지구 AI의 행성 규모 지리공간 기반 모델을 글로벌 공중 보건을 위해 개방하다

공중보건 의사결정은 시의성 있고 세분화된 데이터에 크게 의존합니다. 심혈관 질환이나 산후 우울증과 같은 건강 상태에 대해 그러한 데이터는 자원과 지원을 어디에 집중해야 하는지 알려줍니다. 뎅기나 콜레라와 같은 급성 질병 발생의 경우 긴급한 운영 프로토콜과 자원 배분을 결정하는 데 도움을 줄 수 있습니다. 그러나 기존의 역학 감시는 종종 여러 한계로 인해 저해를 받는다. 데이터 문제: 수년에 걸친 보고 지연, 경직된 지정학적 경계에 따른 데이터 분리, 그리고 데이터 희소성. 이러한 한계가 없더라도, 전통적인 모델링 접근 방식은 신속한 발병 상황이나 자원이 제한된 환경에서 배포하기 어려운 광범위한 과업별 데이터 수집과 맞춤형 데이터 엔지니어링 파이프라인을 필요로 합니다.

이러한 구조적 병목 현상을 해결하기 위해 우리는 소개 a 새로운 패러다임 행성 지리공간 기반 모델을 활용한 공중 보건 분야. 다음을 사용하여 Google Earth AI’s 인구 동태학 기반 모델 개념 증증(proof-of-concept)으로서 (PDFM)을 활용하여, "장소"에 대한 자기지도 학습 기반 사전 훈련된 표현을 기존의 보건과학 및 역학 워크플로우에 플러그 앤 플레이 방식의 입력으로 직접 통합하는 방법을 시연합니다. 이는 역학자들이 이미 사용하는 통계 및 머신러닝(ML) 모델을 향상시키는 것이지, 처음부터 새로운 파이프라인을 구축하는 것이 아닙니다. PDFM은 개인정보를 보호하는 검색 트렌드, 인간 이동성, 건조환 밀도, 그리고 환경적 결정 요인들을 위치 임베딩으로 압축합니다. 작업별 파인튜닝 없이도, 이러한 바로 사용 가능한 위치 임베딩은 다양한 질병 분야, 지리적 환경, 그리고 역학적 과제에 걸쳐 기존 입력과 동등하거나 더 나은 성능을 보였습니다.

PDFM이란 무엇인가요?

PDFM은 위성 영상, 날씨, 익명 검색 트렌드, 인간 이동성 및 기타 인구 역학을 연결하는 지리공간 모델 제품군인 Google Earth AI의 일부로, 자기지도 학습을 사용하여 다음과 같은 다양한 프라이버시 보호 신호를 월 단위로 갱신되는 위치의 "지문" 역할을 하는 컴팩트하고 다재다능한 임베딩으로 종합합니다:

• 통합 검색 트렌드: 커뮤니티 수준의 관심을 받은 주제 및 리소스의 검색 빈도
• 건축 환경 및 모빌리티: 약국, 진료소, 공원과 같은 장소의 지역 밀도와 번화함.
• 환경 결정 요인: 고해상도 기상 및 대기 질 지표와 통계.

연구자들이 직접 이러한 원시 데이터 스트림을 수집하고 처리할 필요 없이, PDFM 임베딩은 기존 ML 워크플로에 쉽게 통합되어 즉시 사용 가능한 지리공간 맥락을 제공할 수 있습니다.

선행 연구 에서는 이러한 임베딩이 작업 불가지론적(task-agnostic)임을 보여주었습니다. 이러한 일상적 신호들이 건강에 영향을 미치는 근본적인 사회적, 행동적, 환경적 결정 요인을 포착하기 때문에, 동일한 임베딩이 다양한 CDC 건강 지표의 공백을 채우는 데서 강력한 성능을 보였습니다..

그러나 글로벌 건강을 위한 새로운 패러다임을 확립하는 것에는 더 높은 입증 책임이 따릅니다. 이 기준을 충족하기 위해 우리는 PDFM 임베딩이 더 폭넓은 다양한 건강 문제와 전 세계의 서로 다른 환경에서 그 가치를 입증하고자 하였습니다.

Google Earth AI의 PDFM이 광범위한 글로벌 건강 문제에 적용된 개요.

한눈에 보는 검증 매트릭스

이를 달성하기 위해 우리의 글로벌 건강 연구 파트너들은 다양한 역학적 과제, 자원 환경, 질병 유형에 걸쳐 다섯 가지 뚜렷한 공중 보건 문제에 대해 독립적인 평가를 진행했습니다:

국경 간 예방접종 역학 포착

우리의 평가에 따르면 역학 모델은 주권 국경에 의해 제약을 받지만, 그 모델이 추적하는 결과들은 그렇지 않습니다. 예를 들어 캐나다 국경에서 150 km 이내에 위치한 미국의 146개 카운티에서는 국내 전용 모델이 지역 백신 접종률을 예측하는 데 종종 어려움을 겪습니다.

미국 카운티 임베딩을 다음과 같은 것으로 보완함으로써 캐나다 우편 구역(FSA) 임베딩, 연구진들은 마운트 시나이 헬스 시스템(Mount Sinai Health System) 그리고 보스턴 어린이 병원 국경을 넘는 행동 및 이동의 외부 효과(spillover)를 반영한 모델을 개발했습니다. 홍역 발생 위험이 있는 지역사회를 공중보건 당국이 정확히 파악할 수 있도록, 연구진은 이 추가된 초국경 맥락을 활용해 모델이 설명하는 MMR 백신 접종률 변동의 비중을 16%에서 22%로 높였고(36% 증가), 국경 지역 주민 4.7백만 명에 대해 접종률 추정치를 최소 3퍼센트포인트 이상 정밀화하여 국내 데이터만 사용한 모델이 놓칠 수 있는 지역적 패턴을 밝혀냈습니다.

만성질환 감시에서 보고 지연 줄이기

심혈관 질환(CVD) 매년 미국에서 916,000명의 생명을 앗아갑니다 그러나, 억제되지 않은 공식 카운티 수준 사망률 데이터는 National Vital Statistics System (NVSS)는 일반적으로 1–2년 늦게 제공되며, American Community Survey (ACS) 공변량은 최대 2–3년 전의 상태를 반영합니다. PDFM은 더 많은 지역에서 훨씬 적은 시차로 이용 가능하여 질병 모델링 역량을 향상시킬 수 있는 능력을 제공합니다.

우리의 파트너인 NYU Grossman School of Medicine 은 미국 약 3,100개 카운티에서 현재 연도의 CVD 사망자를 추정할 때 PDFM이 이러한 인구조사 기반 입력을 대체할 수 있는지 테스트했습니다. 그 결과, nowcasting에서 PDFM과 기존 인구조사 데이터 사이에 통계적으로 유의한 차이가 없으며, PDFM이 훨씬 더 최신이고 훨씬 더 많은 지역에서 이용 가능하다는 것을 발견했습니다:

• 인구조사 데이터에 필적하는 성능: PDFM을 사용한 모델은 2023년 카운티 수준의 CVD 사망자를 ACS 인구통계 및 사회경제 데이터를 사용한 모델과 거의 동등한 정확도로 예측했으며(nowcasting 시 카운티당 평균 오차 18.7 대 19.1명), 대규모 카운티의 이상치 오차(RMSE)를 20%(57.7 → 46.0) 줄였습니다. 그 차이는 통계적으로 유의하지 않아 PDFM이 인구조사 입력의 대체재로 사용될 수 있음을 시사합니다.
• 더 시의적절하고 더 광범위하게 이용 가능: ACS 공변량은 5년치 조사 데이터를 취합하며 수집 후 최대 1년이 지나서야 공개됩니다. 이 연구에 사용된 PDFM 임베딩은 단 한 달치 데이터로 구축되었습니다. 또한 PDFM은 17개국에서 이용 가능한 반면, ACS는 미국만을 대상으로 합니다.

이러한 결과는 보건 당국이 수년에 걸친 조사 주기를 기다리지 않고 현재 상태를 기반으로 예방 자원을 배분할 수 있음을 시사합니다.

활동성 발생 핫스팟 예측의 정교화

뎅기와 같은 매개체 매개 질병의 발생에 대응할 때는 시간이 특히 중요합니다. University of Oxford 및 Tecnológico de Monterrey의 공중보건 연구자들과의 협력을 통해, 우리는 PDFM을 TimesFM 2.0 (당사의 오픈 시계열 파운데이션 모델)과 결합하여 2020년부터 2025년까지 멕시코 약 2,450개 지자체의 뎅기 환자 수를 예측했습니다.

모델의 가장 큰 성능 향상은 한 달 앞을 예측할 때 나타났으며, 최대 72%의 활동성 뎅기 전파 지자체에서 예측 정확도를 개선하여 총 오차 감소가 열화보다 3.4배 더 컸습니다. 이러한 성능은 단기 예측의 입증된 유용성 을 고려할 때, 시의적절한 방제 및 임상 인력 배치 결정이 가장 중요한 바로 그 지역에서 나타났습니다.

임상 선별에서 지리적 경계 시험하기

산후 우울증(PDD) 같은 산모 정신 건강 질환에 대한 선별은 일반적으로 임상 접수 정보에 의존하는데, 이는 산모의 위험도와 의료 접근성을 형성하는 더 넓은 지역사회 여건을 거의 반영하지 못합니다. 지리공간 파운데이션 모델이 이 격차를 좁히는 데 도움이 될 수 있는지 시험하기 위해 워싱턴 대학교 332,970명 참가자를 대상으로 PDFM 임베딩을 평가했으며 CDC PRAMS 국가 조사의 332,970명 참가자를 대상으로 PDFM 임베딩을 평가했습니다.

PDFM이 지역사회 수준의 사회경제적 여건을 포착했을 뿐만 아니라(R2=0.45), 임베딩을 추가하면 위험에 처한 산모를 예측하는 데 일관되고 통계적으로 유의한 향상을 제공했습니다(이미 본 주에서 AUC +0.0020; 본 적 없는 주에서 +0.0038). 중요한 것은 이 신호가 훈련 중 모델이 본 적 없는 주에서도 유지되었다는 점입니다. 이는 산모 본인의 소득 및 건강보험 기록을 사용할 수 없을 때 그 예측 신호의 약 15%를 회복하는 보완적 지역 맥락으로 작용합니다.

이전 가능한 맥락은 새로운 주에서 선별 자원이 어떻게 배분되는지에 가장 큰 차이를 만들었습니다. 보건 시스템이 위험도 상위 20% 산모를 후속 관리할 수 있는 시뮬레이션에서 PDFM을 추가하면 매년 산후 우울증을 겪는 5,640명의 농촌 산모를 더 도달시킬 수 있었습니다. 또는 전체 사례의 80%를 적발하는 것을 목표로 하는 시스템에서는 PDFM이 연간 17,723건의 오경보를 줄였습니다. 이는 지리공간 임베딩이 보건 시스템이 농촌 확장 사업을 넓히거나 후속 관리 효율을 개선하는 데 도움이 될 수 있음을 보여줍니다.

시적 콜레라 발생의 리드 타임 확장

콜레라 같은 수인성 전염병에 대한 조기 경보는 경구 콜레라 백신과 깨끗한 물 자원의 사전 배치에 필수적입니다. 다행히 발생은 드뭅니다. 임의의 주에 대해 해당 국가의 403개 보건 구역 중 100개 구역 중 1개 미만에서만 발생이 시작됩니다. 불행하게도 바로 이 희소성 때문에 예측하기가 어렵습니다.

아프리카 지역 세계보건기구 지역사무국 이 정의한 사용 사례를 다루기 위해, 콩고민주공화국의 통합질병감시대응(IDSR) 보고의 국가 감시 데이터를 사용하여 인터넷 연결이 희소한 지역에 맞게 조정된 경량 저자원 PDFM 버전이 콜레라 취약 지역 예측에 도움이 될 수 있는지 시험했습니다.

그 효과는 얼마나 앞서 예측하느냐에 따라 달랐습니다. 1~2주 앞으로는 최근 사례 수가 대부분의 정보를 담고 있어 PDFM이 정확도를 유의미하게 높이지 못했습니다. 4~8주 앞으로는, 즉 아직 물자를 이동시킬 시간이 있는 시점에서는 다음을 달성하는 데 도움이 되었습니다:

• 더 정확한 우선 목록: 대응팀은 고위험 구역의 짧은 목록을 기반으로 작업하므로, 매주 모델의 상위 5개 선정 중 몇 개가 실제로 발생으로 이어졌는지 확인했습니다. 8주 앞선 시점에서 PDFM은 이를 주당 1.78개에서 2.10개로 올렸으며, 18%의 개선입니다.
• 콜레라가 풍토병인 지역에서 더 큰 효과: 전체 주의 절반 이상에서 콜레라를 보고한 적이 있는 15개 구역에서 8주 우선 목록의 Precision@5가 0.3333에서 0.3975로 개선되어 19%의 상대적 향상을 보였습니다.

이러한 결과는 단기 추적은 최근 임상 데이터에 의존할 수 있지만, 파운데이션 모델 임베딩은 환경, 연결성, 인구 관련 근본 결정 요인을 포착하여 과거 데이터를 보완함으로써 1~2개월 앞선 사전 대응 계획을 가능하게 함을 보여줍니다.

앞으로의 전망

지리공간 파운데이션 모델은 반응적이고 지역화된 모델링에서 행성 규모의 능동적이고 시간에 민감한 보건 인텔리전스로의 전환을 가능하게 합니다. 정적 스냅샷 같은 현재의 한계는 시간에 따라 동적인 임베딩과 연결이 취약한 지역을 위한 지리적 전이 학습에 대한 활발한 연구를 촉진하고 있습니다.

행성 규모의 맥락 데이터를 기존 공중 보건 워크플로에 통합함으로써, 의료 자원, 개입, 발생 경보가 가장 필요로 하는 지역사회에 도달하는 방식을 개선하는 조치를 취하는 데 도움을 줄 수 있습니다. 자세한 내용은 논문 을 읽어보십시오.

PDFM 임베딩은 Google Maps Platform의 지리공간 임베딩 데이터셋인 Population Dynamics Insights 로서 Preview 단계에서 상업적으로 이용 가능합니다. 학계 및 공중 보건 연구자는 선별된 비운영 연구 사용 사례에 대해 무료 액세스를 요청 할 수도 있습니다.