원인불명 집단발병 대비 사건기반 및 증후군 감시 시범 운영체계 마련

초록

ㅇ연구배경 및 필요성 -최근 COVID-19 팬데믹, 기후변화, 글로벌 이동성 증대 등으로 신종 및 원인불명 질환의 발생 위험이 급증하고 있다. -국내 감시체계는 법정감염병 신고 중심(Indicator-based Surveillance, IBS)으로, 원인불명 질환이나 비정형 증상 집단발병에는 조기 대응이 어렵다. -이에 대응하기 위해 사건기반(Event-based) 및 증후군(Syndromic) 감시체계를 도입하여, 실시간 이상징후 탐지 및 조기경보 시스템을 마련하고자 한다. ㅇ연구목표 -미국 CDC, 영국 UKHSA, WHO 등 국외 감시체계 사례 분석 및 국내 적용 전략 도출. -국내 보건데이터(HIRA, NEDIS 등) 및 온라인 데이터(SNS, 뉴스, 논문 등) 수집·전처리 체계 구축. -시계열·머신러닝 기반 이상징후 탐지 알고리즘 및 AI 기반 자동 감시 시스템 개발. -엠폭스, 마이코플라스마 폐렴 등 국내 사례 적용을 통한 시범운영체계 검증. ㅇ연구내용 및 방법 -데이터 수집: HIRA 공개자료(1,828질환, 2010–2024), SNS·커뮤니티·논문·국제기구 보고서 약 22만 건 자동 수집. -시계열 분석: 변화점 탐지(PELT, Bayesian CPD), 시나리오 예측(ARIMAX, 구조적 시계열), 질환 패턴 자동분류(6유형). -AI 감시시스템: GPT-4.1-nano 기반 7종 이벤트(감염·확산·증상·예방·통제·완치·사망) 자동 분류 및 신뢰도(Confidence Score) 가중 분석. 시계열상 급증 구간을 Peak Point로 탐지하여 경보 발생. ㅇ주요결과 -질환 패턴 분석: - 순환계·근골격계 질환: 증가·감소 균형. - 호흡계 질환: 감소 및 변동성 높은 질환이 다수 → 방역정책 효과 시사. -AI 감시 시범결과: - 엠폭스: 실제 유행 약 2~3개월 전 온라인상 ‘증상+완치’ 이벤트 급증 탐지. - 마이코플라스마 폐렴: 실제 유행 1~2개월 전 이상징후 확인. -국외 분석: TF-IDF, KeyBERT, LDA, BERTopic 등을 통해 감염병·암·심혈관 질환·AI 의료기술이 주요 연구 트렌드로 도출됨. ㅇ결론 및 활용방안 -본 연구는 국내 최초로 사건기반 감시(EBS)와 증후군 감시(SS)를 통합한 시범체계를 구축하여, -AI 기반 조기경보 시스템의 구현 가능성을 실증하였다. -향후에는 실시간 데이터 연계(NEDIS·HIRA·SNS) 확대, LLM 기반 탐지 고도화, -법·제도적 기반 정비를 통해 국가 차원의 상시 감염병 경보체계로 발전시킬 수 있을 것이다.

ㅇ Background and Necessity -The risk of emerging and unknown infectious diseases has significantly increased due to the COVID-19 pandemic, climate change, and global mobility. -Korea’s current surveillance system is based primarily on legally notifiable diseases (Indicator-based Surveillance, IBS), which limits early response capability for unknown diseases or atypical cluster outbreaks. -To address these limitations, this study aims to introduce Event-based Surveillance (EBS) and Syndromic Surveillance (SS) systems to enable real-time anomaly detection and early warning of potential outbreaks. ㅇ Objectives -Analyze international surveillance systems (CDC, UKHSA, WHO, etc.) and derive applicable strategies for domestic implementation. -Establish a data collection and preprocessing framework integrating domestic health data sources (HIRA, NEDIS) and online data (social media, news, academic articles, international reports). -Develop time-series and machine-learning–based anomaly detection algorithms and an AI-driven automated surveillance system. -Validate the proposed pilot operation system through domestic case applications, including Monkeypox and Mycoplasma pneumoniae outbreaks. ㅇMethods -Data Collection: 1,828 disease categories from HIRA open data (2010–2024) and approximately 220,000 records from SNS, online communities, academic papers, and international organizations were automatically collected. -Time-Series Analysis: Change-point detection (PELT, Bayesian CPD), scenario forecasting (ARIMAX, structural time-series), and disease-pattern clustering (six types). -AI Surveillance System: Event classification into seven categories (infection, spread, symptom, prevention, control, recovery, death) using GPT-4.1-nano, applying confidence-weighted analysis. Peak points on time-series curves were identified as anomalies triggering early warnings. ㅇKey Results -Disease Pattern Analysis: - Circulatory and musculoskeletal diseases showed a balanced trend of increase and decrease. - Respiratory diseases showed a higher proportion of decreasing or volatile patterns, indicating possible effects of public health interventions. -AI Surveillance Pilot: - Monkeypox: Detected an increase in “symptom + recovery” event mentions about 2–3 months before the actual outbreak. - Mycoplasma pneumoniae: Identified anomaly signals 1–2 months prior to the observed surge. -International Trend Analysis: Using TF-IDF, KeyBERT, LDA, and BERTopic, major research trends were identified in infectious diseases, cancer, cardiovascular diseases, and AI-based medical technologies. ㅇ Conclusion and Implications -This study established the nation’s first integrated pilot system combining Event-based and Syndromic Surveillance, -demonstrating the feasibility of an AI-driven early warning system for unknown disease outbreaks. -Future directions include expanding real-time data linkage (NEDIS, HIRA, SNS), advancing LLM-based detection models, -and strengthening legal and institutional foundations to evolve into a national, real-time infectious disease early-warning system.