Dengue Risk Mapping in Sri Lanka Using Spatial Interpolation, Machine Learning, and Ensemble Modeling

당신은 보이지 않는 말썽꾸러기 떼가 다음에 어디에 나타날지 예측하려고 노력 중이라고 상상해 보세요. 이들은 그냥 말썽꾸러기가 아닙니다. 뎅기열이라는 바이러스를 옮기는 모기들입니다. 스리랑카와 같은 곳에서 이 모기들은 따뜻하고 습한 날씨와 인구 밀집 지역을 매우 좋아합니다. 오랫동안 과학자들은 다음 발병이 어디에서 발생할지 추측하기 위해 노력해 왔지만, 이는 마치 고장 난 기압계로 날씨를 예측하는 것과 같습니다. 그들은 두 가지 주요 예측 방법을 가지고 있습니다. 하나는 지도를 보고 알려진 문제 지점들을 연결하는 방식(점 잇기처럼)이고, 다른 하나는 과거의 패턴을 포착하기 위해 학습된 초지능형 컴퓨터 프로그램입니다. 큰 질문은 이것입니다: 어떤 방식이 더 나은가? 혹은, 더 좋게 말하자면, 실제로 작동하는 수정구슬을 얻기 위해 이들을 결합할 수 있을까요? 이 논문은 바로 그 퍼즐을 파고들며, 뎅기열이 시작되기 전에 막을 수 있는 궁극의 지도를 만들기 위해 노력합니다.

---

위대한 뎅기 탐정 찾기

스리랑카 섬나라에서 뎅기열은 아무도 원치 않는 끈질긴 손님입니다. 이는 비가 내리고, 기온이 오르고, 인구가 밀집될 때 번성하는 모기 매개 질환입니다. 이를 막기 위해 보건 당국은 팀을 어디로 보내야 할지 정확히 알 필요가 있습니다. 하지만 추측만으로는 부족합니다. 위험 구역을 명확하게 보여주는 지도가 필요합니다.

이 연구는 세 명의 서로 다른 탐정이 "어디의 뎅기 위험이 가장 높은가?"라는 동일한 미스터리를 해결하기 위해 고용된 고도의 심리전이 벌어지는 탐정 경연 대회와 같습니다. 첫 번째 탐정은 **오디너리 크리깅(Ordinary Kriging)**입니다. 크리깅을 뎅기 사례가 알려진 위치를 보고 국가 전체에 걸쳐 부드럽고 연속적인 위험의 담요를 그려 넣는 지도 제작자로 생각하세요. 이는 만약 어떤 동네에 뎅기가 있다면, 바로 옆 동네도 아마 그럴 것이라고 가정합니다. 이는 위험의 '형태'를 보여주는 데는 뛰어나지만, 왜 그곳에 위험이 존재하는지에 대해서는 묻지 않습니다.

두 번째 탐정은 **랜덤 포레스트(Random Forest)**입니다. 강수량, 기온, 습도, 인구수, 지대 높이와 같은 서로 다른 단서들을 살펴보는 500명의 작고 열정적인 탐정 위원회를 상상해 보세요. 이들은 특정 지역이 "고위험"인지 "저위험"인지 투표합니다. 이 방법은 단순한 지도가 놓칠 수 있는 복잡하고 무질서한 패턴을 포착하는 데 탁월합니다.

세 번째 탐정은 **다층 퍼셉트론(MLP)**입니다. 이것은 인공지능의 일종인 화려한 컴퓨터 뇌로, 수천 개의 사례를 공부한 학생처럼 행동합니다. 이 모델은 날씨와 인구 밀집이 어떻게 섞여 뎅기를 만들어내는지에 대한 비밀스럽고 비선형적인 규칙을 배우려고 노력합니다. 매우 숨겨진 연결 고리를 찾는 데 능숙하지만, 데이터가 완벽하지 않으면 가끔 혼란을 겪기도 합니다.

결전: 누가 승리하는가?

연구진은 2019년부터 2021년까지 스리랑카의 25개 모든 구역을 아우르는 데이터를 가져왔습니다. 그들은 세 명의 탐정 모두에게 동일한 단서(비, 열, 습도, 인구, 고도)를 제공하고 누가 뎅기 사례를 가장 잘 예측하는지 지켜보았습니다.

결과는 접전이었으나, 랜덤 포레스트 탐정이 선두를 차지했습니다. 이 모델은 고위험 지역을 약 **76.7%**의 확률로, 저위험 지역을 **72.8%**의 확률로 정확히 식별했습니다. 전체 점수(AUC라고 불리는)를 보면, 랜덤 포레스트는 0.817을 기록하며 매우 강력한 성능을 보여주었습니다. 이 모델은 인구 밀도가 가장 큰 단서라는 것을 알아냈는데, 즉 붐비는 도시가 뎅기의 주 무대라는 것입니다. 그다음으로는 기온, 강수량, 습도 순이었습니다.

MLP 탐정도 준수한 성적을 거두었으며, 0ائ 0.791의 AUC를 기록했습니다. 랜덤 포레스트보다 약간 덜 정확했지만, 까다로운 비선형 패턴을 포착하는 데 여전히 매우 뛰어났습니다.

크리깅 탐정은 작동 방식이 다르기 때문에 동일한 방식으로 "점수"를 받지는 않았습니다. 대신, 위험이 한 구역에서 다음 구역으로 어떻게 흐르는지를 보여주는 부드럽고 다채로운 지도를 그려냈습니다. 이 모델은 서부 및 남서부 지역(번화한 해안 지역)이 위험 지대인 반면, 북부 및 고지대 지역은 더 안전하다는 것을 확인해 주었습니다.

걸작: 앙상블 팀

여기서 이야기는 정말 흥oli로워집니다. 연구진은 단일 탐정으로는 완벽할 수 없다는 것을 깨달았습니다. 크리깅은 지도를 만드는 데는 훌륭했지만 날씨 단서들을 무시했습니다. 랜덤 포레스트는 단서 파악에는 뛰어났지만 지도의 부드러운 흐름을 놓치기도 했습니다. MLP는 똑똑했지만 다소 불안정했습니다.

그래서 그들은 **앙상블 모델(Ensemble Model)**이라 불리는 슈퍼 팀을 만들었습니다. 그들은 세 탐정의 예측을 가져와서, 그것들이 같은 언어로 말할 수 있도록 부드럽게 다듬은 뒤 평균을 냈습니다. 이는 세 명의 전문가에게 의견을 구하고 그 중간 지점을 취하여 가장 신뢰할 수 있는 답을 얻는 것과 같습니다.

그 결과는 어땠을까요? 단 하나의, 매우 신뢰할 수 있는 위험 지도가 탄생했습니다. 이 결합된 지도는 콜롬보(Colombo) 지역이 절대적인 위험 구역임을 보여주었습니다. 크리깅 탐정은 콜롬보의 평균 위험 수치를 (사례 수를 기준으로) 477.45로 추정했고, 머신 러닝 탐정들(랜덤 포레스트와 MLP)은 콜롬보에 대해 0.946(0에서 1 사이의 척도)의 확률 점수를 부여했습니다. **감파하(Gampaha)**와 **칼루타라(Kalutara)**가 그 바로 뒤를 이었습니다. 반대로 킬리노치(Kilinochchi), 만나르(Mannar), 누와라 엘리야(Nuwara Eliya) 같은 지역은 위험 점수가 0.084 정도로 일관되게 가장 안전했습니다.

이것이 우리 모두에게 의미하는 바

이 논문은 이러한 "팀 접근 방식"이 뎅기 퇴치를 위한 최선의 방법이라고 제안합니다. 크리깅의 부드러운 지도 제작 능력과 랜덤 포레스트 및 MLP의 패턴 포착 능력을 결합함으로써, 보건 당국은 훨씬 더 명확한 그림을 얻을 수 있습니다.

연구 결과는 뎅기가 무작위로 발생하는 것이 아니라 도시를 좋아한다는 것을 보여줍니다. 이 연구는 콜롬보, 감파하, 칼루타라, 캔디, 라트나푸라, 마타라, 갈레가 가장 많은 주의를 기울여야 하는 곳임을 강조합니다. 만로 보건 당국이 이 지도를 사용한다면, 추측을 멈추고 모기 방제 노력이 가장 필요한 곳에 정확히 타겟팅할 수 있습니다.

저자들은 이 모델이 큰 진전이긴 하지만 마법은 아니라는 점을 주의 깊게 언급합니다. 이 모델은 주어진 데이터에 의존하며, 사람들이 쓰레기를 얼마나 잘 치우는지 또는 정부가 모기 구제를 위해 얼마나 많이 살포하는지와 같은 요소들은 고려하지 않습니다. 하지만, 문제를 바라보는 다양한 방식을 결합함으로써, 이 연구는 스리랑카의 뎅기열로부터 사람들을 보호하기 위한 훨씬 더 강력하고 안정적인 도구를 제공합니다. 이는 혼란스러운 추측 게임을 전략적인 계획으로 바꾸어 놓습니다.