컨텐츠 바로가기

04.19 (금)

이슈 애니메이션 월드

코로나19 집단감염 위험도 계산하니…마트보다 지하철이 더 위험

댓글 첫 댓글을 작성해보세요
주소복사가 완료되었습니다
[머니투데이 류준영 기자] [원자력硏, ‘다중이용시설 코로나19 전파 위험도 예측 시뮬레이션’ 개발…콜센터〉지하철〉마트 순]

머니투데이

원자력연구원이 인공지능으로 구로 콜센터 코로나-19 감염 상황을 시뮬레이션한 결과※ 정상인(파랑 사람모형), 감염자(빨강), 잠복기 감염자(노랑)/자료=원자력연

<이미지를 클릭하시면 크게 보실 수 있습니다>


콜센터, 지하철, 마트 등의 다중이용시설 중 코로나(COVID-19) 집단 감염확률이 가장 높은 곳은 ‘콜센터’인 것으로 조사됐다.

1일 한국원자력연구원 지능형컴퓨팅연구실 유용균 실장 연구팀이 인공지능(AI)·빅데이터 전문 민간기업들과 함께 다중이용시설 코로나19 전파 위험도를 예측할 수 있는 시뮬레이션 기술을 개발한 후 3곳(콜센터·마트·지하철)을 대상으로 돌려본 결과 이 같은 결과를 얻었다고 밝혔다.

이번 기술은 간단히 말해 컴퓨터 상에 가상의 사회 공간을 만들어 그곳에서 행위자의 행동 방식을 모형화해 전염병이 확산하는 추세를 확인할 수 있다. 실제 다수의 전염 사례에 대한 자료를 공학적으로 분석해 현상을 재현할 수 있다면, 제2의 이태원 사례가 발생하지 않도록 사전에 방역 및 관련 정책을 수립하는데 도움을 줄 수 있다는 게 연구팀의 설명이다. 현재 국가 전체 단위에서 코로나19의 전파 추세를 예측하는 시뮬레이션 모델은 나와 있지만, 많은 사람들이 이용하는 시설 자체의 감염 위험도를 예측하는 기술은 아직 없다.

연구팀은 이전에 실제로 일어났던 일부 집단 전염사례에 대한 역학 데이터를 바탕으로 감염병 전파 모델을 만들고, 3차원(D) 애니메이션, 가상현실(VR) 등의 콘텐츠를 제작하는데 쓰는 소프트웨어(유니티)를 이용해 다중이용시설의 공간과 개별 이용자의 이동 경로를 모델화했다. 이어 이를 바탕으로 각 개인의 증상과 개인 간 거리에 따라 감염 여부를 예측하는 전파 확률 모델을 구축, 사람 간 거리에 따라 전체 이용자와 해당 시설의 위험도를 계산했다. 다만, 이 시뮬레이션은 공기 중 바이러스에 의한 간접 전파, 물체 표면에 남은 바이러스를 통한 사물 오염 등을 제외한 밀접접촉으로 인한 비말(침방울) 전파만을 가정한 것이다.

연구팀은 우선 지난 구로 콜센터 감염 데이터에 시뮬레이션을 적용해본 결과, 질병관리본부의 역학조사 논문과 비슷한 결과를 도출했다. 유 실장에 따르면 실제로 구로 콜센터 11층, 216명의 근무자 중 94명이 코로나19 확진 판정을 받아 43.5%의 감염률을 보였는데, 11층 근무자를 199명으로 가정해 시뮬레이션으로 예측해본 결과 50%(100명)의 감염 확률을 나타냈다.

또 마트와 지하철을 비교한 결과, 지하철의 감염 위험도가 높게 나타났다. 연구팀은 두 곳의 면적대 인구 비율을 같도록 설정하고, 전체 중 10%가 감염됐다는 가정을 뒀다. 마트는 방문 손님 수를 고정하고, 지하철은 탑승객 유입·유출이 계속 이뤄진다는 조건을 줬다. 그 결과 지하철 이용자 1195명 중 감염자는 120명으로 10%의 감염 확률이 나왔다. 마트는 112명 중 감염자는 평균 7명으로 6.3%의 감염 확률을 보였다. 연구팀은 “지하철을 타러 가는 통로나 출입구 등 사람들의 동선이 겹치는 구간이 상대적으로 더 많은 지하철에서 위험도가 높게 측정됐다”고 설명했다.

유 실장은 “이번에 개발한 시뮬레이션은 간소화한 규칙을 바탕으로 개발한 모델로 전문역학자, 의료인이 참여한 연구는 아니”라며 “이태원, 신천지 및 해외 감염사례 등 보다 많은 역학데이터를 수집·추가하고, 다양한 전문가들이 참여한다면 보다 정확한 전파모델을 만들 수 있을 것”이라고 말했다. 또 “추후 에어로빅 교습소, 학원, PC방, 사우나 등의 시설에 코로나19 집단 감염 위험도를 파악해 방역 관련 정책을 수립하는 데 도움을 줄 것”이라고 덧붙였다.

류준영 기자 joon@

<저작권자 ⓒ '돈이 보이는 리얼타임 뉴스' 머니투데이, 무단전재 및 재배포 금지>
기사가 속한 카테고리는 언론사가 분류합니다.
언론사는 한 기사를 두 개 이상의 카테고리로 분류할 수 있습니다.