역학조사
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
역학조사는 질병의 발생, 분포, 결정 요인을 연구하는 분야를 의미한다. 주요 용어로는 유병률, 발병률, 위험 요인 등이 있으며, 증후군 감시, 디지털 감시 방법, 실험실 기반 감시 등 다양한 감시 시스템이 활용된다. 증후군 감시는 의료 데이터를 분석하여 질병 유행을 탐지하거나 예상하는 것이며, 디지털 감시는 검색어, 소셜 미디어, 감시 사이트 등을 활용한다. 실험실 기반 감시는 만성 질환 환자의 실험실 데이터를 분석하여 의료의 질을 관리하고 개선하는 데 사용된다.
더 읽어볼만한 페이지
- 감시 (의학) - 중심정맥압
중심정맥압은 상대정맥이나 하대정맥에서 측정되는 혈압으로 우심방의 충만 정도를 반영하며 순환 혈액량, 심장 기능, 혈관 긴장도에 영향을 받아 심부전, 과혈량증, 저혈량증 진단 및 중환자실 환자 모니터링에 활용되는 지표이다. - 감시 (의학) - 광혈량도
광혈류도(PPG)는 피부를 통과하는 빛의 양을 측정하여 혈류량 변화를 감지하는 기술로, 심박수, 호흡, 혈압 등을 모니터링하고 원격으로도 측정이 가능하다. - 공중위생 - 공중보건
공중보건은 조직적인 노력과 사회적 선택을 통해 질병을 예방하고 삶의 질을 향상시키는 과학 기술이며, 환경보건, 역학, 보건관리 분야를 포함하여 개인과 인구 집단의 건강을 개선하고 평균 수명을 늘리는 것을 목표로 한다. - 공중위생 - 건강 형평성
건강 형평성은 사회경제적 요인, 인종, 성별, 지역 등에 의해 발생하는 건강 상태의 불공정한 차이로, 의료 접근성 향상, 사회경제적 불평등 완화, 건강 교육 강화, 차별 해소 등 다각적인 노력과 정책적 개입을 통해 해소해야 한다. - 역학 (의학) - 사망률
사망률은 특정 기간 동안의 사망자 수를 인구 집단 크기로 나눈 비율로, 인구 집단의 건강 상태와 사회 경제적 수준을 나타내는 지표이며, 역학 연구, 세계 보건 동향 분석 등에 활용된다. - 역학 (의학) - 감염
감염은 병원체가 숙주 체내에 침입하여 증식하는 현상으로, 점막이나 상처를 통해 집락화하며, 면역이 약화된 숙주는 기회 감염에 취약하고, 전염병, 유행, 팬데믹, 엔데믹 등 다양한 형태로 나타날 수 있으며, 감염 사슬을 이해하고 차단하는 것이 예방에 중요하다.
| 역학조사 | |
|---|---|
| 개요 | |
| 유형 | 공중 보건 감시 역학 감시 임상 감시 증후군 감시 |
| 정의 | 건강 관련 데이터의 수집, 분석 및 해석 |
| 목적 | 공중 보건 문제의 조기 발견 및 대응 |
| 주요 활동 | |
| 데이터 수집 | 다양한 출처로부터 건강 관련 데이터 수집 |
| 데이터 분석 | 수집된 데이터를 분석하여 패턴 및 추세 파악 |
| 데이터 해석 | 분석 결과를 바탕으로 공중 보건 문제의 원인 및 영향 해석 |
| 결과 전파 | 분석 및 해석 결과를 관련 기관 및 대중에게 전파 |
| 대응 조치 | 문제 해결을 위한 공중 보건 개입 및 정책 수립 |
| 활용 분야 | |
| 감염병 관리 | 예방접종 대상 질병 감시 |
| 만성 질환 관리 | 암 등록 데이터 활용 |
| 약물 부작용 감시 | 자동 감시 시스템 활용 |
| 관련 정보 | |
| 관련 용어 | 공중 보건 감시 (public health surveillance) 역학 감시 (epidemiological surveillance) 임상 감시 (clinical surveillance) 증후군 감시 (syndromic surveillance) |
| 참고 자료 | 역학 감시 시스템 평가 프로토콜 |
2. 주요 용어
역학조사에서 다루는 주요 용어에는 유병률, 발병률, 위험 요인, 소인 등이 있다. 유병률은 특정 시점 또는 기간 동안의 환자 수를, 발병률은 특정 기간 동안 새롭게 발생한 환자 수를 나타낸다.[1] 위험 요인은 유병률과 관련이 있으며, 소인은 질병에 취약한 신체 상태를 의미한다.[1]
2. 1. 유병률 (Prevalence)
'''유병률'''(有病率, prevalence)은 특정 시점에 특정 지역 인구 중 환자 수의 비율을 의미한다. 기간 유병률은 일정 기간 (예: 1년, 6개월) 동안 질병을 앓았던 전체 환자 수를 나타낸다.[1]2. 2. 발병률 (Incidence)
발병률(發病率, incidence)은 특정 기간 동안 특정 인구 집단에서 새롭게 질병이 발생한 환자 수의 비율이다. 주로 연간 인구 1,000명당 새로 발생한 환자 수로 계산된다.[1]2. 3. 위험 요인 (Risk Factor)
유병률과 직접적으로 관련있는 요인으로, 한편 유병률과 발병률의 역학 조사는 위험 요인의 영향에 대한 상호적인 정보를 제공할 수 있다.[1] 소인(素因)은 병에 걸리기 쉬운 내적 요인을 가지고 있는 신체상의 상태를 가리킨다.[1]2. 4. 소인 (Predisposition)
소인은 병에 걸리기 쉬운 내적 요인을 가지고 있는 신체상의 상태를 가리킨다.[1]3. 증후군 감시 (Syndromic Surveillance)
증후군 감시는 질병 발생 및 유행을 조기에 탐지하고 예측하기 위해 다양한 의료 데이터를 분석하는 방법이다.
군터 아이젠바흐는 2004년에 검색 쿼리 기반 증후군 감시 시스템을 처음 제안했다.[11] 구글은 이러한 초기 경험을 바탕으로 2008년에 구글 플루 트렌드(Google Flu Trends)를 출시했다.[12] 구글 플루 트렌드는 독감 관련 검색이 많을수록 독감 활동이 높다고 가정했다. 네이처에 게재된 결과는 CDC 데이터와 거의 일치했으며 1~2주 정도 빨랐다.[13] 그러나 초기 접근 방식에는 여러 모델링 결함이 있어 추정치에 상당한 오류가 발생하기도 했다.[14] 최근에는 구글 검색 쿼리를 이용한 인플루엔자 모델링에 대해 더 발전된 선형 및 비선형 접근 방식이 제안되었다.[15]
영국 브리스톨 대학교의 지능형 시스템 연구소 연구원들은 구글의 작업을 확장하여 정보 검색 및 통계 분석 방법을 기반으로 트위터 내용을 이용해 영국 내 독감 발병률을 예측하는 온라인 도구인 플루 디텍터(Flu Detector)를 개발했다.[16][17]
3. 1. 증후군 감시의 정의 및 목적
증후군 감시는 질병 유행을 탐지하거나 예상하기 위해 의료 데이터를 분석하는 것이다. 질병통제예방센터(CDC)의 정의에 따르면, "증후군 감시라는 용어는 진단보다 앞서고, 추가적인 공중 보건 대응을 보장할 만큼 사례 또는 유행의 충분한 가능성을 나타내는 건강 관련 데이터를 사용하는 감시에 적용된다."[7]일반적인 인플루엔자 유행을 예로 들면, 유행이 인구에 영향을 미치기 시작하면, 일부 사람들은 직장이나 학교에 결근 전화를 하고, 다른 사람들은 약국에 가서 일반의약품을 구매하며, 또 다른 사람들은 의사 진료실을 방문하고, 다른 사람들은 증상이 심각하여 응급 전화 번호로 전화하거나 응급실로 갈 수 있다.
증후군 감시 시스템은 학교 결석 기록, 응급 전화 시스템, 병원의 일반의약품 판매 기록, 인터넷 검색 및 기타 데이터 소스의 데이터를 모니터링하여 비정상적인 패턴을 감지한다. 모니터링되는 시스템에서 활동의 급증이 감지되면 질병 역학자와 공중 보건 전문가에게 문제가 있을 수 있음을 알린다.[9]
생물테러리즘 공격에 대한 조기 인식과 대응은 많은 생명을 구할 수 있고 유행의 확산을 막거나 늦출 수 있다. 질병 유행 또는 생물테러리스트 공격의 첫 징후는 의사의 확정적인 진단이나 실험실 결과가 아닐 수 있다.[8] 가장 효과적인 증후군 감시 시스템은 이러한 시스템을 실시간으로 자동 모니터링하고, 개인이 별도의 정보를 입력할 필요가 없으며(2차 데이터 입력), 고급 분석 도구를 포함하고, 여러 시스템에서 지리적, 정치적 경계를 넘어 데이터를 집계하고, 자동화된 알림 프로세스를 포함한다.[10]
3. 2. 증후군 감시의 작동 원리
일반적인 질병 유행 상황을 가정할 때, 증후군 감시는 다음과 같은 다양한 데이터 소스를 활용한다.| 데이터 소스 |
|---|
| 학교 결석 기록 |
| 응급 전화 시스템 |
| 병원의 일반의약품 판매 기록 |
| 인터넷 검색 |
이러한 데이터에서 비정상적인 패턴 (예: 특정 증상 관련 검색어 급증, 의약품 판매 증가)을 감지하면 질병 역학자와 공중 보건 전문가에게 질병 발생 가능성을 알린다.[9] 이를 통해 질병 유행에 대한 조기 인식과 대응이 가능해져, 많은 생명을 구하고 유행의 확산을 막거나 늦출 수 있다.[10]
3. 3. 증후군 감시 시스템의 특징
효과적인 증후군 감시 시스템은 실시간 자동 모니터링, 2차 데이터 입력 불필요, 고급 분석 도구 포함, 지리적·정치적 경계를 넘는 데이터 집계, 자동화된 알림 프로세스 등의 특징을 갖는다.[10]3. 4. 디지털 감시 방법 (Digital Methods)
디지털 기술의 발전은 증후군 감시 시스템의 효율성을 높이는 데 기여하고 있다. 디지털 공중 보건 감시는 여러 가지 방법에 크게 의존하는데, 대표적으로 다음과 같다.- 구글이나 위키백과 같은 사이트에서 검색 기반 트렌드를 사용
- 페이스북, 트위터 같은 소셜 미디어 게시물 활용
- 플루 니어 유(Flu Near You) 및 인플루엔자넷(Influenzanet) 같은 참여형 감시 웹사이트 이용
이 외에도 학교 출석 기록, 병원 응급실 입원 데이터, 판매 데이터 등 다양한 영역이 디지털화되면서 질병 감시에 활용될 수 있는 데이터 소스가 늘어났다. 검색 트렌드는 공중 보건에 대한 간접적인 데이터를, 학교 출석 기록, 병원 응급실 입원 데이터, 판매 데이터 등은 직접적인 데이터를 제공한다.
3. 4. 1. 검색 집계 (Search Aggregates)
구글이나 위키백과 같은 검색 엔진에서 특정 질병과 관련된 검색어의 추세를 분석하여 질병 발생을 예측할 수 있다. 구글 플루 트렌드(Google Flu Trends)는 이러한 방식을 활용한 대표적인 예시이다.[18][19] 2008년에 처음 출시된 구글 플루 트렌드는 독감 관련 검색이 많을수록 독감 활동이 높다고 가정했다.[12] 초기에는 네이처에 게재된 결과가 질병통제예방센터(CDC) 데이터와 거의 일치하고, 1~2주 정도 빨랐다.[13]하지만 구글 플루 트렌드의 초기 접근 방식은 여러 모델링 결함으로 인해 추정치에 상당한 오류가 발생하기도 했다.[14] 최근에는 구글 검색 쿼리에서 인플루엔자 모델링에 대한 더 발전된 선형 및 비선형 접근 방식이 제안되어 정확도를 높이고 있다.[15]
위키백과도 질병 예측에 활용되지만, 사용자가 아픈지 여부와 관계없이 건강 정보의 인기 있는 출처이기 때문에 "노이즈"에 취약할 수 있다.[21]
3. 4. 2. 소셜 미디어 (Social Media)
트위터, 페이스북 등 소셜 미디어 플랫폼에서 질병 관련 게시물, 해시태그 등을 분석하여 질병 확산 추이를 파악한다. HealthTweets와 같이 트위터 데이터를 활용하는 서비스가 개발되었다.[21] 특히 트위터는 지리적 위치 정보를 포함할 수 있어, 전염병 확산 모델링에 유용하게 활용된다. 트위터는 공중 보건 감시에 가장 많이 사용되는 소셜 미디어 플랫폼이다.[18] 코로나19 범유행 기간 동안, 페이스북은 자사 플랫폼에서 수집된 익명화된 집계 데이터를 사용하여 인간 이동 정보를 질병 모델에 제공했다. 또한 카네기 멜론 대학교를 통해 사용자들에게 질병 증상 설문 조사에 참여할 기회를 제공했다.[22]3. 4. 3. 감시 사이트 (Surveillance Sites)
인플루엔자넷(Influenzanet)과 플루 니어 유(Flu Near You)는 크라우드 소싱 기반의 디지털 감시 시스템의 예시이다. 두 사이트 모두 인플루엔자 증상에 대한 설문에 참여할 사용자를 모집한다. 인플루엔자넷은 2009년에 설립되었으며, 유럽 10개국에서 운영된다. 인플루엔자넷의 전신은 2003년과 2004년에 각각 네덜란드와 벨기에에서 시작된 플랫폼인 그로테 그리프메팅(Grote Griepmeting)이다. 플루 니어 유는 미국에서 사용된다. 감시 사이트의 또 다른 예시로는 브라질 바이아에서 뎅기열 조사를 위해 사용되는 뎅게 나 웹(Dengue na Web)이 있다.[18]4. 실험실 기반 감시 (Laboratory-based Surveillance)
만성 질환, 특히 당뇨병과 같은 질환은 정기적인 실험실 검사를 통해 관리하는 것이 일반적이다. 유럽과 미국에서는 대부분의 실험실 결과가 전산화된 시스템으로 자동 처리되므로, 특수 목적 데이터베이스나 질병 등록소를 통해 이러한 결과를 비교적 쉽고 저렴하게 수집할 수 있다.
데이터에는 각 환자의 이름과 주소가 포함되어 있었기 때문에, 실험실 데이터에서 주의가 필요함을 나타낼 때 환자와 직접 소통하는 데에도 사용되었다. 통제 범위를 벗어난 검사 결과는 환자에게 의료 제공자와 함께 조치를 취하도록 제안하는 편지를 생성했다. 기한이 지난 검사는 검사를 받도록 알림을 생성했다. 또한 이 시스템은 진료소를 위한 지침 기반의 조언과 각 제공자의 환자 명단, 인구의 건강 상태를 요약한 보고서를 주기적으로 생성했다. 대규모 무작위 임상 시험을 포함한 시스템의 임상 및 경제적 평가는 진료 지침 준수 개선과 응급실 및 병원 서비스 필요성 감소, 환자당 총 비용 감소를 입증했다.[25][26][27] 이 시스템은 상업화되어 만성 질환 환자 관리를 담당하는 의사, 보험사, 고용주 등에게 배포되었다. 현재 만성 신장 질환과 같은 다른 질환으로 확대되고 있다.
이와 유사한 시스템으로 뉴욕시 A1C 등록소[28]가 있으며, 버몬트 당뇨병 정보 시스템과는 달리 환자가 NYC 데이터베이스에서 데이터를 제외할 수 있는 조항은 없다.
2008년 5월, 텍사스주 샌안토니오 시의회는 벡사 카운티에 A1C 등록소 배치를 승인했다. 텍사스 주의회와 주 보건부의 승인을 받아 샌안토니오 메트로폴리탄 보건 지구[30]는 샌안토니오의 모든 주요 임상 실험실의 결과를 도출하는 등록소를 구현했다. 이 프로그램은 자금 부족으로 인해 2010년에 중단되었다.
4. 1. 실험실 기반 감시의 작동 원리
전산화된 실험실 정보 시스템을 통해 환자들의 검사 결과를 자동으로 수집하고 분석한다. 대부분의 증후군 감시 시스템과 달리, 만성 질환의 실험실 데이터는 개별 환자 수준에서 연결될 수 있다. 환자 식별자를 일치시킬 수 있다면, 각 환자의 검사 결과 추이를 분석할 수 있을 뿐만 아니라 인구 수준으로 집계할 수도 있다.실험실 등록소를 통해 대상 질환의 발생률과 유병률뿐만 아니라 관리 수준의 추세를 분석할 수 있다. 예를 들어, 국립 보건원(NIH)의 지원을 받은 Vermedx Diabetes Information System[23]은 미국 버몬트 주와 뉴욕 북부 지역의 당뇨병 환자들의 실험실 값을 등록하여 수천 명의 환자에 대한 수년간의 실험실 결과를 유지했다.[24] 이 데이터에는 혈당 조절(당화 혈색소), 콜레스테롤, 신장 기능(혈청 크레아티닌 및 단백뇨) 측정값이 포함되었으며, 환자, 진료소 및 인구 수준에서 의료의 질을 모니터링하는 데 사용되었다.
4. 2. 실험실 기반 감시의 활용 사례
국립 보건원(NIH)의 지원을 받은 Vermedx Diabetes Information System은[23] 미국 버몬트 주와 뉴욕 북부 지역 당뇨병 환자들의 실험실 검사 결과를 등록하여 의료의 질을 모니터링하는 데 사용되었다.[24] 이 시스템은 환자들의 혈당 조절(당화 혈색소), 콜레스테롤, 신장 기능(혈청 크레아티닌 및 단백뇨) 측정값을 관리했다.[24] 또한, 검사 결과가 통제 범위를 벗어나면 환자에게 알림을 보내고, 의료 제공자와 상의하도록 안내했다. 이 시스템은 임상 시험 결과, 진료 지침 준수 개선, 응급실 및 병원 서비스 필요성 감소, 환자당 총 비용 감소 효과를 입증했다.[25][26][27]뉴욕시 A1C 등록소는[28] 뉴욕시의 약 60만 명의 당뇨병 환자를 모니터링하는 데 사용된다. 뉴욕시 보건 정신 위생부(NYC Department of Health and Mental Hygiene)는 등록소를 통해 건강 정보 및 의료 서비스 접근성을 개선하고 있다.[28] 2012년 초, 등록소에는 360만 명의 개인에 대한 1,000만 건 이상의 검사 결과가 포함되어 있었다.[29]
4. 3. 실험실 기반 감시의 한계
실험실 감시는 이미 의료를 받고 실험실 검사를 받는 환자만 모니터링할 수 있기 때문에 인구 전체의 감시와는 다르다. 이러한 이유로, 검사를 한 번도 받지 않은 환자는 식별하지 못한다. 따라서 전체 인구나 포착 지역에 대한 역학적 모니터링보다는 품질 관리 및 의료 개선에 더 적합하다.[23]5. 한국의 질병 감시 시스템
이전 답변에서는 원문 소스(source)가 제공되지 않아 요약과 섹션 제목만으로는 내용을 생성할 수 없었습니다. 따라서, 주어진 지시사항에 따라 수정할 내용이 없으므로 이전 답변과 동일하게 원문 소스가 필요하다는 메시지를 출력합니다.
(참조할 원문 소스가 비어있으므로, 요약과 섹션 제목을 바탕으로 내용을 생성할 수 없습니다. 원문 소스를 제공해주시면 위키텍스트를 작성해드리겠습니다.)
참조
[1]
웹사이트
Public health surveillance
https://www.who.int/[...]
2016-01-14
[2]
서적
Encyclopedia of the City
https://archive.org/[...]
Routledge
[3]
웹사이트
Surveillance for Vaccine Preventable Diseases
https://www.who.int/[...]
2016-10-19
[4]
논문
The History and Use of Cancer Registry Data by Public Health Cancer Control Programs in the United States
2017-12-15
[5]
논문
Automated surveillance for adverse drug events at a community hospital and an academic medical center
2006-07
[6]
문서
disa.mil
https://ritpo.satx.d[...]
[7]
웹사이트
webcitation.org
https://www.cdc.gov/[...]
webcitation.org
2014-04-18
[8]
논문
What is syndromic surveillance?
https://www.cdc.gov/[...]
2004-09
[9]
서적
Digital Epidemiology: An introduction to disease surveillance using digital data
Sicklebrook publishing
2023
[10]
웹사이트
Syndromic Surveillance: an Applied Approach to Outbreak Detection
https://www.cdc.gov/[...]
United States Centers for Disease Control and Prevention
2006-01-13
[11]
논문
Infodemiology: tracking flu-related searches on the web for syndromic surveillance
[12]
웹사이트
Google Flu Trends
http://www.google.or[...]
Google.org
2014-04-18
[13]
논문
Detecting influenza epidemics using search engine query data
2009-02
[14]
논문
The Parable of Google Flu: Traps in Big Data Analysis
http://nrs.harvard.e[...]
2014
[15]
논문
Advances in nowcasting influenza-like illness rates using search query logs
2015-08
[16]
웹사이트
Flu Detector – Tracking Epidemics on Twitter
http://geopatterns.e[...]
GeoPatterns.enm.bris.ac.uk
2014-04-18
[17]
간행물
Flu Detector – Tracking Epidemics on Twitter
[18]
논문
Social Media- and Internet-Based Disease Surveillance for Public Health
2020-04
[19]
논문
Digital Disease Detection — Harnessing the Web for Public Health Surveillance
2009-05-21
[20]
논문
Tracking COVID-19 using online search
2021
[21]
논문
Evaluating Google, Twitter, and Wikipedia as Tools for Influenza Surveillance Using Bayesian Change Point Analysis: A Comparative Analysis
2016-10
[22]
웹사이트
Facebook begins sharing more location data with COVID-19 researchers and asks users to self-report symptoms
https://www.theverge[...]
2020-04-06
[23]
웹사이트
Vermedx Diabetes Information System
http://www.vermedx.c[...]
vermedx.com
2014-04-18
[24]
논문
Diabetes decision support: initial experience with the Vermont diabetes information system
Ajph.org
2006-04
[25]
논문
The Vermedx Diabetes Information System reduces healthcare utilization
http://www.ajmc.com/[...]
2009-03
[26]
논문
The Vermont diabetes information system: a cluster randomized trial of a population based decision support system
2009-12
[27]
논문
The effect of the Vermont Diabetes Information System on inpatient and emergency room use: results from a randomized trial
2010-07
[28]
웹사이트
Diabetes Prevention and Control
http://www.nyc.gov/h[...]
The City of New York
[29]
논문
New York City's diabetes reporting system helps patients and physicians
Ajph.aphapublications.org
2008-09
[30]
웹사이트
Metropolitan Health District
http://www.sanantoni[...]
Sanantonio.gov
2014-04-18
[31]
웹인용
Protocol for the evaluation of epidemiological surveillance systems
https://apps.who.int[...]
2019-09-22
[32]
문서
e-나라지표,주요정신 질환 평생유병률
http://www.index.go.[...]
본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
문의하기 : help@durumis.com