동적 생존 분석을 이용한 전염병 카운트 데이터의 주변우도 추정

초록

본 논문은 동적 생존 분석(DSA) 프레임워크를 활용해 이산적으로 관측된 감염 사례 수 데이터를 위한 폐쇄형 주변우도식을 제시한다. 대규모 인구 한계에서 확률적 위험률을 근사함으로써, 개별 감염·회복 시간의 결측을 정확히 적분하고, 계산 효율적인 베이지안 추론을 가능하게 한다. 시뮬레이션과 실제 에볼라·COVID‑19 사례를 통해 모델의 정확도와 확장성을 검증하였다.

상세 분석

본 연구는 전염병 역학 모델링에서 가장 큰 난관 중 하나인 부분 관측 데이터의 주변우도 계산을 DSA(동적 생존 분석)라는 새로운 관점으로 해결한다. 먼저, Sellke 구성에 기반한 개별 수준의 감염 임계값 Q_i 를 도입하고, 누적 노출 Λ(t)=β∫₀ᵗ I(s)ds 로 표현한다. 이때 Q_i>Λ(t)인 경우 해당 개인은 아직 감염되지 않은 것으로 해석되며, 이는 감염 시간 T_i 의 생존함수 s(t)=P(T_i>t)=exp(−R₀ r(t))와 동일하다. 여기서 r(t)=γ∫₀ᵗ ι(s)ds, ι(t)는 대규모 인구 한계(N→∞)에서 ODE(5)로부터 얻어지는 감염 비율이다. 이러한 해석을 통해 감염 시간의 밀도 f_TI(t)=−ṡ(t)/(1−s(T)) 를 명시적으로 구할 수 있다.

핵심은 대규모 한계에서 위험률 β·ι(t) 를 사용해 개별 감염·회복 과정을 독립적으로 분리함으로써, 결측된 감염·회복 시점을 적분하는 복잡한 고차원 적분을 회피한다는 점이다. 정확한 감염 시점만 관측된 경우(13)에서는 l(θ|t₁,…,t_K)=∏{i=1}^K β s(t_i) ι(t_i)/(1−s(T)) 로 단순화된다. N(초기 감수성 인구) 를 모를 경우에도 N에 대한 항이 사라져 추정이 가능하다. 보다 현실적인 경우인 구간별 감염 카운트 Y_j 를 관측할 때는 변환 u{jl}= (s(t_{jl})−s(ξ_{j−1}))/ (s(ξ_{j−1})−s(ξ_j)) 로 정의하고, Jacobian을 계산하면 각 u_{jl} 가 Uniform(0,1) 임을 확인한다. 결국 주변우도는 l(θ|{Y_j})=s^{N−K}T ∏{j=1}^P (s(ξ_{j−1})−s(ξ_j))^{Y_j} 로 축소된다. 이는 기존의 전이 확률 계산이나 입자 필터링에 비해 계산량이 크게 감소한다.

방법론의 일반화도 다루어진다. 개별 감수성 이질성을 frailty 변수로 모델링하거나, 동질 혼합 대신 Poisson 랜덤 네트워크를 도입해 β를 네트워크 구조에 따라 변형한다. 이러한 확장은 DSA의 위험률 근사가 ODE 해에 의존한다는 점을 유지하면서도, 모델링 유연성을 크게 확대한다. 시뮬레이션에서는 부분 관측 상황에서도 정확한 파라미터 복구를 보이며, 기존의 정확한 likelihood 기반 MCMC 대비 10배 이상 빠른 수렴 속도를 보였다. 실제 에볼라와 COVID‑19 데이터에 적용한 결과, 기본 재생산수 R₀와 회복률 γ 추정이 문헌값과 일치하고, 사후 예측 구간이 실시간 감염 추세를 잘 포착하였다. 전반적으로 DSA 기반 주변우도는 계산 효율성, 확장성, 그리고 실용성 측면에서 기존 방법을 능가한다는 결론을 도출한다.