[논문 리뷰] Predicting Infectiousness for Proactive Contact Tracing

Yoshua Bengio, Prateek Gupta외 21명|PolyPublie (École Polytechnique de Montréal)|2020. 10. 23.

COVID-19 Digital Contact Tracing참고 문헌 40인용 수 8

한 줄 요약

이 논문은 스마트폰 기반 시스템인 프로아티브 컨택트레이싱(PCT)을 제안한다. 이 시스템은 기기 내 머신러닝을 활용해 접촉력, 증상, 기저질환을 바탕으로 개인의 감염 가능성 예측을 수행하며, 검사 결과 도착 이전에도 조기이고 개인 맞춤형 경고를 가능하게 한다. 이는 이진 컨택트레이싱(BCT)보다 더 낮은 불필요한 격리와 더 나은 유행병 통제를 가능하게 하며, 조건부 수용률이 낮은 경우에도 유의미한 성능을 보인다.

ABSTRACT

The COVID-19 pandemic has spread rapidly worldwide, overwhelming manual contact tracing in many countries and resulting in widespread lockdowns for emergency containment. Large-scale digital contact tracing (DCT) has emerged as a potential solution to resume economic and social activity while minimizing spread of the virus. Various DCT methods have been proposed, each making trade-offs between privacy, mobility restrictions, and public health. The most common approach, binary contact tracing (BCT), models infection as a binary event, informed only by an individual's test results, with corresponding binary recommendations that either all or none of the individual's contacts quarantine. BCT ignores the inherent uncertainty in contacts and the infection process, which could be used to tailor messaging to high-risk individuals, and prompt proactive testing or earlier warnings. It also does not make use of observations such as symptoms or pre-existing medical conditions, which could be used to make more accurate infectiousness predictions. In this paper, we use a recently-proposed COVID-19 epidemiological simulator to develop and test methods that can be deployed to a smartphone to locally and proactively predict an individual's infectiousness (risk of infecting others) based on their contact history and other information, while respecting strong privacy constraints. Predictions are used to provide personalized recommendations to the individual via an app, as well as to send anonymized messages to the individual's contacts, who use this information to better predict their own infectiousness, an approach we call proactive contact tracing (PCT). We find a deep-learning based PCT method which improves over BCT for equivalent average mobility, suggesting PCT could help in safe re-opening and second-wave prevention.

연구 동기 및 목표

• 검사 결과에만 의존하는 이진 컨택트레이싱(BCT)의 한계를 해결하기 위해, 건강한 개인의 과도한 격리와 감염자의 부족한 격리 문제를 해결한다.
• 검사 기반 추적의 비효율성, 즉 높은 가짜 음성 비율, 검사 지연, 감염력이 증상 발현 이전에 최고조에 이르는 점을 해결한다.
• 증상과 기저질환과 같은 특징을 활용해 개인의 감염 가능성을 예측하는, 개인정보 보호를 고려한 탈중앙화된 방법을 개발한다. 이는 조기 간섭을 가능하게 한다.
• 개인 맞춤형 단계적 경고와 익명화된 위험도 전파를 가능하게 하는 시스템을 설계함으로써, 중앙집중식 데이터 수집 없이도 공중보건 성과를 향상시킨다.
• 강력한 개인정보 보호 조건을 충족하면서도 구형 스마트폰에서도 구동 가능한 모델을 확보한다.

제안 방법

• 대규모 에이전트 기반 코로나19 시뮬레이터(COVIsim)를 활용해 오프라인으로 깊이 있는 학습 모델을 훈련시켜, 접촉력, 증상, 공존 질환을 바탕으로 개인의 감염 가능성을 예측한다.
• 훈련된 모델을 사용자 기기 내에 로컬로 배포하여 민감한 데이터를 중앙 서버에 전송하지 않고도 실시간 감염 가능성 예측을 수행한다.
• 익명화된 메시지를 통해 개인의 접촉자에게 위험 수준 추정치를 공유함으로써, 접촉자들이 자신의 감염 가능성을 업데이트할 수 있도록 하며, 분산형이고 개인정보 보호를 고려한 추론 네트워크를 형성한다.
• 대역폭을 줄이고 개인정보 보호를 강화하기 위해 기기 간에 전체 확률 분포를 전송하지 않고, 로컬 예측기에게만 정보성 높은 저차원 입력만 전송한다.
• 구타 등(2020)의 연구에 영감을 받아, 검사 결과 외의 지표인 증상 보고 및 병력 정보를 통합함으로써 예측 정확도를 향상시킨다.
• 전문 앱 개발 팀과의 협업을 통해 모델의 효율성과 구형 스마트폰 호환성을 확보함으로써, 실생활 배포가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 시뮬레이션된 전염병학 데이터를 기반으로 훈련된 머신러닝 모델이, 오직 검사 결과에 의존하는 이진 컨택트레이싱보다 개인의 감염 가능성을 더 정확하게 예측할 수 있는가?
• RQ2 증상, 공존 질환과 같은 검사 기반 외 특징을 통합할 경우, 검사 전용 모델 대비 감염 가능성 예측의 시기성과 정확도는 얼마나 향상되는가?
• RQ3 특히 낮은 수용률에서도 프로아티브 컨택트레이싱이 기존 디지털 컨택트레이싱보다 질병 전파를 얼마나 줄일 수 있는가?
• RQ4 기기 간 위험도 추정치를 전파하는 탈중앙화된 개인정보 보호 시스템이 중앙집중식 또는 이진 접근 방식보다 더 나은 공중보건 성과를 달성할 수 있는가?
• RQ5 이러한 시스템의 개인정보 및 형평성 영향은 무엇이며, 설계 및 데이터 거버넌스를 통해 이를 어떻게 완화할 수 있는가?

주요 결과

• 딥러닝 기반의 프로아티브 컨택트레이싱(PCT)은 이진 컨택트레이싱(BCT)보다 질병 전파를 크게 줄이며, 이동 제약 조건이 동일한 상황에서도 유의미한 성능 향상을 보인다.
• PCT는 검사 결과의 지연에 의존하지 않고 증상 및 접촉 데이터를 기반으로 고위험 개인을 조기에 식별함으로써 불필요한 격리를 줄인다.
• 낮은 수용률(예: 10%) 조건에서도 유의미한 지역 수준의 핫스팟 지도를 생성하여, 입원 환자 수 증가 이전에 공중보건 결정을 지원할 수 있다.
• 증상 발현 이전에 조기이고 개인 맞춤형 경고를 제공함으로써, 감염력이 증상 이전에 최고조에 이르는 점을 고려할 때 매우 중요하다.
• 모델의 성능은 다양한 인구 집단에서 뛰어난 안정성을 보이며, 소득 수준이나 인종에 따른 예측 정확도 격차가 확인되었지만 재가중 전략을 통해 이를 완화하였다.
• 비영리 데이터 트러스트 및 몬트리올 AI 선언 준수를 통해 개인정보 보호와 윤리적 거버넌스를 확보하였으며, 팬데믹 종료 시 데이터와 조직은 모두 해체된다.