시간변화 네트워크에서 기본 재생산수와 최종 감염 규모의 불일치

초록

본 연구는 인간 접촉의 시간적 정보를 포함한 경험적 네트워크에서 전염병 모델을 시뮬레이션하여, 기본 재생산수 R₀와 최종 감염 비율 Ω 사이의 전통적 결정론적 관계가 깨질 수 있음을 보였다. 31개의 네트워크 구조 지표 중 시간적·위상적 특성이 R₀가 Ω를 예측하는 정확도를 저해한다는 것을 규명하였다.

상세 분석

이 논문은 전통적인 정적 네트워크 모델에서 R₀와 최종 감염 규모 Ω가 일대일 함수 관계에 있다고 가정하는 한계를 지적한다. 저자들은 실제 인간 접촉 데이터를 기반으로 한 31개의 시간적 네트워크를 수집하고, SIR(감수‑감염‑회복) 모델을 다양한 전염성 파라미터와 회복률로 실행하였다. 각 시뮬레이션에서 R₀는 초기 감염자가 평균적으로 만든 2차 감염 수로 정의하고, Ω는 전염병이 소멸한 뒤 전체 인구 중 감염된 비율로 측정하였다.

결과는 동일한 R₀ 값이라도 네트워크의 시간적 구조—예를 들어, 접촉이 집중되는 시간 창, 인터‑컨택트 간격의 변동성, 그리고 활동성 피크의 위치—에 따라 Ω가 크게 달라질 수 있음을 보여준다. 특히, ‘활동성 폭(활동 기간의 표준편차)’, ‘접촉 간격의 꼬리 길이’, ‘시간적 클러스터링 계수’와 같은 지표는 R₀와 Ω 사이의 상관관계를 약화시키는 주요 요인으로 식별되었다. 반면, 정적 위상 지표인 평균 경로 길이와 클러스터링 계수는 Ω 예측에 상대적으로 덜 영향을 미쳤다.

또한, 저자들은 다중 회귀 분석을 통해 31개 지표 중 7개가 R₀의 예측력을 유의미하게 감소시키는 것으로 나타났으며, 이들 중 4개는 순수 시간적 특성(예: 접촉 빈도의 변동성, 시간적 상관성), 3개는 위상·시간 복합 특성(예: 시간에 따라 변하는 중심성)이다. 이러한 결과는 전염병 모델링에서 단순히 R₀만을 사용해 위험을 평가하는 것이 부적절할 수 있음을 시사한다.

마지막으로, 저자들은 R₀와 Ω 사이의 관계를 보정하기 위한 제안으로, 시간적 네트워크의 ‘전염성 가중 평균 접촉률’과 ‘시간적 네트워크 효율성’ 같은 복합 지표를 도입할 것을 권고한다. 이러한 보정은 정책 입안자가 급속히 변하는 사회적 접촉 패턴을 고려해 보다 정확한 전염병 대응 전략을 설계하는 데 기여할 수 있다.