새로운 연구 'GeoID-PINN'이 인공지능(AI) 기술을 활용해 지역별 감염병 확산 경로를 더욱 정밀하게 파악하는 방법을 제시했습니다. 이 모델은 물리 정보 신경망(PINN, Physics-Informed Neural Network)에 지리적 결합(Geographic Coupling) 개념을 도입하여, 각 지역의 감염병 발생이 주변 지역과 어떻게 상호작용하는지 정량적으로 분석합니다. 이는 단순히 감염자 수를 예측하는 것을 넘어, 지역 간의 전파 연결성을 이해하는 데 중요한 진전을 의미합니다.
GeoID-PINN은 감염병 확산 모델인 SIRD(Susceptible-Infectious-Recovered-Deceased) 역학 모델에 기반하며, 지역 간의 공간적 의존성을 '소스-구성 행렬(source-composition matrix)'로 표현합니다. 이 행렬은 각 지역의 감염원이 다른 지역에서 유입된 비율을 나타내며, 거리, 인접성, 통근 데이터 등 지리적 사전 정보(spatial prior)를 활용해 정규화됩니다. 연구팀은 루이지애나(Louisiana)주 64개 카운티의 코로나19 데이터를 사용해 GeoID-PINN을 평가했는데, 기존 자기회귀(autoregressive) 모델 대비 평균 제곱 오차(MSE)를 32,957에서 11,468로, 평균 절대 오차(MAE)를 70.60에서 57.73으로 크게 줄였습니다. 이는 모델이 감염병 궤적 예측에서 훨씬 더 높은 정확도를 보인다는 것을 의미합니다.
이 연구는 감염병 확산 예측의 정확도를 높일 뿐만 아니라, 지역 간의 전파 구조를 이해하는 데 중요한 통찰력을 제공합니다. 정확한 지역별 확산 경로 분석은 공중 보건 당국이 감염병 발생 시 특정 지역에 대한 봉쇄(lockdown), 이동 제한, 자원 배분 등 정책 결정을 내릴 때 과학적 근거를 제공할 수 있습니다. 예를 들어, 특정 도시에서 감염병이 발생했을 때, GeoID-PINN은 어떤 인접 도시로 확산될 가능성이 높은지, 그리고 그 확산의 주요 원인이 무엇인지(예: 통근 인구)를 파악하여 효과적인 방역 전략 수립에 기여할 수 있습니다. 이는 미래 팬데믹(pandemic) 대응 능력을 강화하는 데 핵심적인 기술이 될 것입니다.