방식의 예측을 결합함으로써, 시스템은 근본적인 질병의 규칙이 변하더라도 견고함을 유지할 수 있습니다. 이 접근 방식은 미래가 과거의 단순한 재현이 아니라는 점을 인정합니다. 과거가 미래의 열쇠를 쥐고 있다고 가정하는 대신, 공중보건 예측가들은 자신들의 도구가 여전히 제대로 작동하고 있는지 끊임없이 점검해야 하며, 바이러스가 진화함에 따라 그 방법론을 적응시킬 준비가 되어 있어야 합니다.

궁극적으로 유타의 연구는 호흡기 질환을 예측하는 것이 대기의 물리 법칙이 대체로 일관되게 유지되는 날씨를 예측하는 것과는 다르며, 오히려 경로가 끊임없이 바뀌는 강을 항해하는 것과 같다는 점을 시사합니다. 물은 계절, 비, 그리고 지형에 따라 다르게 흐릅니다. 연구진은 우리가 이러한 바이러스보다 앞서 나가기 위해서는 가용한 모든 역사적 데이터를 학습한 단 하나의 완벽한 모델이라는 개념을 버려야 한다고 결론지었습니다. 대신, 스스로의 성능을 실시간으로 평가하고, 더 이상 맞지 않는 오래된 가정을 폐기하며, 변화하는 환경을 이해하기 위해 다양한 관점에 의존할 수 있는 유연한 시스템을 구축해야 합니다. 이를 위해서는 과학자와 공중보건 관계자 사이의 지속적인 파트너십이 필요하며, 공동체를 보호하기 위해 사용하는 도구가 추적하고자 하는 위협만큼이나 역동적이고 반응적이어야 함을 의미합니다.