구글 지역 정보 AI, 뎅기열 예측과 접종률 추정에 썼다

구글이 10월 6일(현지시간) Earth AI의 PDFM을 공중보건에 적용한 협력 연구 5건을 공개했다. PDFM은 지역의 특성을 수치로 요약해 두는 모델이다. 연구는 미국의 예방접종률과 심혈관질환 사망자 추정부터 멕시코 뎅기열과 콩고민주공화국 콜레라 예측까지 다뤘다. 구글은 지역 특성을 담은 정보를 기존 보건 예측 모델에 덧붙여 쓸 수 있다고 밝혔다.

지역 정보를 왜 더하나

보건 당국이 어디에 인력과 물자를 보낼지 정하려면 지역별 상황을 제때 알아야 한다. 구글은 기존 보건 통계가 수년 늦게 나오거나, 국경을 기준으로 끊겨 있거나, 일부 지역에서는 아예 부족하다고 지적했다. 질병마다 데이터를 따로 모으고 다듬는 작업도 빠른 대응에 부담이 된다는 설명이다.

PDFM은 검색 동향, 사람들의 이동, 건물이 밀집한 정도, 환경 요인을 지역별 특징을 나타내는 수치로 압축한다. 구글에 따르면 개인을 알아볼 수 없게 처리한 신호를 쓰고, 지역 정보는 매달 새로 갱신된다. 연구자는 원자료를 직접 모으는 대신 이 정보를 기존 분석에 넣기만 하면 된다. 구글은 질병별로 모델을 추가 학습시키지 않고도 여러 연구에서 기존 입력 자료와 비슷하거나 더 나은 결과를 얻었다고 설명했다.

국경 너머 정보도 쓸모 있을까

미국과 캐나다의 국경 주변에서는 양국 정보를 함께 썼을 때 예방접종률 추정이 나아졌다. 마운트시나이 헬스시스템과 보스턴 어린이병원 연구진은 국경에서 150㎞ 이내인 미국 146개 카운티를 살폈다. 캐나다 지역 정보를 더하자 홍역, 볼거리, 풍진(MMR) 백신 접종률의 지역별 차이를 모델이 설명하는 비율이 16%에서 22%로 높아졌다. 구글은 국경을 넘나드는 이동과 행동의 영향이 반영된 결과라고 설명했다.

이미지: research.google

통계가 늦게 나오는 문제를 메울 수 있는지도 살폈다. 뉴욕대 그로스먼 의대 연구진은 미국 약 3,100개 카운티에서 그해의 심혈관질환 사망자 수를 추정했다. PDFM을 쓴 결과와 기존 인구조사 자료를 쓴 결과 사이에 뚜렷한 차이는 없었다. 구글은 인구조사 자료가 최대 2~3년 전 상황을 담는 데 비해 PDFM은 더 최근의 지역 정보를 쓸 수 있다고 강조했다.

뎅기열 예측은 얼마나 나아졌나

멕시코 연구에서는 약 2,450개 기초자치단체의 20202025년 뎅기열 발생을 예측했다. 연구진은 PDFM에 시간에 따른 변화를 예측하는 모델 TimesFM 2.0을 결합했다. 구글에 따르면 한 달 뒤를 내다볼 때 개선 폭이 가장 컸고, 전파가 활발한 지역 중 최대 72%에서 정확도가 올라갔다. 콩고민주공화국 콜레라 연구에서는 12주 뒤 예측이 눈에 띄게 나아지지는 않았다. 다만 구글은 물자 이동을 미리 준비할 수 있는 4~8주 뒤 예측에는 도움이 됐다고 밝혔다.

이미지: research.google

산후우울증 연구는 지역 정보가 후속 지원 대상을 고르는 데 미치는 영향을 살폈다. 워싱턴대 연구진은 미국 질병통제예방센터 조사 참여자 33만2,970명의 자료로 PDFM을 평가했다. 위험도가 높은 산모 상위 20%에게 후속 지원을 한다고 가정한 모의실험에서, 지역 정보를 더하면 산후우울증을 겪는 농촌 산모를 해마다 5,640명 더 지원할 수 있는 것으로 추산됐다.

PDFM의 지역 데이터는 구글 Maps Platform의 Population Dynamics Insights에서 유료로 미리 써 볼 수 있다. 학계와 공중보건 연구자는 실제 서비스 운영이 아닌 연구 목적에 한해 무료 이용을 신청할 수 있다. 이번 연구의 의미는 기존 보건 분석에 지역 정보를 얹어 예방과 지원 대상을 정하는 데 썼다는 점이다. 구글은 시간에 따른 지역 변화를 반영하는 일과 인터넷 연결이 부족한 지역으로 적용을 넓히는 일을 다음 과제로 꼽았다.