[논문 리뷰] $α$-Satellite: An AI-driven System and Benchmark Datasets for Hierarchical Community-level Risk Assessment to Help Combat COVID-19

Yanfang Ye, Shifu Hou외 6명|arXiv (Cornell University)|2020. 03. 27.

Data-Driven Disease Surveillance참고 문헌 40인용 수 27

한 줄 요약

이 논문은 공공 보건 보고서, 이동 패턴, 인구 통계, 소셜 미디어 등 이질적인 데이터 소스를 사용하여 COVID-19에 대한 계층적이고 실시간의 지역 수준 위험 평가를 제공하는 AI 기반 시스템인 $\alpha$-Satellite를 제안한다. 이 시스템은 주, 카운티, 도시, 특정 장소 등 다양한 지리적 수준에서 동적 위험 지수를 생성하며, 확진자 수와 공공 보건 조치와 상관관계가 있어 일상 생활의 혼란을 최소화하면서 사전적 지역 사회 대응 전략을 가능하게 한다.

ABSTRACT

The novel coronavirus and its deadly outbreak have posed grand challenges to human society: as of March 26, 2020, there have been 85,377 confirmed cases and 1,293 reported deaths in the United States; and the World Health Organization (WHO) characterized coronavirus disease (COVID-19) - which has infected more than 531,000 people with more than 24,000 deaths in at least 171 countries - a global pandemic. A growing number of areas reporting local sub-national community transmission would represent a significant turn for the worse in the battle against the novel coronavirus, which points to an urgent need for expanded surveillance so we can better understand the spread of COVID-19 and thus better respond with actionable strategies for community mitigation. By advancing capabilities of artificial intelligence (AI) and leveraging the large-scale and real-time data generated from heterogeneous sources (e.g., disease related data from official public health organizations, demographic data, mobility data, and user geneated data from social media), in this work, we propose and develop an AI-driven system (named $α$-Satellite}, as an initial offering, to provide hierarchical community-level risk assessment to assist with the development of strategies for combating the fast evolving COVID-19 pandemic. More specifically, given a specific location (either user input or automatic positioning), the developed system will automatically provide risk indexes associated with it in a hierarchical manner (e.g., state, county, city, specific location) to enable individuals to select appropriate actions for protection while minimizing disruptions to daily life to the extent possible. The developed system and the generated benchmark datasets have been made publicly accessible through our website. The system description and disclaimer are also available in our website.

연구 동기 및 목표

• 실시간으로 세밀한 지역 사회 수준의 COVID-19 전파를 감시하여 사전 대응 전략을 지원할 긴급한 필요를 해결하기 위해.
• 공공 보건 보고서, 이동 패턴, 인구 통계, 소셜 미디어 등 이질적인 실시간 데이터 소스를 통합하여 데이터의 불확실성과 불완전성을 극복하기 위해.
• 다양한 지리적 수준(주, 카운티, 도시, 특정 장소)에서 실행 가능한 통찰을 제공하는 확장 가능한 계층적 위험 평가 시스템을 개발하기 위해.
• 개인과 지역 사회가 감염 위험을 줄이면서 사회적·경제적 혼란을 최소화할 수 있도록 정보 기반 결정보를 내릴 수 있도록 지원하기 위해.
• 팬데믹 기간 동안 지속적인 연구 및 대응 노력을 지원하기 위해 기준 데이터셋과 공개 접근이 가능한 시스템을 구축하기 위해.

제안 방법

• 공식 공공 보건 보고서, 인구 통계 데이터, 이동 데이터(예: 모바일 기기에서 유래), 소셜 미디어의 사용자 생성 콘텐츠 등 다양한 소스에서 대규모 실시간 데이터를 수집하고 전처리하기 위해.
• 전염병학적, 행동적, 환경적 지표의 가중 융합을 통해 상태 수준에서 특정 장소까지 계층적으로 위험 지수를 계산하는 다단계 위험 모델링 프레임워크를 설계하기 위해.
• 역사적 및 실시간 데이터로 훈련된 기계학습 모델을 적용하여 위험 지수를 동적으로 추정하고 업데이트하여 전파 역학의 변화를 반영하기 위해.
• 지리적 위치 API(예: Google Maps)를 통합하여 사용자 입력 또는 자동 위치 기반으로 위험 지수를 특정 관심 지점(예: 마트)에 매핑하기 위해.
• 공공 보건 조치(예: 집에 머무르기 명령, 기업 폐쇄)를 시간적 특성으로 통합하여 위험 추세에 미치는 영향을 모델링하기 위해.
• 연구 재현성과 검증을 위해 기준 데이터셋에 접근할 수 있는 실시간 시각화 기능을 갖춘 웹 기반 플랫폼으로 시스템을 구현하기 위해.

실험 결과

연구 질문

• RQ1 어떻게 이질적이고 실시간의 데이터 소스를 효과적으로 융합하여 정확하고 계층적인 지역 사회 수준의 COVID-19 위험 평가를 생성할 수 있는가?
• RQ2 생성된 위험 지수는 어떤 정도로 확진자 수와 공공 보건 조치와 관련이 있으며, 다양한 지리적 수준에서 그 상관관계는 어떠한가?
• RQ3 AI 기반 위험 모델링은 사전적이고 실행 가능한 통찰을 제공할 수 있는가? 이는 개인 및 지역 사회 수준의 대응 결정을 지원하면서 과도한 혼란을 유발하지는 않는가?
• RQ4 위험 지수는 주요 공공 보건 이벤트(예: 비상사태 선포) 기간 동안 다양한 장소와 시간대에서 어떻게 변화하는가?
• RQ5 공공의 인식과 이동 패턴은 국소적 위험 수준에 어떤 역할을 하는가? 그리고 이는 위험 모델에 정량적으로 어떻게 반영될 수 있는가?

주요 결과

• 오하이오주 쿠야호가운 카운티의 위험 지수는 3월 8일 0.131에서 첫 3건의 확진자가 확인된 후 3월 9일 0.314로 급격히 상승하여, 시스템이 지역 전파에 민감하게 반응함을 보였다.
• 3월 14일 비상사태 선포와 3월 22일 집에 머무르기 명령이 내려진 후 쿠야호가운 카운티의 위험 지수는 3월 15일 0.605로 감소하여 정책 조치의 측정 가능한 영향을 시사했다.
• 확진자 수와 위험 지수 사이에 양의 상관관계가 있으며, 뉴욕주(NY)는 높은 확진자 수(26,376건)로 인해 가장 높은 위험 지수를 보였다.
• 클리블랜드의 마트와 같은 근접한 장소들 사이에 위험 지수의 차이가 뚜렷하게 나타나며, 이는 공공 인식과 지역 이동 패턴의 차이로 인한 것으로, 시스템이 미세 수준의 위험 변동성을 포착할 수 있음을 보여준다.
• 2020년 3월 24일과 같은 시점에 여러 카운티와 주의 위험 지수를 성공적으로 시각화하고 비교하여, 확진자 데이터 및 정책 일정과 일관된 추세를 보였다.
• 기준 데이터셋과 $\alpha$-Satellite 시스템은 https://COVID-19.yes-lab.org/ 에서 공개되어 있어 재현성과 팬데믹 위험 모델링에 대한 지속적인 연구를 가능하게 한다.