Forecast-to-warning for Injury Surveillance in Megacity based on Seasonal and Holiday Effects: A District-level Study

당신이 이웃의 날씨를 예측하려고 노력하고 있다고 상상해 보세요. 당신은 비가 종종 특정 계절에 내린다는 것을 알고 있고, 사람들이 밖으로 많이 나오는 큰 공휴일 뒤에는 폭풍이 더 강하게 몰아칠 수 있다는 것도 알고 있습니다. 공중 보건의 세계에서 과학자들은 이와 유사하게 비 대신 부상에 대해 연구합니다. 그들은 얼마나 많은 사람이 다쳐서 병원으로 달려왔는지 매일 기록을 남깁니다. 이것을 **감시(surveillance)**라고 부릅니다. 보통 이러한 기록은 과거를 되돌아보며 "아, 7월에는 자전거에서 떨어진 사람이 더 많았구나"라고 말하는 데 사용됩니다. 하지만 만약 우리가 앞을 내다볼 수 있다면 어떨까요? 만약 우리가 "이봐, 다음 주 화요일은 위험한 날이 될 수도 있으니 의사를 추가로 준비해 두자"라고 말할 수 있다면 어떨까요? 이를 위해 과학자들은 일상의 혼돈 속에서 패턴(예를 들어 주의 일주일의 리듬이나 공휴일의 특별한 혼란)을 찾아내려는 수학적 모델, 즉 수정구슬 역할을 하는 모델을 사용합니다. 큰 질문은 이것입니다. 우리는 이 수학적 예측을 단순하고 색깔이 있는 경고 시스템—마치 교통 신호등처럼—으로 바꾸어 병원이 언제 높은 경계 태세를 갖춰야 할지 알려줄 수 있을까요?

이 논문은 중국의 거대하고 매우 빠른 도시인 선전지를 위한 그 '교통 신호등' 시스템을 구축하려는 노력에 관한 이야기입니다. 연구진은 서로 다른 지역에 있는 네 곳의 병원을 조사하며 다음과 같이 물었습니다. "우리는 특히 춘절과 같은 큰 명절 전후의 부상 급증을 예측할 수 있을까?" 그들은 어떤 '수정구슬'(수학 모델)이 가장 잘 작동하는지 확인하기 위해 여러 가지 모델을 테스트했습니다. 그들은 단일 모델이 모든 병원에 완벽하게 들어맞지는 않지만, Prophet이라는 도구가 변화의 방향—즉, 부상이 증가할 것인지 감소할 것인지를 알려주는 것—을 예측하는 데 특히 유용하다는 것을 발견했습니다. 또한 그들은 명절이 매우 중요하다는 사실도 발견했습니다. 예를 들어, 춘절 기간 동안 일부 병원에서는 사람들이 가족에게 돌아갔기 때문에 부상자 수가 실제로 감소했지만, 노동절 기간에는 다른 지역에서 사람들이 즐겁게 시간을 보내느라 부상자가 늘어났습니다.

하지만 가장 흥eli로운 부분은 바로 그 '교통 신호등' 자체입니다. 연구진은 자신들의 수학적 예측을 세 가지 색상인 초록색(정상), 노란색(주의), 빨간색(위험)으로 바꾸려고 시도했습니다. 여기서 반전이 있습니다. 수학 모델이 정확한 부상자 수를 맞히는 데는 뛰어났을지라도, 그것이 반드시 올바른 '색상'을 맞히는 데는 유능하지 않았다는 점입니다. 시스템은 상황이 평온할 때 "초록색"이라고 말하는 데는 꽤 능숙했지만, "노란색"과 "빨간색"의 날을 잡아내는 데는 어려움을 겪었습니다. 위험한 날을 놓치거나 언제 위험이 시작되는지 혼란스러워하는 경우가 많았습니다. 이 논문은 우리가 부상을 예측할 수는 있지만, 그 숫자를 신뢰할 수 있는 경고 시스템으로 바꾸는 것은 까다로운 일이라고 제안합니다. 이는 마치 비가 올 것이라는 것은 알지만, 정확히 언제 우산이 필요한지는 말해주지 못하는 날씨 앱을 가진 것과 같습니다. 저자들은 이 일을 실제로 구현하기 위해서는 모든 병원이 각자 고유한 설정을 가져야 한다고 결론짓습니다. 왜냐하면 한 동네에서 통하는 방식이 다음 동네에서도 반드시 통하는 것은 아니기 때문입니다.

부상 수정구슬 이야기

설정: 수백만 명의 도시와 데이터의 산
선전은 수백만 명의 사람들이 매일 움직이고, 일하고, 노는 메가시티입니다. 너무 크고 바쁘기 때문에 부상은 항상 발생합니다. 이 도시는 "센티넬 병원"(도시의 주요 부상 보고서라고 생각하세요) 네트워크를 가지고 있으며, 응급실을 통과하는 모든 부상을 집계합니다. 연구진은 이 네 곳의 병원(바오안, 광밍, 난산, 룽강)에서 일일 부상 횟수를 추출했습니다. 그들은 다음 주 부상자 수를 예측할 수 있는지 알고 싶었습니다.

도구: 다섯 가지 서로 다른 수정구슬
예측을 하기 위해 팀은 단순히 추측하는 대신, 다섯 가지 서로 다른 수학적 "수정구슬"(모델)을 사용하여 비교하고 어떤 것이 가장 날카로운지 확인했습니다:

1. ARIMA & SARIMA: 이것들은 고전적인 구식 모델입니다. 시계처럼 매주 또는 매년 반복되는 패턴을 찾는 데 탁월합니다.
2. SARIMAX: 이 모델은 고전적인 모델에 외부 요인(예: 명절)을 살펴볼 수 있는 추가 기능이 더해진 것입니다.
3. LSTM: 이것은 현대적인 "신경망"(인공지능의 한 종류)으로, 마치 모든 교과서를 암기하는 학생처럼 방대한 과거 데이터를 읽어 복잡한 패턴을 학습하려고 시도합니다.
4. Prophet: 이 도구는 유연하도록 설계된 최신 도구입니다. 데이터를 추세(증가 중인가 감소 중인가?), 계절성(매주 발생하는가?), 그리고 명절로 분해합니다. 이는 요일과 계절에 따라 소금을 얼마나 넣어야 할지 정확히 아는 요리사와 같습니다.

실험: 주사위 던지기
연구진은 이 모델들을 단 한 번만 테스트하지 않았습니다. 그들은 "롤링 윈도우(rolling window)" 방식을 사용했습니다. 당신이 다음 주 날씨를 예측한다고 상상해 보세요. 과거의 데이터를 사용하여 추측을 한 다음, 일주일을 기다려 실제로 어떤 일이 일어났는지 확인하고, 그 새로운 데이터를 자신의 이력에 추가하여 다음 주에 대한 새로운 추측을 합니다. 그들은 각 병원에 대해 이 과정을 반복했습니다.

결과: 하나가 모두에게 맞지는 않는다
여기서 이야기는 흥미로워집니다. 연구진은 단 하나의 모델도 모두를 위한 승자가 될 수 없다는 것을 발견했습니다.

• 바오안과 광밍 병원의 경우, Prophet이 챔피언이었습니다. 이 모델은 숫자에 대해 가장 정확한 추측을 했으며, 부상자 수가 올라가는지 내려가는지를 가장 잘 알려주었습니다.
• 난산 병원의 경우, LSTM(AI 모델)이 정확한 숫자를 맞히는 데 가장 좋았습니다.
• 룽강 병원의 경우, 구식인 ARIMA 모델이 오히려 숫자 예측에서 가장 좋은 성과를 냈습니다.

이를 통해 그들은 큰 교훈을 얻었습니다. 도시 전체를 위해 하나의 "최고" 모델을 고를 수는 없다는 것입니다. 각 병원은 그 자체의 개성을 가진 서로 다른 동네와 같으며, 모델은 그 특정 장소에 맞게 조정되어야 합니다.

명절 효과: 달력이 게임의 판도를 바꿀 때
연구진은 또한 명절이 예측을 망치는지 알고 싶었습니다. 중국에서 춘절(음력 설)과 국경절 같은 명절은 매우 큽니다. 사람들은 여행을 떠나고, 파티가 열리며, 일상이 변합니다.

• 그들은 춘절이 큰 영향을 미친다는 것을 발견했습니다. 거의 모든 병원에서 춘절 기간 동안 부상자 수가 감소했습니다. 도시로 돌아온 사람들이 가족과 함께할 때 도시가 조용해지고, 도시 내에서의 부상도 줄어드는 것으로 보입니다.
• 노동절은 달랐습니다. 룽강에서는 부상자 수가 증가했습니다. 연구진은 이것이 해당 지역의 노동자들이 공장에 있는 대신, 야외 활동을 하거나 여행을 가는 등 즐거운 시간을 보내기 위해 밖으로 나왔기 때문이라고 추측했습니다.
• 그들은 명절 효과가 얼마나 오래 지속되는지 확인하기 위해 다양한 "윈도우(기간)"를 테스트했습니다. 명절 전후로 1일, 3일, 5일, 7일 동안 효과가 지속되는지 테스트했습니다. 그들은 보통 5일간의 윈도우(명절 전 2일, 명절 당일, 명절 후 2일)가 적절한 지점이었지만, 병원마다 차이가 있었습니다.

교통 신호등: 초록, 노랑, 빨강
최종 목표는 단순히 "내일 부상자가 42명"이라고 숫자를 맞히는 것이 아니었습니다. 그들은 그 숫자를 단순한 경고로 바꾸고 싶었습니다:

• 초록색: 모든 것이 정상입니다.
• 노란색: 주의하세요, 바빠질 수 있습니다.
• 빨간색: 위험! 급증에 대비하세요.

그들은 예측된 숫자를 이 색상들로 바꾸기 위한 규칙을 설정했습니다. 예를 들어, 예측된 숫자가 평균보다 조금 더 높으면 노란색이 되었고, 훨씬 더 높으면 빨간색이 되었습니다.

문제: 깜빡거리는 신호등
여기가 까다로운 부분입니다. 모델들이 숫자를 맞히는 데는 괜찮았을지 모르지만, 색상을 맞히는 데는 뛰어나지 않았습니다.

• 초록색은 잘 작동했습니다. 시스템은 "평범한 날이다"라고 말하는 데 능숙했습니다.
• 노란색은 엉망이었습니다. 시스템은 일반적인 날과 약간 바쁜 날을 구분하는 데 어려움을 겪었습니다. 많은 노란색의 날을 놓쳤습니다.
• 빨간색 또한 복불복이었습니다. 어떤 병원에서는 시스템이 빨간색의 날을 잡아냈지만, 다른 병원(난산 등)에서는 거의 매번 놓쳤습니다.

연구진은 숫자에 "가까운" 것이 올바른 "경고"를 얻는 것과 같지 않다는 점을 깨달았습니다. 모델이 숫자가 약간 틀리더라도 색상을 잘못 판단할 수 있으며, 이는 생명을 구하려는 목적에서 큰 문제가 될 수 있습니다.

결론: 맞춤화하거나 실패하거나
논문은 명확한 메시지로 끝을 맺습니다. 우리는 부상을 예측할 수 있고 명절을 활용할 수 있지만, "일률적인(one-size-fits-all)" 접근 방식은 사용할 수 없다는 것입니다.

• 모든 병원에 똑같은 모델을 사용하지 마십시오. 어떤 곳은 AI가 필요하고, 어떤 곳은 고전적인 수학이 필요하며, 어떤 곳은 유연한 Prophet 도구가 필요합니다.
• 명절이 모두에게 똑같이 영향을 미친다고 가정하지 마십시오. 춘절이 한 지역에서는 상황을 진정시킬 수 있지만, 다른 지역에서는 급증을 일으킬 수 있습니다.
• 경고 시스템은 개선이 필요합니다. 숫자를 단순한 빨강/노랑/초록 신호로 바꾸는 것은 생각보다 어렵습니다. 이 시스템이 추가 인력을 호출해야 할 때를 알려줄 만큼 신뢰받으려면, 각 병원에 맞춰 구체적으로 테스트되고 조정되어야 합니다.

요약하자면, 연구진은 도시를 위한 멋진 새로운 도구를 만들었지만, 이것이 제대로 작동하게 하려면 각 병원을 스프레드시트의 숫자가 아닌, 고유한 특성을 가진 개별 존재로 대우해야 한다는 것을 배웠습니다.