숨은 마코프 모델로 보는 개인 수준 전염병 전파 분석

초록

본 논문은 개인별 감염·제거 시점을 관측되지 않은 상태에서, 각 개인의 최초 양성 검출 시점만을 이용해 전염병 전파 과정을 추정하는 새로운 자동회귀 결합 숨은 마코프 모델을 제안한다. 기존 데이터 증강 방식과 달리 검출 시점이 감염·제거와 일치하지 않아도 되며, 검출 확률을 과거 관측에 의존하도록 설정해 단일 검출 데이터와 비독립적 검사 상황을 모두 포괄한다. 토마토 잎마름병 바이러스 실험과 병원 간호사 노로바이러스 집단발생 사례에 적용해 모델의 유연성과 실용성을 입증한다.

상세 분석

이 연구는 개인 수준 전염병 모델링의 핵심 난제인 ‘숨은 상태(감염·제거 시점)’를 추정하기 위해 자동회귀(autoregressive) 결합 숨은 마코프 모델(AR‑coupled HMM)을 도입한다. 전통적인 베이지안 데이터 증강 방법은 감염·제거 시점이 관측된 검출 시점과 동일하거나, 모든 감염자가 결국 검출된다는 전제를 둔다. 그러나 실제 현장에서는 증상 발현이나 검사 결과가 최초 양성 검출 시점과 크게 차이날 수 있으며, 일부 감염자는 검출되지 않은 채 회복하거나 사망하기도 한다. 논문은 이러한 현실을 반영해, 각 개인에 대해 단 하나의 검출 시점만을 관측값으로 사용하고, 검출 확률을 과거 검출 기록에 조건부로 의존하도록 모델링한다. 이는 검출 과정이 독립적인 연속 검사와 달리, 첫 양성 결과 이후 검사가 중단되거나, 동일 개인에 대한 반복 검사가 상관관계를 가질 때도 적용 가능하게 만든다.

모델 구조는 두 개의 숨은 상태 시퀀스(감염·제거)를 각각 마코프 체인으로 정의하고, 이들 사이에 전염 네트워크(감염률 β)와 개인별 제거율을 결합한다. 관측 과정은 ‘검출 확률 함수 ψ(t|history)’로 표현되며, 이는 과거 검출 여부와 시간 간격에 따라 변동한다. 베이지안 추론을 위해 Gibbs 샘플링과 메트로폴리스‑헤스팅스 알고리즘을 혼합한 MCMC 절차를 설계했으며, 특히 ψ의 자동회귀 형태가 파라미터 공간을 고차원으로 만들지만, 조건부 사후분포가 표준 형태를 유지하도록 설계해 샘플링 효율을 확보했다.

두 사례 연구에서 모델은 (1) 토마토 잎마름병 바이러스 실험에서 개별 식물의 감염 시점과 제거(사망) 시점을 정확히 복원했으며, (2) 병원 간호사 집단에서 노로바이러스 전파 경로와 잠재적 무증상 감염자를 추정해 기존 보고서와 일치하거나 더 세밀한 전파 네트워크를 제시했다. 결과는 검출 확률이 과거 검출에 의존하도록 설정함으로써, 단일 검출 데이터만으로도 숨은 전파 역학을 정밀하게 복원할 수 있음을 보여준다.

이 접근법의 주요 강점은 (i) 검출 시점이 감염·제거와 일치하지 않아도 되는 유연성, (ii) 연속 검사 가정이 필요 없는 현실적 데이터 구조 수용, (iii) 검출 과정의 자기상관성을 모델에 직접 포함함으로써 비독립적 검사 상황을 정량화한다는 점이다. 한편 한계로는 (a) MCMC 수렴에 필요한 계산량이 크게 증가할 수 있어 대규모 인구에 적용 시 효율적인 변분 추정법이 필요하고, (b) 검출 확률 함수 ψ의 형태를 사전에 지정해야 하는데, 실제 현장에서 적절한 사양을 찾기 어려울 수 있다. 향후 연구에서는 ψ를 비파라메트릭 방식으로 추정하거나, 신경망 기반 확률 모델과 결합해 복잡한 검출 메커니즘을 자동 학습하는 방향이 제안된다.