탐구주제: 전염병 확산 모델 분석 및 예측 : SIR 모델의 미분방정식적 접근 1. 탐구 동기 코로나19 팬데믹을 겪으면서 전염병이 우리의 삶에 얼마나 큰 영향을 미치는지 직접 경험했다. 뉴스에서 발표되는 확진자 수와 사회적 거리두기 조치들을 보며, 전염병이 어떻게 확산되고 예측되는지에 대한 궁금증이 커졌다. 특히, 질병의 확산을 단순히 숫자 통계로만 보는 것이 아니라 수학적인 모델을 통해 분석하고 예측할 수 있다는 점이 매우 흥미로웠다. 장래 희망이 생명공학자나 간호사가 되어 보건의료 분야에 기여하고 싶다는 생각을 해왔다. 따라서 전염병의 원리와 확산 방식을 이해하는 것은 매우 중요하다고 판단했다. [학교] [학생]으로서 배우는 수학 지식을 실제 사회 문제에 적용해보고 싶다는 마음으로 이 탐구를 시작했다. 특히 미적분에서 배우는 미분방정식이 전염병 모델링에 활용된다는 것을 알고, 이에 대해 깊이 있게 탐구해보고 싶었다. 2. 이론적 배경 2.1. SIR 모델의 이해 SIR 모델은 전염병 확산을 예측하는 가장 기본적인 수학적 모델 중 하나다. 이 모델은 전체 인구를 세 가지 집단으로 나눈다. 첫 번째는 Susceptible (S), 즉 감염에 취약한 사람들의 집단이다. 이들은 아직 질병에 걸리지 않았지만, 감염자와 접촉하면 감염될 수 있는 사람들이다. 두 번째는 Infected (I), 감염되어 병을 앓고 있으며 다른 사람에게 전파할 수 있는 사람들의 집단이다. 세 번째는 Recovered (R), 즉 질병에서 회복되거나 면역력을 얻어 다시 감염되지 않는 사람들의 집단이다. 이 모델의 핵심 가정은 질병에서 회복된 사람은 면역력을 얻어 다시 감염되지 않는다는 것이다. 홍역이나 수두와 같은 질병들이 여기에 해당한다. 2.2. 미분방정식의 개념 미분방정식은 미지 함수와 그 도함수를 포함하는 방정식이다. 시간에 따라 변하는 물리량이나 현상을 설명하는 데 매우 유용하게 사용된다. 자연 현상은 대부분 끊임없이 변화하는 특징을 지니며, 이러한 변화율을 미분으로 표현할 수 있다. 예를 들어, 인구 성장률이나 물질의 농도 변화율 등을 미분방정식으로 나타낼 수 있다. SIR 모델에서는 시간에 따른 S, I, R 각 집단의 인구 변화율을 미분방정식으로 표현하여 전염병의 확산 과정을 분석한다. 고등학교 미적분에서 배우는 도함수의 개념이 확장되어 실제 세계의 복잡한 현상을 설명하는 데 활용된다는 점이 인상 깊었다. 3. SIR 모델의 미분방정식적 표현 SIR 모델은 다음과 같은 세 가지 미분방정식으로 구성된다. 여기서 t는 시간을 의미한다. dN/dt = S + I + R N은 전체 인구수를 나타내며, 이 모델에서는 N이 상수라고 가정한다. 즉, 사망이나 출생으로 인한 인구 변동은 고려하지 않는다. dS/dt = -βSI/N 이 방정식은 감염에 취약한 S 집단의 변화율을 나타낸다. β는 감염률(transmission rate)을 의미한다. β값이 높을수록 감염병이 빠르게 확산된다는 것을 뜻한다. 감염자(I)가 감염 취약자(S)와 접촉할 때 감염이 발생하며, 이 비율은 S와 I의 곱에 비례한다고 본다. N으로 나누는 이유는 인구 밀도를 고려하기 위함이다. 마이너스 부호는 S 집단의 인구가 시간이 지남에 따라 감소한다는 것을 의미한다. dI/dt = βSI/N - γI 이 방정식은 감염자 I 집단의 변화율을 나타낸다. βSI/N 항은 새로 감염되는 사람들의 수를 의미하며, S 집단에서 I 집단으로 유입되는 부분이다. γI 항은 감염자가 회복되어 I 집단에서 R 집단으로 빠져나가는 비율을 나타낸다. γ는 회복률(recovery rate)을 의미하며, 1/γ는 감염 기간의 평균을 나타낸다. 따라서 I 집단은 새로 유입되는 감염자와 회복되어 빠져나가는 감염자의 차이만큼 변화한다. dR/dt = γI 이 방정식은 회복자 R 집단의 변화율을 나타낸다. 감염자 I 중에서 회복률 γ에 따라 회복된 사람들이 R 집단으로 편입된다. 시간이 지남에 따라 R 집단의 인구는 증가하게 된다. 이 세 미분방정식을 동시에 풀면 시간에 따른 S, I, R 각 집단의 인구 변화를 예측할 수 있다. 이 방정식들은 서로 연결되어 있기 때문에 연립 미분방정식의 형태로 해석해야 한다. 4. SIR 모델의 분석 및 주요 변수 SIR 모델의 전염병 확산 양상은 주요 변수인 감염률(β)과 회복률(γ)에 크게 영향을 받는다. 이 두 변수를 통해 '기초 감염 재생산수(R₀)'라는 중요한 값을 계산할 수 있다. R₀ = β/γ 이다. 4.1. 기초 감염 재생산수 (R₀) R₀는 한 명의 감염자가 평균적으로 몇 명의 사람을 추가로 감염시키는지를 나타내는 값이다. - R₀ > 1: 전염병이 확산된다. 한 명의 감염자가 한 명 이상에게 병을 옮기므로 감염자 수가 증가하고 유행이 발생한다. - R₀ = 1: 전염병이 현상을 유지한다. 감염자 수가 거의 변화 없이 유지되는 상태다. - R₀ < 1: 전염병이 점차 사라진다. 한 명의 감염자가 한 명 미만에게 병을 옮기므로 감염자 수가 감소하고 유행이 억제된다. R₀ 값은 전염병 확산의 심각성과 대책 마련에 핵심적인 지표가 된다. 예를 들어, 사회적 거리두기, 마스크 착용, 백신 접종 등의 방역 조치는 감염률 β를 낮추거나 회복률 γ를 높여 R₀ 값을 1 미만으로 만드는 것을 목표로 한다. 4.2. 감염률 (β)과 회복률 (γ)의 영향 감염률 β는 질병의 전염력 자체와 함께 사람들의 접촉 빈도, 위생 상태 등에 따라 달라진다. 질병의 기본 전염성이 높거나, 사람들이 밀접하게 접촉하는 환경일수록 β 값은 커진다. 회복률 γ는 질병의 자연적인 회복 속도, 치료제의 효과, 백신을 통한 면역력 획득 등에 따라 결정된다. 백신이나 효과적인 치료제가 개발되면 γ 값이 높아져 질병의 유행 기간이 짧아지고 전체 감염자 수도 줄어들게 된다. 이 두 변수의 변화가 전염병의 양상을 어떻게 바꿀지 예측하는 것이 모델 분석의 중요한 부분이다. 5. 모델 시뮬레이션 및 결과 예측 SIR 모델의 미분방정식은 초기 조건(t=0일 때 S₀, I₀, R₀ 값)이 주어지면 컴퓨터 시뮬레이션을 통해 시간에 따른 S, I, R 각 집단의 변화를 예측할 수 있다. 실제 시뮬레이션 프로그램을 사용해보지는 못했지만, 이론적인 결과는 다음과 같다. 초기에는 감염 취약자(S)가 대부분이며, 소수의 감염자(I)가 존재한다고 가정한다. 시간이 지남에 따라 S 집단의 인구는 급격히 감소하고, 감소한 만큼 I 집단의 인구가 증가한다. I 집단은 특정 시점에 최고치를 기록한 후 점차 감소하게 된다. I 집단에서 회복된 사람들은 R 집단으로 유입되므로, R 집단의 인구는 꾸준히 증가하여 결국 전체 인구의 상당 부분을 차지하게 된다. 이러한 시뮬레이션을 통해 전염병의 '정점(peak)' 시기와 그때의 감염자 수를 예측할 수 있다. 정점을 넘어서면 감염자 수가 줄어들기 시작하며, 이는 집단 면역 형성이나 방역 노력의 효과로 이어진다. 시뮬레이션 결과는 R₀ 값에 따라 크게 달라진다. R₀ 값이 높으면 감염자 수가 훨씬 빠르게 증가하고 정점도 더 높아지며, 더 많은 S 집단이 감염된다. 반대로 R₀ 값이 낮으면 감염자 수가 천천히 증가하고 정점도 낮아지며, 전체 감염자 수도 적어진다. 이 모델은 방역 조치의 효과를 예측하는 데 활용될 수 있다. 예를 들어, 사회적 거리두기로 접촉률이 줄어들어 β가 낮아지거나, 백신 접종으로 면역력을 가진 사람이 늘어나 S 집단이 줄어들면, 전염병 확산 곡선을 평탄하게 만들 수 있다. 이러한 '곡선 평탄화'는 의료 시스템의 과부하를 막고 더 많은 생명을 구할 수 있게 돕는다. 6. 결론 및 느낀 점 이번 탐구를 통해 전염병 확산이라는 복잡한 사회 현상을 SIR 모델과 미분방정식이라는 수학적 도구를 활용하여 분석하고 예측할 수 있다는 사실을 알게 되었다. 특히, 미적분에서 배우는 미분의 개념이 실제 질병의 확산 속도와 같은 동적인 변화를 설명하는 데 얼마나 강력하게 사용될 수 있는지 이해하게 되었다. SIR 모델은 S, I, R 세 집단의 시간에 따른 변화율을 미분방정식으로 표현하며, 감염률(β)과 회복률(γ)이라는 두 가지 핵심 변수를 통해 전염병의 전개 양상을 예측한다. 기초 감염 재생산수(R₀)는 전염병의 확산 여부를 판단하는 중요한 지표이며, R₀ 값을 1 미만으로 낮추는 것이 전염병 통제의 목표임을 명확히 알게 되었다. 시뮬레이션 결과는 방역 대책의 중요성을 뒷받침하며, 의료 시스템의 과부하를 막는 '곡선 평탄화'의 원리를 수학적으로 이해하는 데 도움을 주었다. 생명공학 분야에 관심이 많은 나에게 이러한 모델링은 신약 개발이나 백신 효과 분석에 중요한 기초 지식이 될 것이라고 생각한다. 전염병의 확산 메커니즘을 이해하면, 새로운 바이러스에 대한 대응 전략을 수립하고 효과적인 치료법을 연구하는 데 큰 도움이 될 것이다. 간호 분야에서는 전염병 확산 예측 모델을 통해 환자 발생 추이를 미리 파악하고, 의료 자원을 효율적으로 분배하며, 감염 관리 정책을 수립하는 데 활용할 수 있을 것이다. 감염병 병동의 인력 배치나 병상 확보 계획 등을 세울 때 이러한 예측 모델이 유용하게 쓰일 수 있다고 본다. 이번 탐구를 통해 수학이 단순히 시험 문제를 푸는 과목이 아니라, 우리 주변의 실제 문제를 해결하고 미래를 예측하는 데 사용되는 강력한 도구임을 깨달았다. 아직 [학생]이라 SIR 모델의 복잡한 수학적 해법을 직접 다루지는 못했지만, 모델의 원리와 적용 가능성을 이해한 것만으로도 큰 수확이었다. 앞으로 더 많은 수학적 지식과 생명과학 지식을 쌓아, 언젠가는 이러한 모델을 직접 개발하고 개선하여 인류 건강에 기여하고 싶다.