공중 보건 예측은 질병 확산과 같은 급작스러운 변화에 민감하게 반응해야 하면서도, 일시적인 노이즈나 보고 오류에 과도하게 반응하지 않는 균형 잡힌 접근이 중요합니다. 최근 발표된 연구에 따르면, 머신러닝(ML)과 시계열 통계 모델인 ARIMA(자기회귀 누적 이동평균)를 결합한 새로운 앙상블 기법(MLAMA: Machine Learning and ARIMA Model Averaging)이 이러한 난제를 해결하며 예측 정확도를 크게 높이는 것으로 나타났습니다.
이 연구는 2020년 1월부터 2023년 10월까지 캐나다 온타리오주의 주간 코로나19 확진자 수 데이터 190개를 활용했습니다. ARIMA, 랜덤 포레스트(Random Forest), XGBoost(Extreme Gradient Boosting) 등 다양한 모델을 비교 평가했으며, 특히 MLAMA는 예측 기간과 반응성 설정에 따라 가중치를 조절하는 비음수 성능 가중 앙상블 방식으로 설계되었습니다. 회고적 비교 결과, ARIMA는 변화 시점에 빠르게 적응했지만 장기 예측 오차가 커지는 경향을 보였고, 머신러닝 모델들은 초기 반응성은 떨어지지만 장기 예측에서 더 안정적인 오차를 유지했습니다. MLAMA는 대부분의 예측 기간에서 가장 낮은 정규화 평균 절대 백분율 오차(normalized mean absolute percentage error)를 달성하며, 각 모델의 장점을 효과적으로 결합했음을 입증했습니다.
이러한 결과는 공중 보건 예측 시 단일 모델에 의존하기보다 운영 조건에 따라 최적의 모델을 선택하거나, 여러 모델을 결합하는 유연한 접근 방식이 필요함을 시사합니다. MLAMA는 통계 모델과 머신러닝 예측의 상호 보완적인 특성을 활용하여, 팬데믹과 같은 예측 불가능한 상황에서 정책 입안자들이 더 신뢰할 수 있는 데이터를 기반으로 신속하고 정확한 결정을 내릴 수 있도록 돕는 실용적인 프레임워크를 제공합니다. 이는 미래의 공중 보건 위기 대응 역량을 강화하는 데 중요한 기여를 할 것으로 기대됩니다.