[논문 리뷰] Comparing and Integrating US COVID-19 Daily Data from Multiple Sources: A County-Level Dataset with Local Characteristics

G Wang, Gu Z외 6명|arXiv (Cornell University)|2020. 06. 01.

COVID-19 epidemiological studies참고 문헌 5인용 수 6

한 줄 요약

이 연구는 뉴욕타임스, 존스홉킨스대학교, 더 애틀랜틱의 코로나19 추적 프로젝트, USAFacts를 포함한 네 가지 주요 출처에서 제공하는 일일 미국 코로나19 확진자 데이터를 비교하고 통합하며, 보고 지연, 순서 의존성 위반, 이상치 등의 데이터 품질 문제를 다룹니다. 이를 통해 지역 사회경제적, 인구통계적, 보건 인프라 특성을 반영한 통합된 카운티 수준의 데이터셋을 제작하여 공중보건 연구 및 정책 분석을 향상시킵니다.

ABSTRACT

Over the past several months, the outbreak of COVID-19 has been expanding over the world. A reliable and accurate dataset of the cases is vital for scientists to conduct related research and for policy-makers to make better decisions. We collect the COVID-19 daily reported data from four open sources: the New York Times, the COVID-19 Data Repository by Johns Hopkins University, the COVID Tracking Project at the Atlantic, and the USAFacts, and compare the similarities and differences among them. In addition, we examine the following problems which occur frequently: (1) the order dependencies violation, (2) the delay-reported issue on weekends and/or holidays, and (3) abnormal data point or data period. We also integrate the COVID-19 reported cases with the county-level auxiliary information of the local features from official sources, such as health infrastructure, demographic, socioeconomic, and environment information, which are important for understanding the spread of the virus.

연구 동기 및 목표

• 여러 공공 코로나19 데이터셋 간의 일관성 문제와 데이터 품질 문제—주말 보고 지연, 순서 의존성 위반, 비정상적인 데이터 포인트—를 해결합니다.
• 인구통계, 사회경제적 요인, 보건 인프라, 환경 요인 등의 카운티 수준 보조 데이터를 통합하여 바이러스 확산에 대한 맥락적 이해를 향상시킵니다.
• 연구자와 정책 입안자들이 패닉 기간 동안 근거 기반 의사결정을 지원할 수 있도록 신뢰할 수 있고 조율되며 종합적인 카운티 수준의 데이터셋을 구축합니다.
• 카운티 수준에서의 일일 확진자 보고에 대한 오류를 식별하고 수정함으로써 다양한 출처 간의 데이터 일관성과 정확성을 확보합니다.
• 장기적 및 횡단적 분석을 지원하는 표준화된 오픈 액세스 데이터셋을 제공하여 SARS-CoV-2 전파 역학을 세밀한 지리적 해상도로 분석할 수 있도록 합니다.

제안 방법

• 뉴욕타임스, 존스홉킨스대학교의 코로나19 데이터 레포지토리, 더 애틀랜틱의 코로나19 추적 프로젝트, USAFacts의 네 개의 오픈 액세스 출처에서 일일 확진자 수를 집계합니다.
• 보고 이상 현상(예: 순서 의존성 위반, 주말/공휴일 보류 보고)을 탐지하고 수정함으로써 오류를 해결하는 데이터 조율 기법을 적용합니다.
• 시간적 정렬 프로세스를 구현하여 보고 일자를 표준화하고, 다양한 출처 간의 사례 업데이트 일관성 문제를 수정합니다.
• 미국 정부 공식 출처에서 제공하는 카운티 수준 보조 데이터를 통합하여, 인구통계, 사회경제적 요인, 보건 인프라, 환경 요소 등을 포함시킵니다. 출처로는 미국 인구조사국, 질병통제예방센터(CDC), 미국 커뮤니티 설문조사 등이 포함됩니다.
• 지오코딩 및 FIPS 기반 매칭을 통해 사례 데이터를 카운티 수준의 인구통계, 사회경제적 요인, 보건 인프라 지표와 정렬합니다.
• 데이터 검증 히우리스틱을 적용하여 비정상적인 데이터 포인트(예: 음수의 확진자 수, 이질적으로 큰 일일 증가 수치)를 탐지하고 수정합니다.

실험 결과

연구 질문

• RQ1 네 가지 주요 미국 데이터 출처에서 보고하는 일일 확진자 수는 카운티 수준에서 일관성과 정확성 측면에서 어떻게 비교될 수 있는가?
• RQ2 주말 및 공휴일 보고 지연은 다양한 출처 간의 일일 사례 데이터 신뢰성에 어떤 영향을 미치는가?
• RQ3 네 가지 데이터 출처에서 가장 흔히 발생하는 데이터 품질 문제—예: 순서 의존성 위반, 비정상적인 데이터 포인트—는 무엇인가?
• RQ4 지역 사회경제적, 인구통계적, 보건 인프라 특성을 포함한 사례 데이터를 통합함으로써 어떻게 조율된 카운티 수준의 데이터셋을 구축할 수 있는가?
• RQ5 데이터 통합 및 품질 보정이 SARS-CoV-2 전파 역학의 장기적 및 공간적 분석 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 주말 및 공휴일 동안 보고 지연과 일관되지 않은 업데이트 패턴으로 인해 네 가지 데이터 출처 간에 상당한 차이가 발견되었으며, 특히 이 시기의 사례 수에서 두드러졌습니다.
• 후행 보고 사례가 이전 사례보다 먼저 기록되는 순서 의존성 위반 현상이 여러 출처에서 발견되었으며, 특히 패닉 초기 단계에서 두드러졌습니다.
• 모든 출처에서 비정상적인 데이터 포인트(예: 음수의 확진자 수, 이질적으로 큰 일일 증가 수치)를 탐지했으며, 보다 덜 정제된 데이터셋에서 빈도가 더 높았습니다.
• 보건 인프라 및 사회경제적 지표를 포함한 카운티 수준의 보조 데이터 통합은 최종 데이터셋의 맥락적 풍부도를 크게 향상시켜 전염병학적 분석에 유용하게 기여했습니다.
• 데이터 품질 보정 절차를 적용한 후 시간적 일관성이 향상되고 노이즈가 감소하여 연구 목적에 적합한 신뢰도가 향상된 것으로 나타났습니다.
• 최종 데이터셋은 SARS-CoV-2 확진자 수를 20개 이상의 지역 특성과 함께 통합한 단일 카운티 수준의 시각을 제공하여 전파 원인 분석의 더 세밀한 분석을 가능하게 했습니다.