Adaptive Mortality Drift for Short-Horizon Forecasting of Under-Five Mortality in West Africa: Model Development, Monte Carlo Validation, Robustness, and a 16-Country Application

매년 전 세계 수백만 명의 아이들이 다섯 번째 생일을 맞이하지 못하고 세상을 떠납니다. 이 비극적인 현실은 '5세 미만 사망률'이라는 하나의 냉혹한 숫자로 측정됩니다. 이 수치는 태어난 아기 천 명당 다섯 살 이전에 사망하는 아동의 수를 나타냅니다. 이것은 단순한 통계 그 이상입니다. 사회의 건강 상태를 비추는 거울이며, 병원의 질, 물의 안전성, 그리고 경제의 안정성을 드러내는 지표입니다. 서아프리카에서는 이러한 부담이 가장 무겁게 나타나며, 이 지역을 공유함에도 불구하고 각 국가는 매우 다른 과제에 직면해 있습니다. 정부와 보건 기구들에게 미래를 아는 것은 매우 중요합니다. 그들은 현재의 노력이 효과가 있는지, 자원이 어디에 가장 절실히 필요한지, 그리고 지역 전체가 향후 몇 년 동안 더 많은 생명을 구하는 궤도에 올라와 있는지를 알아야 합니다. 그러나 아동 생존의 미래를 예측하는 것은 어렵습니다. 질병, 갈등, 또는 경제적 변화로 인해 추세가 갑자기 변할 수 있으며, 앞으로 나아가는 길은 결코 직선이 아니기 때문입니다.

한 연구자가 리더들이 즉각적인 결정을 내릴 수 있도록 돕기 위해 단기적인 추세에 집중하는 새로운 방식을 개발했습니다. 가능한 모든 미래 시나리오를 추측하려는 복잡한 컴퓨터 모델에 의존하는 대신, 그들은 최근의 변화를 면밀히 관찰하는 방법을 만들었습니다. 그들은 이를 '적응형 사망률 표류(Adaptive Mortality Mortality Drift)' 모델이라고 부릅니다. 핵심 아이디어는 단순하면서도 강력합니다. 작년에 나타난 변화가 다음 해에도 계속될 것이라고 가정하되, 완벽한 확실성을 전제로 하지는 않는 것입니다. 이 모델은 최근의 진보나 쇠퇴가 얼마나 이어질지를 추정하며, 해당 지역의 실제 역사를 바탕으로 예측을 조정합니다. 이 방법을 서아프리카 16개국을 대상으로 테스트한 결과, 연구자는 이 직관적인 접근 방식이 훨씬 더 복잡한 수학적 체계와 머신러닝 알고리즘보다 뛰어난 성능을 보였다는 것을 발견했습니다. 그들의 연구는 가까운 미래를 예측하는 가장 좋은 방법은 최근 몇 년간의 탄력을 신뢰하되, 그 탄력이 때때로 둔화될 수 있다는 점을 완만하게 고려하는 것임을 시사합니다.

연구는 나이지리아와 같은 거대 국가와 카보베르데와 같은 작은 이웃 국가들을 포함한 서아프리카 16개국에 초점을 맞췄습니다. 연구자는 유엔(UN)과 세계보건기구(WHO)의 데이터를 수집하여 개별 사례가 아닌 매끄러운 국가별 연간 추정치를 살펴보았습니다. 그들은 다음 해에 어떤 일이 일어날지를 높은 정확도로 예측할 수 있는지 확인하고자 했습니다. 이를 위해 그들은 사망률의 '표류(drift)'를 관찰하도록 모델을 구축했습니다. 강물을 따라 움직이는 배를 상상해 보십시오. 만약 물이 꾸준히 흐르고 있다면, 배는 그 방향으로 계속 나아갑니다. 연구자는 다음과 같이 질문했습니다. 강물이 매년 같은 속도로 흐는가, 아니면 빨라지거나 느려지는가? 그들의 모델은 지난 해의 사망률 변화가 올해 다시 얼마나 발생할지를 나타내는 특정 수치를 계산합니다. 이 수치가 1에 가까우면 변화가 온전히 지속되는 것이고, 이보다 낮으면 변화가 약간 약해질 것으로 예상되는 것입니다. 이 수치는 추측된 것이 아니라, 16개국 전체의 역사를 함께 살펴봄으로써 계산되며, 이를 통해 모델은 지역 전체의 경험으로부터 학습할 수 있습니다.

새로운 방법이 진정으로 신뢰할 수 있는지 확인하기 위해, 연구자는 엄격한 테스트를 거쳤습니다. 그들은 '롤링 오리진 검증(rolling-origin validation)'이라는 기법을 사용했는데, 이는 특정 날짜까지 가용한 정보만을 사용하여 다음 해를 예측한 뒤, 그 날짜를 앞으로 옮겨가며 다시 테스트하는 방식입니다. 그들은 자신들의 새 모델을 표준 통계 도구 및 인공지능 시스템을 포함한 고급 머신러닝 프로그램들과 비교했습니다. 결과는 명확했습니다. 새로운 적응형 모델이 가장 정확한 예측을 했습니다. 2018년에서 2024년 사이에 실제로 발생한 수치와 비교했을 때 오차가 가장 작았습니다. 복잡한 패턴을 찾는 데 탁월한 머신러닝 모델들은 오히려 성과가 더 낮았습니다. 이는 해당 국가들의 연간 사망률이 놀라울 정도로 매끄럽고 안정적이기 때문인데, 복잡한 알고리즘이 풀어내야 할 혼란스러운 노이즈가 거의 없었습니다. 이러한 매끄러움을 존중한 더 단순한 모델이 더 우수한 도구였습니다.

연구자는 또한 모델이 다양한 어려운 조건 하에서 어떻게 작동하는지 보기 위해 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 데이터에 갑작스럽고 격렬한 변동이 있거나 일부 연도의 데이터가 누락된 경우를 테스트했습니다. 이러한 시뮬레이션에서 모델은 잘 버텨냈으며, 예상치 못한 장애물에도 무너지지 않고 견딜 수 있음을 보여주었습니다. 그러나 한계점도 발견했습니다. 만약 어떤 국가가 주요 갈등이나 의료 체계를 완전히 바꾸는 새로운 보건 위기로 인해 사망률 추세에서 급격하고 극적인 변화를 겪는다면, 과거의 이력에 의존하는 이 모델은 반응이 느릴 것입니다. 그러한 경우, 모델은 기존 패턴에 기반하여 한동안 예측을 지속하다가 뒤늦게 따라잡게 될 것입니다. 연구자는 이러한 갑작스러운 변화에 더 빠르게 반응할 수 있는 변형 모델들을 테스트했지만, 서아프리카의 특정 역사에 대해서는 표준적인 단순 버전이 여전히 가장 정확하다는 것을 발견했습니다. 추가적인 복잡성이 연구 대상 기간의 예측을 개선하지는 못했습니다.

연구자가 모델을 실제 세상에 적용했을 때, 결과는 희망과 깊은 불평등의 모습을 동시에 보여주었습니다. 2024년에 사망자 수는 이 지역 내에서 극명하게 갈렸습니다. 카보베르데의 사망률은 출생아 천 명당 11.14명으로 매우 낮아 상당한 진전을 보여주었습니다. 반면 나이지리아는 115.65로 훨씬 더 무거운 부담을 나타냈습니다. 모델은 16개국 모두에서 2030년까지 아동 사망률이 계속 감소할 것이라고 예측했습니다. 나이지리아의 경우 약 109.42까지 떨어질 것으로 예측되었고, 카보베르데는 8.70까지 더 낮아질 것으로 예상되었습니다. 이 수치들은 최근 추세를 통계적으로 외삽한 것이지, 실제로 일어날 일에 대한 보장이 아닙니다. 이 수치들은 미래의 전쟁, 새로운 질병, 또는 구체적인 정책 변화를 고려하지 않습니다. 대신, 현재의 개선 속도가 유지될 가능성이 있는지를 보여주는 벤치마크 역할을 합니다.

이 연구는 지역 전체가 올바른 방향으로 움직이고 있지만, 최선과 최악의 성과 사이의 격차가 여전히 방대하다는 점을 강조합니다. 세네갈과 가나는 2000년 이후 아동 사망을 대폭 줄인 반면, 나이지리아와 니제르는 상대적으로 느린 진전을 보였습니다. 모델은 이러한 격차가 실재하며 지속적임을 확인해 줍니다. 이는 지역 전체에 단일하고 일률적인 접근 방식은 통하지 않을 것임을 시사합니다. 사망 부담이 높은 국가들은 격차를 줄이기 위해 노력을 가속화해야 하며, 낮은 국가들은 그 진전이 정체되지 않도록 해야 합니다. 연구자는 자신의 모델이 사망의 원인을 해결하는 마법 지팡이가 아님을 강조합니다. 이 모델은 정책 입안자에게 어떤 백신을 사야 하는지, 혹은 어떤 병원을 지어야 하는지를 알려주지 않습니다. 대신, 최근에 일어난 일을 바탕으로 지역이 어디로 향하고 있는지에 대한 명확하고 정직한 시각을 제공합니다. 신뢰할 수 있는 단기 예측을 제공함으로써, 이 모델은 보건 지도자들이 다음 단계를 계획할 때 탄탄한 기초를 마련해주며, 소중한 어린 생명을 구하는 중대한 작업을 지속하기 위해 자원이 가장 필요한 곳에 투입될 수 있도록 돕습니다.