스탠퍼드 모델, 도시 내 COVID-19 확산 매핑으로 정책 결정 지원

전국적으로 COVID-19 사례가 증가함에 따라 도시 관계자들은 감염 확산 방지와 비즈니스 지원이라는 어려운 균형 잡기 과제에 직면했습니다. 스탠퍼드 대학교의 컴퓨터 모델은 이동성과 접촉 패턴을 보여주며, 그 제작자들은 이것이 지역 지도자들의 의사결정을 돕기를 희망합니다.

스탠퍼드 팀은 모델의 구체성이 관계자들에게 귀중한 도구가 될 수 있다고 말합니다. 시뮬레이션은 시설이 제한된 수용 인원으로 개방할 때 새로운 감염과 매출 손실 사이의 트레이드오프를 드러냅니다.

주요 결론: 모델(위 스탠퍼드 대학교 비디오 참조)에 따르면, 최대 수용 인원의 50%로 입장을 제한하면 경제는 방문 손실을 5~10%로 줄이면서 전체 감염을 50% 이상 감소시킬 수 있습니다.

익명화된 대규모 휴대전화 데이터를 사용하여 스탠퍼드 팀은 애틀랜타, 댈러스, 뉴욕시를 포함한 미국 10대 대도시권(총 9,800만 명 이상)의 이동 패턴을 분석했습니다.

컴퓨터 모델은 하루 동안 사람들이 어디를 가는지, 얼마나 오래 머무는지, 한 번에 장소가 얼마나 붐비는지 등 감염 위험을 주도하는 세 가지 요인을 분석하여 올봄 10개 주요 도시에서 COVID-19 확산을 정확하게 예측했습니다.

"관심 지점(POI)에서의 적은 비율의 감염이 전체 감염의 큰 비율을 차지한다는 것이 밝혀졌습니다."

이번 달 네이처(Nature) 링크 저널에 발표된 이 연구는 인구통계학적 데이터, 역학적 추정, 익명 휴대전화 위치 정보를 조합하여, 대부분의 COVID-19 가정 외 전파가 사람들이 오랜 시간 밀접한 공간에 머무는 '슈퍼전파자 사이트(superspreader sites)'에서 발생한다고 예측했습니다.

"우리는 다양한 인구통계적 배경과 다른 동네의 사람들이 더 붐비거나 덜 붐비는 다양한 유형의 장소를 어떻게 방문하는지 분석하는 컴퓨터 모델을 구축했습니다. 이 모든 것을 바탕으로 특정 장소나 시간에서 새로운 감염 발생 가능성을 예측할 수 있었습니다."라고 스탠퍼드 컴퓨터 과학자이자 수석 연구자인 쥐레 레스코벡(Jure Leskovec) 링크은 말했습니다.

레스코벡과 그의 팀은 밀도 상한선(시설 수용 인원 제한)이 전체 감염을 줄일 뿐만 아니라 COVID-19 영향을 받는 커뮤니티 간 격차도 줄인다고 결론지었습니다. 모델은 이동 패턴이 불균형한 위험을 주도한다고 제시합니다.

"저소득층이 밀도가 높은 장소를 더 자주 방문한다는 것이 밝혀졌습니다."라고 연구 공동 저자인 데이비드 그루스키(David Grusky) 스탠퍼드 인문과학대학 사회학 교수(위 비디오 참조)는 말했습니다. "예를 들어 저소득층 동네의 식료품점은 밀도가 더 높고 더 붐비는 경향이 있습니다."

테크 브리프의 더 많은 컴퓨터 모델

테크 브리프 TV 시청: MIT 컴퓨터 모델로 가장 복잡한 3D DNA 형태 제작.

빌리 블로그: 획기적 모델로 충전식 배터리 내부 더 잘 보기.

매거진: NASA의 모델 기반 진단 엔진

스탠퍼드 빈곤 및 불평등 센터를 이끄는 그루스키는 모델이 낮은 수용 인원 상한선으로 사업을 재개하면 취약 계층에 가장 큰 혜택이 돌아간다고 말했습니다.

"소수자와 저소득층을 고용하는 장소가 종종 더 작고 붐비기 때문에, 재개장 매장의 수용 인원 상한선은 그들이 직면한 위험을 낮출 수 있습니다."라고 그루스키는 말했습니다. "우리는 현재 관행이 만드는 격차를 제거하거나 적어도 줄이는 재개장 계획을 수립할 책임이 있습니다."

스탠퍼드의 데이터 수집 방법

모바일 애플리케이션에서 익명화된 위치 데이터를 집계하는 세이프그래프(SafeGraph)는 스탠퍼드 모델러들에게 사람들이 어디로 갔는지, 얼마나 머물렀는지, 가장 중요하게는 각 시설의 평방피트 수를 보여주어 연구자들이 시간당 점유 밀도를 결정할 수 있게 했습니다.

스탠퍼드 연구에 포함된 도시는 뉴욕, 로스앤젤레스, 시카고, 댈러스, 워싱턴 D.C., 휴스턴, 애틀랜타, 마이애미, 필라델피아, 샌프란시스코였습니다.

연구 1단계(3월 8일부터 5월까지)에서 이동성 데이터를 사용하여 코로나바이러스 전파율을 예측했습니다. 모델에서 매일 보건 당국에 보고된 COVID-19 감염 수를 반영한 후, 연구자들은 다양한 장소와 시간에서 감염 사건 확률을 계산하기 위한 일련의 방정식을 개발하고 개선했습니다.

예측은 보건 당국의 실제 보고와 밀접하게 일치하여 연구자들에게 모델의 신뢰성에 대한 확신을 주었습니다.

박사과정생 엠마 피어슨(Emma Pierson)을 포함한 팀은 도구와 데이터를 공개하여 다른 연구자들이 결과를 복제하고 확장할 수 있게 했습니다.

아래 짧은 Q&A에서 피어슨은 테크 브리프에 왜 모델이 재개장 전략이 '전부 아니면 전무(all-or-nothing)'일 필요가 없는지 설명합니다.

테크 브리프: 모델 자체에서 어떤 데이터가 수집되어 기존 모델링 방법과 비교하여 가치 있는 '구체성'을 허용하나요?

엠마 피어슨: 우리는 세이프그래프(SafeGraph)라는 회사의 익명화된 집계 데이터를 사용합니다. 이 회사는 휴대전화 데이터를 사용하여 인간 이동 패턴을 추적합니다. 우리 데이터는 매시간 레스토랑, 식료품점 같은 관심 지점(POI)에 몇 명이 가는지, 그들이 어떤 동네에서 왔는지 기록합니다.

우리의 분석은 2020년 3월부터 5월까지(첫 감염 파동) 미국 10대 대도시권 데이터를 기반으로 합니다. 이 세분화된 이동성 데이터는 누가, 어디서, 언제 감염되는지 모델링할 수 있게 합니다.

테크 브리프: 모델에서 도출된 가장 중요한 결론은 무엇이라고 생각하나요?

엠마 피어슨: 우리의 분석에서 여러 결론이 도출되지만, 가장 중요한 두 가지는:

• 재개장은 '전부 아니면 전무'일 필요가 없습니다: 최대 수용 인원 축소 같은 전략으로 방문 감소는 상대적으로 적으면서 감염을 크게 줄이며 더 효율적으로 재개장할 수 있습니다.
• 우리 모델은 인종적, 사회경제적 격차가 부분적으로 이동성에 의해 주도됨을 시사합니다: 이들은 불가피한 것이 아니라 단기 정책 결정으로 영향을 줄 수 있습니다. 따라서 재개장 전략 평가 시 전체 인구 영향뿐만 아니라 취약 계층 영향도 고려하는 것이 중요합니다. 이는 캘리포니아와 바이든-해리스 인수위가 재개장 정책의 취약 계층 영향을 구체적으로 고려하는 조치를 취하는 것을 뒷받침합니다.

테크 브리프: 관계자들이 모델을 가장 효과적으로 어떻게 활용할 수 있나요?

엠마 피어슨: 위의 두 발견은 직접적으로 정책 관련성이 있으며, 더 효과적이고 공평한 재개장 전략 개발에 도움이 됩니다. 우리는 정책 입안자와 대중이 우리 모델과 상호작용하고 배울 수 있는 온라인 도구도 구축 중입니다. 또한 원래 분석이 봄 데이터 기반이었고 그 이후 많은 것이 바뀌었으므로 더 업데이트된 데이터로 분석을 확장하는 작업도 진행 중입니다.

여러분의 생각과 질문, 댓글을 공유해 주세요.