[논문 리뷰] Data-Driven Decision Making in COVID-19 Response: A Survey

Shuo Yu, Qing Qing외 4명|arXiv (Cornell University)|2022. 02. 23.

Mental Health Research Topics인용 수 5

한 줄 요약

이 종합 검토는 글로벌 코로나19 대응에서 데이터 기반 의사결정 접근법을 통합하여 전염병 통제, 정신 건강 지원, 재정 지원, 복직 및 학교 재개 분야의 응용을 분석한다. 데이터 품질, 복잡한 분석, 알고리즘 공정성 등의 핵심 과제를 규명하며, 공중보건 데이터 시스템 분야의 향후 연구를 위한 기반을 제공한다.

ABSTRACT

COVID-19 has spread all over the world, having an enormous effect on our daily life and work. In response to the epidemic, a lot of important decisions need to be taken to save communities and economies worldwide. Data clearly plays a vital role in effective decision making. Data-driven decision making uses data related evidence and insights to guide the decision making process and to verify the plan of action before it is committed. To better handle the epidemic, governments and policy making institutes have investigated abundant data originating from COVID-19. These data include those related to medicine, knowledge, media, etc. Based on these data, many prevention and control policies are made. In this survey paper, we summarize the progress of data-driven decision making in the response to COVID-19, including COVID-19 prevention and control, psychological counselling, financial aid, work resumption, and school re-opening. We also propose some current challenges and open issues in data-driven decision making, including data collection and quality, complex data analysis, and fairness in decision making. This survey paper sheds light on current policy making driven by data, which also provides a feasible direction for further scientific research.

연구 동기 및 목표

• 글로벌 코로나19 패an드믹 대응에서 데이터 기반 의사결정 응용을 체계적으로 검토하기 위해.
• 공중보건 및 사회경제 정책를 안내하는 데 기여한 주요 데이터 원천과 그 역할을 식별하고 분석하기 위해.
• 이질적이고 동적인, 개인정보가 민감한 원천들에서의 데이터 수집, 품질, 분석 과제를 진단하기 위해.
• 공중보건 긴급 상황 동안 알고리즘 기반 의사결정의 공정성 및 해석 가능성 문제를 조사하기 위해.
• 향후 팬데믹 대응에서 데이터 기반 정책 시스템을 향상시키기 위한 연구 로드맵 제공하기 위해.

제안 방법

• 전염병 통제, 정서적 지원, 재정 지원, 복직, 학교 재개 등 다양한 분야에서 데이터 기반 정책에 대한 체계적 종합 검토를 수행하였다.
• epidemiological, 과학 연구(예: CORD-19), 지식 그래프(예: COKG-19), 이동성 데이터 등 다양한 데이터 원천을 분류하고 분석하였다.
• 의사결정 지원을 위한 데이터 통합, 정제, 분석을 포함한 데이터 처리 파이프라인 평가를 수행하였다.
• 실시간, 이질적이고 종종 저품질인 데이터에서 통찰을 도출하기 위해 머신러닝 및 데이터 분석 기법을 적용하였다.
• 데이터 품질, 알고리즘 공정성, 개인정보 보호 간의 상충 관계를 비판적으로 분석하여 방법론적 격차를 규명하였다.
• 데이터 기반 긴급 대응 시스템에서의 과제와 열린 연구 문제를 통합하였다.

실험 결과

연구 질문

• RQ1 다양한 국가 및 지역에서 코로나19 전파를 통제하기 위해 데이터 기반 접근법은 어떻게 적용되었는가?
• RQ2 팬데믹 기간 동안 공중보건 및 사회경제 정책를 안내하는 데 가장 효과적이었던 데이터 원천의 유형은 무엇인가?
• RQ3 긴급 대응 의사결정에서 데이터 품질, 시의성, 일관성 확보의 주요 과제는 무엇인가?
• RQ4 복잡하고 동적인, 이질적인 데이터 원천들이 데이터 기반 모델의 확장성과 신뢰성에 어떤 영향을 미치는가?
• RQ5 데이터 기반 공중보건 의사결정에서 알고리즘의 공정성과 투명성을 향상시키는 방법은 무엇인가?

주요 결과

• 데이터 기반 의사결정은 봉쇄, 검사 전략, 자원 배분 등 팬데믹 대응 정책의 속도와 정확도를 크게 향상시켰다.
• CORD-19 및 Worldometer 등의 대규모 데이터를 활용하여 신속한 지식 통합과 근거 기반 정책 수립이 가능해졌다.
• COKG-19와 같은 지식 그래프는 의료 및 과학 정보에 대한 구조화된 추론을 가능하게 하여 의사결정의 추적 가능성을 향상시켰다.
• 진전에도 불구하고, 일관성 부족, 누락된 값, 지연 보고 등의 데이터 품질 문제로 인해 신뢰할 수 있는 의사결정의 주요 장애물이 되었다.
• SARS-CoV-2와 같은 새로운 병원체에 대한 역사적 데이터 부족으로 전통적 예측 모델의 효과성이 떨어졌으며, 실시간 및 적응형 분석에 의존할 수밖에 없었다.
• 알고리즘 의사결정에서 공정성 문제는 우려를 낳았으며, 왜곡되거나 불완전한 데이터 입력으로 인해 재정 지원 및 의료 자원 배분에서 편향의 위험이 존재했다.