▲임상 의사들은 질병 예방 및 확산 방지를 위해 예방 접종을 권한다(사진=ⓒ123RF)

백신 접종 분야에도 인공지능(AI) ‘머신러닝’이 진출했다.

많은 사람이 백신의 부작용을 우려해 예방 접종 프로그램을 무시하고 있다. 그래서 기술 업체 IBM과 시카고대학은 백신 접종률을 높이기 위해 협력 연구를 진행했고 머신러닝을 백신 접종에 적용했다.

IBM과 시카고대학 연구진은 “'사회 복지를 위한 데이터 과학 프로젝트'를 통해 백신 접종을 받지 않아 질병 위험에 처한 어린이를 예측하기 위해 이 머신러닝을 고안했다”고 말했다. 프랑스, 포르투갈, 미국 등 다국적 연구진이 이번 프로젝트에 참여했다.

백신 접종, 왜 필요할까

질병 통제 예방 센터(CDC)에 따르면 백신 접종을 하지 않은 사람들은 병에 걸릴 가능성이 크다. 특히 홍역과 유행성 이하선염과 같은 예방 가능한 질병이 백신을 맞지 않은 사람들에게는 쉽게 감염되기 때문이다.

그 외에도 의료 전문가들은 다음과 같은 추가적인 이유로 예방 접종 프로그램을 홍보하고 있다.

개인은 문화적 또는 종교적 배경과 관계없이 백신 접종을 받을 수 없는 건강 상태에 놓이기도 한다.

이때 그 사람이 예방 접종을 받은 사람들로 구성된 지역 사회에 살고 있다면 이 지역에서는 집단 면역의 이점을 얻을 수 있다. 지역 구성원들이 대부분 백신을 맞았다면, 그중에서 백신을 맞지 않은 사람이 예방 가능한 질병에 걸릴 가능성은 조금 낮아진다.

예방 가능한 질병은 유효한 치료법이 없어서 백신에 의해 막는 편이 좋다. 예를 들어 MMR 백신은 사람들을 홍역으로부터 보호한다.

그러나 백신 접종을 받지 않은 사람이 감염된다면 의사는 감염 후 나타나는 증상만 치료할 수 있다. 백신은 예방 가능한 질병으로 인한 사망률을 줄인다.

▲예방 가능한 질병은 유효한 치료가 불가능하므로 병에 걸리기 전에 백신으로 예방하는 편이 좋다(사진=ⓒ123RF)

백신 접종을 받지 않은 사람이 감염된 질병에서 회복되면 신체가 특정 질병에 대한 면역력을 갖는다.

그러나 바이러스 감염 후 면역 체계가 약화된 상태이기 때문에 완전히 회복되기까지 몇 년이 걸릴 수도 있다. 백신은 신체가 이런 고통을 겪지 않고도 면역력을 갖출 수 있도록 돕는다.

백신은 이처럼 장점이 많지만, 일부 부모들은 자신의 자녀가 백신을 맞지 않도록 하고 있다. 백신으로 인한 부작용을 우려하기 때문이다. 예를 들어 MMR 백신이 자폐증을 유발할 수도 있다는 주장이 있었다. 물론 이것은 거짓으로 판명됐다.

백신 접종 프로그램 위한 머신러닝

연구진은 백신 접종률을 높이는 데 도움이 되는 머신러닝 알고리즘을 개발하기 위해 인공지능(AI)을 활용했다. 이 프로젝트는 백신을 맞지 않으면 질병에 걸릴 위험이 높은 어린이를 예측하기 위해 진행됐다.

연구에 참여한 IBM 수석 분석 사무소의 데이터 과학자 틴 오레스코비치는 "이것이 유용한 이유는 사람들이 뭔가 결심을 했을 때 그것을 바꾸기가 쉽지 않기 때문이다. 즉, 부모가 자녀에게 백신을 맞추지 않기로 했다면 그 마음을 바꾸기가 어렵다. 하지만 과학적인 근거를 들어 백신이 자녀에게 중요한 이유를 설명한다면 설득이 가능할 수 있다"고 말했다.

이 프로젝트의 주요 목표 중 하나는 특정 인구 집단에서 백신 접종률의 최소 할당량을 충족시키기 위해서다.

백신을 맞을 수 없는 최소 집단을 보호하기 위해 주변에 있는 집단 구성원들이 백신을 맞아야 하는 최소 할당량은 95%다. 백신을 맞을 수 없는 사람은 노인, 임신한 여성, 신생아 등이다.

연구진은 머신러닝 알고리즘을 훈련하기 위해 지난 2011년부터 작년까지 초등학교 1학년에 입학한 4만 8,000명의 어린이의 전자 건강 기록을 사용했다. 그런 다음 4가지 모델의 성능을 평가했다.

그 결과 라쏘(LASSO) 로지스틱 회귀 모델이 백신을 접종하지 않으면 위험에 처할 어린이들을 예측하는 정확도 72%를 보였다.

▲연구진은 백신 접종률을 높이는 데 도움이 될 머신러닝 알고리즘을 개발하기 위해 AI를 사용했다(사진=ⓒ123RF)

연구진은 라쏘의 성능이 백신 접종률에 영향을 미치는 수많은 실행 가능한 데이터 포인터를 잘라낸다고 설명했다. 이 알고리즘 모델은 다양한 포인트를 25개로 압축해서 줄였으며 가장 주목할 만한 것에 집중했다.

라쏘는 거의 모든 사람이 이해할 수 있는 데이터를 보여줬다. 이 모델은 과학자, 보건 당국자 등이 이해할 수 있는 용어를 사용해 예방 접종을 받지 않은 어린이의 위험 점수를 나타낸다.

연구진은 이 프로그램의 높은 정확성을 활용해 조기 경보 및 모니터링 시스템을 개발할 수 있었다.

이 시스템은 의사와 보건 담당자에게 예방 접종률 및 아동 위험 점수를 제공한다. 전국 각지에 있는 지역 보건 클리닉에서 이 데이터를 활용해 백신 접종에 회의적인 학부모를 설득할 수 있다.

이 프로젝트는 여기서 멈추지 않는다. 연구진은 위험 점수가 결과적으로 예방 접종 비율을 높이는 데 도움이 되는지 확인하기 위해 무작위 통제 시험을 실시하고 있다.

오레스코비치는 "머신러닝 알고리즘을 배치하면 개인의 사생활과 문화적, 종교적 자치가 무시될 수 있다는 우려가 있다. 이에 따라 지역 사회에서 이 프로그램을 사용하려면 데이터 과학자는 일반인에게 충분히 공개할 수 있는 데이터만을 사용하고, 인종이나 종교 등 편견을 조장할 수 있는 요인은 무시해야 한다"고 조언했다.