초록 ▼

□ 연구개요
감염병은 병원균에 의해서 사람 혹은 동물로부터 사람에게 감염되는 것으로 개인적인 피해로 그치는 것이 아닌 광범위한 피해로 번질 수 있다는 점에서 사회적 문제로 인식된다. 일례로, 에볼라 바이러스는 창궐 후 2만 여명의 감염자와 1만 여명의 희생이 뒤따랐으며, 국내의 경우 중동호흡기증후군(MERS)으로 38명이 사망하고 국가 경제 및 사회적으로 큰 손실을 입힌 이력이 있다. 따라서 ICT·융합기술을 이용하여 감염병의 예방과 확산을 방지하기 위한 연구를 기획하였다. 이를 달성하기 위해, 세부 연구목표를 다음과 같이 설

□ 연구개요
감염병은 병원균에 의해서 사람 혹은 동물로부터 사람에게 감염되는 것으로 개인적인 피해로 그치는 것이 아닌 광범위한 피해로 번질 수 있다는 점에서 사회적 문제로 인식된다. 일례로, 에볼라 바이러스는 창궐 후 2만 여명의 감염자와 1만 여명의 희생이 뒤따랐으며, 국내의 경우 중동호흡기증후군(MERS)으로 38명이 사망하고 국가 경제 및 사회적으로 큰 손실을 입힌 이력이 있다. 따라서 ICT·융합기술을 이용하여 감염병의 예방과 확산을 방지하기 위한 연구를 기획하였다. 이를 달성하기 위해, 세부 연구목표를 다음과 같이 설정하였다. 첫째, 키워드 분석. 둘째, 딥 러닝 모듈 개발. 셋째, 행위자 속성과 주변 환경 간의 관계 분석.

□ 연구 목표대비 연구결과
첫째 목표는 검색어 데이터를 통해 감염병의 발생을 예측할 수 있도록 감염병의 발생과 상관성이 높은 키워드를 추출하고, 추출된 키워드가 감염병 예측에 활용될 수 있는지 확인하는 것이었다. 본 연구는 감염병의 이름, 이름+증상 (e.g., 수두, 수두 증상)을 키워드로 감염병 발병수와 키워드와의 관계를 조사하였다. ordinary least square (OLS)분석 결과, 검색어 데이터는 감염병 발생과 유의한 관계가 있었음을 확인하였다. 추가적으로 질병관리본부에서 제공하는 각 감염병의 주요임상 증상을 토대로 더 다양한 키워드 군을 생성하였다 (e.g., 수두 설사, 수두 오한, 수두 두통 등). 이후 키워드 간의 분산팽창요인 계수를 바탕으로 다중공선성을 제거하고, OLS 분석을 통해 각 감염병의 발병수에 유의미한 키워드를 최종적으로 도출해내었다.
둘째 목표는 딥 러닝 모듈 구축을 통해 감염병의 발생을 예측하는 것이었다. 본 연구는 딥 러닝 모델의 하이퍼 파라미터에 여러 변화를 주어 각 감염병마다 112개의 예측모델을 구축하였다. 딥 러닝 모델은 autoregressive integrated moving average(ARIMA)모델보다 평균적으로 18~24% 향상된 성능을 보였다. 따라서 하이퍼 파라미터에 다양한 변화를 준다면 최적화가 이루어져 같은 분석 방법을 사용했더라도 더 좋은 예측 모델을 설계할 수 있음을 확인하였다. 또한, 실제 발병수의 상한 값 예측에는 long short-term memory (LSTM)모델을, 하한 값 예측에는 multi-layer perceptron(MLP)모델을 사용하면 상황에 따른 감염병 예측이 가능하다는 걸 확인하였다.
셋째 목표는 행위자 기반의 공간예측모형을 구성하기 위한 전 단계로서 행위자 속성과 주변 환경과의 관계를 파악하는 것이었다. 이에 대한 분석을 통해 감염병 군의 특성에 따라 공간적인 집중의 분포와 클러스터가 다르게 나타났으며, 도시의 구성요인 중 취약계층을 형성하는 생물학적 요인이 가장 관련성이 크게 나타났음을 확인하였다. 또한 공간 패턴 분석을 활용하여 주요 감염병의 매개체의 패턴을 분석하여 영향을 줄 수 있는 확산 대상자의 범위를 파악할 수 있었다. 따라서 공간적인 요인을 고려한 감염병 감시에 특화된 정책이 필요하다는 시사점을 도출하였다.

□ 연구개발결과의 중요성
본 연구에서 사용한 키워드 선정 기준에 따라 수집한 네이버 검색어 데이터는 연구에 활용된 감염병 모두에서 발병수와 유의미한 관계가 있었음을 확인하였다. 이는 수집한 키워드가 딥 러닝 모듈의 입력 값으로 이용되어 감염병 발생 예측에 큰 도움을 줄 수 있다는 것을 의미한다. 딥 러닝 모델의 예측 결과를 보았을 때, 모든 감염병에서 딥 러닝을 활용한 모델이 ARIMA 모델보다 더 좋은 예측을 보였다. 수두와 성홍열의 최적 예측 모델을 ARIMA 모델과 비교했을 때, 각각 27.33%, 26.25% 향상된 성능을 보였다. 이 결과는 감염병 발병수를 예측함에 있어 전통적인 분석방법보다 딥 러닝을 적용하는 것이 더 적합할 수 있음을 시사한다. 또한, 각 감염병 군에 대해서 감염병 확산을 막기 위한 시사점을 도출해 낼 수 있었다. 이로써 추후 딥 러닝을 통한 예측 모델과 결합함으로써 더 높은 정확도를 가지는 행위자 기반의 공간예측 모델을 설계할 수 있는 토대를 마련하였다. 결과적으로 키워드와 딥 러닝을 활용한 감염병 예측 모델을 통해 현재의 감염병 감시체계를 보완함과 동시에 감염병의 유행 정도까지 예측을 할 수 있을 것으로 판단된다.

(출처 : 연구결과 요약문 3p)

목차 Contents

• 표지 ... 1
• 연구결과요약문 ... 3
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 5
• 2. 연구수행내용 및 연구결과 ... 6
• (1) 감염병 발생을 예측하기 위한 키워드 분석 ... 6
• (2) 감염병 발생을 예측하기 위한 딥 러닝 모듈 개발 ... 9
• (3) 행위자 기반의 공간예측모델 구성을 위한 행위자 속성과 주변 환경 간의 관계 분석 ... 11
• 3. 연구개발결과의 중요성 ... 14
• 4. 참고문헌 ... 15
• 5. 연구성과 ... 17
• 대표적 연구실적 ... 18
• 끝페이지 ... 31