KR102431814B1 - 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 - Google Patents
야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 Download PDFInfo
- Publication number
- KR102431814B1 KR102431814B1 KR1020200062796A KR20200062796A KR102431814B1 KR 102431814 B1 KR102431814 B1 KR 102431814B1 KR 1020200062796 A KR1020200062796 A KR 1020200062796A KR 20200062796 A KR20200062796 A KR 20200062796A KR 102431814 B1 KR102431814 B1 KR 102431814B1
- Authority
- KR
- South Korea
- Prior art keywords
- risk
- avian influenza
- farm
- infection
- poultry
- Prior art date
Links
- 244000144977 poultry Species 0.000 title claims abstract description 252
- 208000002979 Influenza in Birds Diseases 0.000 title claims abstract description 167
- 206010064097 avian influenza Diseases 0.000 title claims abstract description 167
- 241000271566 Aves Species 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 48
- 241000712461 unidentified influenza virus Species 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 title claims description 13
- 208000015181 infectious disease Diseases 0.000 claims abstract description 235
- 238000009395 breeding Methods 0.000 claims abstract description 176
- 230000001488 breeding effect Effects 0.000 claims abstract description 176
- 239000000427 antigen Substances 0.000 claims abstract description 113
- 102000036639 antigens Human genes 0.000 claims abstract description 113
- 108091007433 antigens Proteins 0.000 claims abstract description 113
- 244000144972 livestock Species 0.000 claims abstract description 89
- 238000009826 distribution Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 230000001617 migratory effect Effects 0.000 claims description 53
- 241000700605 Viruses Species 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000011109 contamination Methods 0.000 claims description 5
- 238000009374 poultry farming Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 235000013594 poultry meat Nutrition 0.000 description 189
- 238000013480 data collection Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 8
- 208000031295 Animal disease Diseases 0.000 description 7
- 230000007423 decrease Effects 0.000 description 4
- 230000006806 disease prevention Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델(IBM; individual-based stochastic model)을 기반으로 야생조류에서 AI 항원 검출시 개별 가금사육 농장으로 감염될 위험도와, 단위 지역별(예를 들어, 시군구와 같은 행정구역별) 발생 위험도를 예측할 수 있는 가금사육 농장 위험도 산출 장치 및 방법, 기록 매체가 제공된다. 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법은, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출하는 단계; 및 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출하는 단계를 포함한다.
Description
본 발명은 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법에 관한 것으로, 보다 상세하게는 야생조류에서 고병원성 조류인플루엔자(HPAI; Highly Pathogenic Avian Influenza) 항원 검출시에 AI의 확산을 예측하는 가금사육 농장 위험도 산출 장치 및 방법에 관한 것이다.
고병원성 조류인플루엔자(HPAI; Highly Pathogenic Avian Influenza)는 발생 초기에 적절한 대응을 하지 못할 경우 막대한 사회적, 경제적 손실을 유발할 수 있으며 인체로 감염되어 인명 피해 등의 심각한 문제를 일으킬 수 있다. 이에 최근에 들어 HPAI 바이러스의 확산, 전파를 예측하기 위한 여러 연구가 진행되고 있다. 종래의 연구에서는 다양한 동물 질병에 대해 사용 가능한 머신 러닝(Machine Learning)을 이용하여 동물 질병의 확산을 예측하였다. 그러나, 이러한 머신 러닝 기반 예측 방법은 머신 러닝 결과에 의해 농장 또는 축산 차량과 같은 개체별 또는 단위 지역별(예를 들어, 행정구역별)로 동물 질병 확산 결과를 설명하기 어려우며, 그와 같은 질병 확산 결과가 나온 원인을 분석하기 어려운 제약이 있다.
한편, 이와 관련된 선행기술로는 2018년 1월 3일에 공개된 한국 공개특허공보 제10-2018-0000625호 가 있다.
한편, 이와 관련된 선행기술로는 2018년 1월 3일에 공개된 한국 공개특허공보 제10-2018-0000625호 가 있다.
본 발명은 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델(individual-based stochastic model)을 기반으로 야생조류에서 AI 항원 검출시 개별 가금사육 농장으로 감염될 위험도를 예측할 수 있으며, 단위 지역별(예를 들어, 시군구와 같은 행정구역별)로 발생 위험도를 예측할 수 있는 가금사육 농장 위험도 산출 장치 및 방법, 기록 매체를 제공하기 위한 것이다.
또한, 본 발명은 개체 기반 확률 모델을 기반으로 가금사육 농장별로 AI 감염 원인을 역학적으로 분석할 수 있는 가금사육 농장 위험도 산출 장치 및 방법, 기록 매체를 제공하기 위한 것이다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법은, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출하는 단계; 및 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출하는 단계를 포함한다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법은, 상기 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득하는 단계를 더 포함할 수 있다.
상기 개체 기반 확률 모델은, 상기 가금사육 농장, 상기 축산 차량 및 상기 야생조류와 관련된 조류인플루엔자 항원의 감염 또는 오염 여부를 나타내는 복수개의 상태들과, 상기 복수개의 상태들 간의 전환 확률을 산출하기 위한 매개 변수들을 기반으로 설계될 수 있다.
상기 복수개의 상태들은, 상기 조류인플루엔자 항원에 감염된 가금사육 농장 상태, 상기 조류인플루엔자 항원에 감염되지 않은 가금사육 농장 상태, 상기 조류인플루엔자 항원에 감염된 철새 서식지 상태, 상기 조류인플루엔자 항원에 감염되지 않은 철새 서식지 상태, 상기 조류인플루엔자 항원에 오염된 축산 차량 상태 및 조류인플루엔자 항원에 오염되지 않은 축산 차량 상태를 포함할 수 있다.
상기 축산 차량은 상기 조류인플루엔자 항원의 발생지를 기반으로 설정되는 영역을 지나는 축산 차량을 포함하고, 상기 야생조류에 관한 철새 서식지는 상기 조류인플루엔자 항원의 발생지로부터 설정된 거리 내의 철새 서식지를 포함할 수 있다.
상기 매개 변수들은, 상기 축산 차량에 의한 가금사육 농장의 감염률, 인근 감염농장에 의한 가금사육 농장의 감염률, 농장 밀집도, 인근 감염 철새에 의한 가금사육 농장의 감염률, 가금사육 농장에서 축산 차량으로의 바이러스 위험 전이율 및 가금사육 농장과 철새 서식지 간의 감염 전이율을 포함할 수 있다.
상기 각 가금사육 농장별 감염 원인 정보를 획득하는 단계는, 상기 복수개의 상태들과, 상기 매개 변수들을 기반으로 상기 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원의 발생지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 및 축산 차량의 방문으로 인한 감염 위험 요인 중 적어도 하나를 포함하는 감염 원인을 역학적으로 분석하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법은, 상기 각 농장 별로 감염 횟수 분포를 산출하는 단계 전에, 가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 발생지를 중심으로 하는 다변수 분포로 산출하여, 상기 조류인플루엔자 항원 발생지에서 설정된 감염 확률을 가지고 상기 조류인플루엔자 항원 발생지로부터 설정 반경 경계에서 신뢰구간에 해당하는 값을 가지도록 상기 개체 기반 확률 모델의 초기값을 설정하는 단계를 더 포함할 수 있다.
상기 조류인플루엔자 발생 위험도를 산출하는 단계는, 가금사육 농장들에 대해 산출된 감염 횟수 분포들을 가우시안 혼합 모델(GMM; Gaussian Mixture Model)을 기반으로 누적하여 전체 감염 횟수 분포를 산출하는 단계; 각 가금사육 농장 별로 상기 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 상기 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출하는 단계; 상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험도들을 기반으로 상기 가금사육 농장들을 군집화하여 상기 가금사육 농장들의 위험 수준을 분류하는 단계; 및 상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 상기 각 단위 지역 별로 상기 조류인플루엔자 발생 위험도를 산출하는 단계를 포함할 수 있다.
상기 각 단위 지역 별로 조류인플루엔자 발생 위험도를 산출하는 단계는, 단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 상기 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 상기 단위 지역들의 감염 위험 순위를 산출하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따르면, 상기 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치는, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출하는 농장별 위험도 예측부; 및 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출하는 지역별 위험도 예측부를 포함한다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치는, 상기 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득하는 감염 원인 분석부를 더 포함할 수 있다.
상기 감염 원인 분석부는, 상기 복수개의 상태들과, 상기 매개 변수들을 기반으로 상기 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원의 발생지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 및 축산 차량의 방문으로 인한 감염 위험 요인 중 적어도 하나를 포함하는 감염 원인을 역학적으로 분석할 수 있다.
본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치는, 가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 발생지를 중심으로 하는 다변수 분포로 산출하여, 상기 조류인플루엔자 항원 발생지에서 설정된 감염 확률을 가지고 상기 조류인플루엔자 항원 발생지로부터 설정 반경 경계에서 신뢰구간에 해당하는 값을 가지도록 초기값을 설정하는 초기값 설정부를 더 포함할 수 있다.
상기 지역별 위험도 예측부는, 가금사육 농장들에 대해 산출된 감염 횟수 분포들을 가우시안 혼합 모델을 기반으로 누적하여 전체 감염 횟수 분포를 산출하는 전체 감염 횟수 분포 산출부; 각 가금사육 농장 별로 상기 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 상기 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출하는 가금사육 농장 위험도 산출부; 상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험도들을 기반으로 상기 가금사육 농장들을 군집화하여 상기 가금사육 농장들의 위험 수준을 분류하는 가금사육 농장 위험도 분류부; 및 상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 상기 각 단위 지역 별로 상기 조류인플루엔자 발생 위험도를 산출하는 단위 지역별 발생 위험도 산출부를 포함할 수 있다. 상기 단위 지역별 발생 위험도 산출부는, 단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 상기 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 상기 단위 지역들의 감염 위험 순위를 산출할 수 있다.
본 발명의 실시예에 의하면, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 기반으로 야생조류에서 AI 항원 검출시 개별 가금사육 농장으로 감염될 위험도를 예측할 수 있으며, 단위 지역별(예를 들어, 시군구와 같은 행정구역별)로 발생 위험도를 예측할 수 있는 가금사육 농장 위험도 산출 장치 및 방법, 기록 매체가 제공된다. 또한, 본 발명의 실시예에 의하면, 개체 기반 확률 모델을 기반으로 가금사육 농장별로 AI 감염 원인을 역학적으로 분석할 수 있다.
도 1은 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 농장별 위험도 예측부에 의해 시뮬레이션되는 개체 기반 확률 모델의 예시도이다.
도 3은 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 지역별 위험도 예측부의 구성도이다.
도 4는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법의 순서도이다.
도 5는 도 4의 단계 S150의 순서도이다.
도 6은 도 5의 단계 S151을 설명하기 위한 예시도이다.
도 7은 본 발명의 실시예에 따라 단위 지역 별로 감염 위험 순위를 산출한 것을 예시한 도면이다.
도 2는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 농장별 위험도 예측부에 의해 시뮬레이션되는 개체 기반 확률 모델의 예시도이다.
도 3은 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 지역별 위험도 예측부의 구성도이다.
도 4는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법의 순서도이다.
도 5는 도 4의 단계 S150의 순서도이다.
도 6은 도 5의 단계 S151을 설명하기 위한 예시도이다.
도 7은 본 발명의 실시예에 따라 단위 지역 별로 감염 위험 순위를 산출한 것을 예시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~부'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~부'는 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
본 발명은 야생조류에서 HPAI 항원 검출시에 AI의 확산을 예측하기 위한 기술로, 가금사육 농장과 축산 차량 및 야생조류가 서로 접촉하여 감염을 확산시키는 개체 기반 확률 모델을 이용하여 가금사육 농장별 발생 위험도를 예측하고, 그 결과를 이용하여 각 가금사육 농장의 감염 위험이 어떤 원인에 의한 것인지를 역학적으로 분석할 수 있으며, 단위 지역별(예를 들어, 시군구 등의 행정구역별) 발생 위험도와 감염 위험 순위를 예측하기 위한 장치 및 방법을 제공한다.
조류인플루엔자(AI)의 경우, 철새 등 야생조류 및 기타 요인에 의한 1차 발생 후 인근 사람의 왕래나 축산 차량에 의해 지역 농장으로 확산되는 경향이 있다. 이에 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법은 개체 기반 확률 모델을 반복적으로 시뮬레이션한 후, 가금사육 농장의 위험도와 위험수준을 가우시안 혼합 모델과 군집화(clustering)을 이용해 분류하여 가금사육 농장별로 발생 위험도를 예측할 수 있으며, 시군구 등의 단위 지역들을 발생 위험도를 기준으로 군집화하여 단위 지역별로 발생 위험도 및 감염 위험 순위를 예측함으로써 AI의 최소 관리 행정구역인 시군구에서 AI 확산 전파 방지를 효율적으로 관리할 수 있다.
본 발명의 실시예에 의하면, 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장의 감염 원인을 AI 항원의 감염 위험 반경에 거주하는 사람들이 바이러스에 오염된 채 농장을 방문하여 바이러스가 전파되는 경우, 감염된 농장에 거주하는 사람이 인근 농장에 방문하여 바이러스가 전파되는 경우, 축산 차량의 농장 방문으로 인해 바이러스가 전파되는 경우, 감염된 야생조류의 서식지의 철새에 의해 바이러스가 전파되는 경우 등의 개별 원인을 역학(epidemiology)적으로 분석하여, 각 가금사육 농장의 위험 수준이 도출된 원인, 즉 어떤 축산 차량 또는 인근 가금사육 농장 등에 의해서 감염 위험이 있는지를 예측할 수 있다.
도 1은 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치의 구성도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치(100)는 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도를 예측하기 위한 것으로, 데이터 수집부(120) 및 감염 위험 분석부(140)를 포함할 수 있다. 가금사육 농장은 예를 들어, 닭이나 오리, 칠면조와 같은 가금류를 사육하는 농장일 수 있으나, 이에 제한되는 것은 아니다.
데이터 수집부(120)는 가금사육 농장별 조류인플루엔자 발생 위험도, 가금사육 농장별 감염 원인 및 단위 지역별(예를 들어, 행정구역별) 조류인플루엔자 발생 위험도를 예측하기 위한 각종 데이터를 수집할 수 있다. 데이터 수집부(120)는 가금사육 농장에 관련된 정보(예를 들어, 가금사육 농장의 위치, 가금 종류, 가금 사육 개체수 등), 축산 차량에 관련된 정보(예를 들어, 축산 차량의 이동 정보 또는 가금사육 농장 방문 정보 등), 야생 조류에 관련된 정보(예를 들어, 철새 서식지 위치 정보 등) 등을 수집할 수 있다. 데이터 수집부(120)는 유/무선 통신네트워크를 통해 데이터를 수집하거나, 사용자 인터페이스부(예를 들어, 키보드, 마우스, 터치패널 등)를 통해 데이터를 입력받을 수 있다.
데이터 수집부(120)는 항원 데이터 수집부(121), 농장 데이터 수집부(122), 철새 데이터 수집부(123), 차량 데이터 수집부(124) 및 날씨 데이터 수집부(125)를 포함할 수 있다. 항원 데이터 수집부(121)는 예를 들어, AI 항원 발생지의 주소, 위/경도, 시료 채취일, H혈청형, 시료 종류(분변, 포획개체, 폐사체 등) 등의 AI 항원 양성이 확인된 시료와 관련된 정보를 수집할 수 있다.
농장 데이터 수집부(122)는 예를 들어, 농가번호, 농가주소, 가금사육 농장의 위/경도, 축종 등의 가금사육 농장 관련 정보를 수집할 수 있다. 철새 데이터 수집부(123)는 예를 들어, 주요 철새 서식지, 철새 종수 및 개체수 등의 야생조류 관련 정보를 수집할 수 있다. 차량 데이터 수집부(124)는 축산 차량의 AI 항원 발생지 통과 일시, 차량 번호, 방문 농장 번호, 방문 농장 주소, 방문 일시, 축종 등과 같은 축산 차량 관련 정보를 수집할 수 있다. 날씨 데이터 수집부(125)는 AI 확산에 영향을 미치는 날씨 정보(예를 들어, 항원 발생지 주변의 일평균 기온 자료 등)를 수집할 수 있다.
감염 위험 분석부(140)는 데이터 수집부(120)에 의해 수집된 각종 정보를 기반으로, 가금사육 농장별 조류인플루엔자 발생 위험도 및 단위 지역별 조류인플루엔자 발생 위험도를 예측하고, 예측한 정보를 유/무선 네트워크를 통해 동물질병 방역기관(160)으로 전송할 수 있다.
동물질병 방역기관(160)은 감염 위험 분석부(140)에 의해 예측된 가금사육 농장별 조류인플루엔자 발생 위험도, 가금사육 농장별 감염 원인 및 단위 지역별(예를 들어, 행정구역별) 조류인플루엔자 발생 위험도를 기반으로, 조류인플루엔자 감염 위험 순위에 따라 단위 지역들로 조류인플루엔자 감염 위험을 경고하고 각 단위 지역의 위험 수준에 따라 조류인플루엔자 감염 예방을 위한 대응 조치를 전송할 수 있다.
감염 위험 분석부(140)는 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델(individual-based stochastic model)을 반복적으로 시뮬레이션하여, 가금사육 농장별 조류인플루엔자 발생 위험도, 가금사육 농장별 감염 원인 및 단위 지역별 조류인플루엔자 발생 위험도를 예측할 수 있다. 감염 위험 분석부(140)는 초기값 설정부(141), 농장별 위험도 예측부(142), 지역별 위험도 예측부(143), 감염 원인 분석부(144) 및 데이터 전송부(145)를 포함할 수 있다.
초기값 설정부(141)는 가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 발생지를 중심으로 하는 다변수 분포로 산출하여, 조류인플루엔자 항원 발생지에서 설정된 감염 확률(예를 들어, 1% 감염 확률)을 가지고 조류인플루엔자 항원 발생지로부터 설정 반경 경계에서 신뢰구간(예를 들어, 95% 신뢰구간)에 해당하는 값을 가지도록 초기값을 설정할 수 있다.
조류인플루엔자 항원 발생지로부터 설정 반경은 야생조류의 평균적인 활동 영역이나, 기존 조류인플루엔자 발생지점과 감염 농장 간의 거리 분포를 고려하여 설정될 수 있다. 조류인플루엔자 항원 발생지로부터 설정 반경은 예를 들어, 1 ~ 10 km, 보다 바람직하게는 2 ~ 5 km로 설정될 수 있으나, 이에 제한되는 것은 아니다.
농장별 위험도 예측부(142)는 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출할 수 있다. 개체 기반 확률 모델의 상태들 및 상태들 간의 전환 확률(비감염 상태에서 감염 상태로 전환될 확률)과 관련된 매개 변수들은 농장별 및 지역별 발생 위험도, 그리고 농장별 감염 원인 예측의 정확성을 결정하는 인자들이다.
도 2는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 농장별 위험도 예측부에 의해 시뮬레이션되는 개체 기반 확률 모델의 예시도이다. 도 1 및 도 2를 참조하면, 농장별 및 지역별 발생 위험도, 그리고 농장별 감염 원인의 정확한 예측을 위하여, 개체 기반 확률 모델은 가금사육 농장, 축산 차량 및 야생조류와 관련된 조류인플루엔자 항원의 감염 또는 오염 여부를 나타내는 복수개의 상태들(10 ~ 60)과, 복수개의 상태들 간의 전환 확률을 산출하기 위한 매개 변수들을 기반으로 설계될 수 있다.
실시예에서, 개체 기반 확률 모델의 복수개의 상태들은 조류인플루엔자 바이러스에 감염된 가금사육 농장 상태(40), 조류인플루엔자 바이러스에 감염되지 않은 가금사육 농장 상태(30), 조류인플루엔자 바이러스에 감염된 철새 서식지 상태(20), 조류인플루엔자 바이러스에 감염되지 않은 철새 서식지 상태(10), 조류인플루엔자 바이러스에 오염된 축산 차량 상태(60) 및 조류인플루엔자 바이러스에 오염되지 않은 축산 차량 상태(50)를 포함하여 총 6개의 상태들(10 ~ 60)을 가질 수 있다. 도 2에 도시된 예에서, 6개의 각 상태의 정의는 아래와 같다.
- 
: t 시간에 감염되지 않은 가금사육 농장 상태(30)
- 
: t 시간에 감염된 가금사육 농장 상태(40)
- 
: 항원 채취 지점으로부터 설정 반경(예를 들어, 3 km) 내를 지나는 축산 차량으로, t 시간에 AI 바이러스에 오염되지 않은 축산 차량 상태(50)
- 
: t 시간에 바이러스에 오염된 축산 차량 상태(60)
- 
: t 시간에 바이러스에 감염되지 않은 철새 도래지 상태(10)
- 
: t 시간에 바이러스에 감염된 철새도래지 상태(20)
개체 기반 확률 모델의 시뮬레이션에 활용되는 축산 차량은 데이터 수집부(120)에 의해 수집된 축산 차량들 중, 조류인플루엔자 바이러스의 검출지를 기반으로 설정되는 영역(예를 들어, 조류인플루엔자 바이러스의 발생지로부터 10 km 이내 반경 영역, 5 km 이내 반경 영역 또는 3 km 이내 반경 영역 등)을 지나는 축산 차량을 포함할 수 있다. 개체 기반 확률 모델의 시뮬레이션에 활용되는 철새 서식지는 데이터 수집부(120)에 의해 수집된 철새 서식지들 중, 조류인플루엔자 항원의 발생지로부터 설정된 거리 내의 철새 서식지를 포함할 수 있다.
개체 기반 확률 모델의 매개 변수들은 축산 차량에 의한 가금사육 농장의 감염률, 인근 감염농장에 의한 가금사육 농장의 감염률, 농장 밀집도, 인근 감염 철새에 의한 가금사육 농장의 감염률, 가금사육 농장에서 축산 차량으로의 바이러스 위험 전이율 및 가금사육 농장과 철새 서식지 간의 감염 전이율을 포함할 수 있다. 개체 기반 확률 모델에서, 가금사육 농장과 달리 축산 차량은 감염 유무로 표현이 불가능하기 때문에 축산 차량의 바이러스 노출 위험도를 산출하여, 그 축산 차량에 의해 각 가금사육 농장을 방문하여 바이러스를 전파시키는 멀티-패치(multi-patch) 형태로 모델링될 수 있다.
가금사육 농장의 초기 감염여부와 축산 차량의 초기 위험도를 결정한 이후의 가금사육 농장 감염 전파는 바이러스 위험도를 가진 축산 차량이 비감염 농장을 방문한 경우, 인근 농장에 감염된 가금사육 농장이 있는 경우, 바이러스에 감염된 철새가 방문한 서식지에 인접한 가금사육 농장일 경우 등으로 나타낼 수 있다. 이때 축산 차량의 위험도는 감염된 가금사육 농장에 방문한 경우에 그 위험도가 증가하고 시간에 따라서 지속적으로 감소(예를 들어, 지수적으로 감소)하도록 설정될 수 있다.
이와 같이, 가금사육 농장들 및 축산 차량들의 각 개체 별로 감염 전파를 예측하는 개체 기반 확률 모델을 이용하여, 반복 시뮬레이션을 통해 각 개체의 감염 빈도를 통계 확률적으로 산출할 수 있다. 이때 각 개체의 감염 여부는 각각 개별 가금사육 농장에서 감염이 발생할 수 있는 사건이 발생할 때 산출될 수 있으며, 모든 사건은 설정된 시간 단위(예를 들어, 일 단위)로 산출될 수 있다. 개체 기반 확률 모델에서 감염의 종류별 감염 확률은 예를 들어, 하기의 표 1과 같이 나타낼 수 있다.
 |
표 1에 나타낸 개체 기반 확률 모델의 매개 변수들 중, 
는 각각 축산 차량의 단위 위험도에 대한 가금사육 농장의 감염률, 인근 감염 농장에 의한 가금사육 농장의 감염률, 인근 감염된 철새에 의한 가금사육 농장의 감염률 및 감염된 농장에서 축산 차량으로의 바이러스 위험 전이율을 나타낸다. 또한, 매개 변수 
는 농장 밀집도(농장이 얼마나 밀집하여 위치하는지 정도를 나타내는 값)를 나타내고, 
는 i번째 가금사육 농장과 j번째 철새 서식지의 감염 전이율을 나타낸다. 이때 감염 경로에 의한 전파 이외에 감염된 축산 차량에 잔존하는 바이러스는 환경 조건(온도 및 습도)에 따른 사멸 양상에 대한 통계를 기반으로 매일 단조 감소(예를 들어, 지수함수로 단조 감소)하는 것으로 가정할 수 있다.지역별 위험도 예측부(143)는 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출할 수 있다. 도 3은 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치를 구성하는 지역별 위험도 예측부의 구성도이다. 도 1 및 도 3을 참조하면, 지역별 위험도 예측부(143)는 전체 감염 횟수 분포 산출부(1432), 가금사육 농장 위험도 산출부(1434), 가금사육 농장 위험도 분류부(1436) 및 단위 지역별 발생 위험도 산출부(1438)를 포함할 수 있다.
전체 감염 횟수 분포 산출부(1432)는 가금사육 농장들에 대해 산출된 감염 횟수 분포들을 가우시안 혼합 모델을 기반으로 누적하여 전체 감염 횟수 분포를 산출할 수 있다. 가금사육 농장 위험도 산출부(1434)는 각 가금사육 농장 별로 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출할 수 있다. 가금사육 농장 위험도 분류부(1436)는 각 단위 지역 내에 속하는 가금사육 농장들의 위험도들을 기반으로 가금사육 농장들을 군집화하여 가금사육 농장들의 위험 수준을 분류할 수 있다.
단위 지역별 발생 위험도 산출부(1438)는 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 각 단위 지역 별로 조류인플루엔자 발생 위험도를 산출할 수 있다. 또한, 단위 지역별 발생 위험도 산출부(1438)는 단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 단위 지역들의 감염 위험 순위를 산출할 수 있다.
다시 도 1을 참조하면, 감염 원인 분석부(144)는 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득할 수 있다. 감염 원인 분석부(144)는 복수개의 상태들과, 매개 변수들을 기반으로 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 각 가금사육 농장별 감염 원인 정보를 예측할 수 있다.
실시예에서, 감염 원인 분석부(144)는 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원 검출지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 및 축산 차량의 방문으로 인한 감염 위험 요인을 감염 원인들 중 어느 하나 이상의 역학 분석 결과를 제공할 수 있다. 감염 위험 분석부(140)에 의해 예측된 가금사육 농장별 및 지역별 발생 위험도, 가금사육 농장별 감염 원인 역학 분석 결과는 데이터 전송부(145)에 의해 동물질병 방역기관(160)으로 전송될 수 있다.
도 4는 본 발명의 실시예에 따른 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법의 순서도이다. 도 1 및 도 4를 참조하면, 먼저 데이터 수집부(120)는 가금사육 농장별 조류인플루엔자 발생 위험도, 가금사육 농장별 감염 원인 및 단위 지역별(예를 들어, 행정구역별) 조류인플루엔자 발생 위험도를 예측하기 위한 각종 데이터를 수집할 수 있다(S110). 데이터 수집부(120)는 가금사육 농장에 관련된 정보(예를 들어, 가금사육 농장의 위치, 가금 종류, 가금 사육 개체수 등), 축산 차량에 관련된 정보(예를 들어, 축산 차량의 이동 정보 또는 가금사육 농장 방문 정보 등), 야생 조류에 관련된 정보(예를 들어, 철새 서식지 위치 정보 등) 등을 수집할 수 있다.
데이터 수집부(120)에 의해 수집된 정보를 기반으로, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키는 개체 기반 확률 모델의 상태들과 매개 변수들이 설계된다(S120). 도 2 및 도 4를 참조하면, 앞서 설명한 바와 같이, 개체 기반 확률 모델은 가금사육 농장, 축산 차량 및 야생조류와 관련된 조류인플루엔자 항원의 감염 또는 오염 여부를 나타내는 복수개의 상태들(10 ~ 60)과, 복수개의 상태들 간의 전환 확률을 산출하기 위한 매개 변수들을 기반으로 설계될 수 있다.
앞서 설명한 바와 같이, 개체 기반 확률 모델의 복수개의 상태들은 조류인플루엔자 항원에 감염된 가금사육 농장 상태(40), 조류인플루엔자 항원에 감염되지 않은 가금사육 농장 상태(30), 조류인플루엔자 항원에 감염된 철새 서식지 상태(20), 조류인플루엔자 항원에 감염되지 않은 철새 서식지 상태(10), 조류인플루엔자 항원에 오염된 축산 차량 상태(60) 및 조류인플루엔자 항원에 오염되지 않은 축산 차량 상태(50)를 포함하여 총 6개의 상태들(10 ~ 60)을 가질 수 있다.
개체 기반 확률 모델의 시뮬레이션에 활용되는 축산 차량은 데이터 수집부(120)에 의해 수집된 축산 차량들 중, 조류인플루엔자 항원의 발생지를 기반으로 설정되는 영역을 지나는 축산 차량을 포함할 수 있다. 개체 기반 확률 모델의 시뮬레이션에 활용되는 철새 서식지는 데이터 수집부(120)에 의해 수집된 철새 서식지들 중, 조류인플루엔자 항원의 발생지로부터 설정된 거리 내의 철새 서식지를 포함할 수 있다.
개체 기반 확률 모델의 매개 변수들은 축산 차량에 의한 가금사육 농장의 감염률, 인근 감염농장에 의한 가금사육 농장의 감염률, 농장 밀집도, 인근 감염 철새에 의한 가금사육 농장의 감염률, 가금사육 농장에서 축산 차량으로의 바이러스 위험 전이율 및 가금사육 농장과 철새 서식지 간의 감염 전이율을 포함할 수 있다. 개체 기반 확률 모델에서, 가금사육 농장과 달리 축산 차량은 감염 유무로 표현이 불가능하기 때문에 축산 차량의 바이러스 노출 위험도를 산출하여, 그 축산 차량에 의해 각 가금사육 농장을 방문하여 바이러스를 확산시키는 멀티-패치 형태로 모델링될 수 있다.
개체 기반 확률 모델이 설계되면, 조류인플루엔자 항원의 발생지로부터 AI 전파를 예측하기 위하여, 먼저 초기값 설정부(141)는 가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 발생지를 중심으로 하는 다변수 분포로 산출하여 조류인플루엔자 항원 발생지에서 설정된 감염 확률을 가지고 조류인플루엔자 항원 발생지로부터 설정 반경 경계에서 신뢰구간에 해당하는 값을 가지도록 초기값을 설정할 수 있다(S130).
예를 들어 설명하면, 가금사육 농장과 AI 항원 검출지점 반경 3km 이내를 통행하는 축산 차량의 초기 위험도를 항원 발생지를 중심으로 하는 다변수 정규분포로 계산하여, 아래의 수식 1에 따라 항원 발생지 중심부에서 대략 1%의 감염 확률을 가지도록 하고, 동시에 반경 3km의 경계에서 95% 신뢰구간까지의 감염 확률 값을 가지도록 평균(μ) 및 표준편차(σ)의 초기값을 설정할 수 있다.
[수식 1]
농장별 위험도 예측부(142)는 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 가금사육 농장 별로 감염 횟수 분포를 산출할 수 있다(S140). 개체 기반 확률 모델은 확률론적 모델이므로 시뮬레이션의 결과가 반복 횟수에 따라 다르게 나타날 수 있다. 이에 따라 많은 반복 시뮬레이션을 통하여 각 가금사육 농장들이 얼마나 많은 감염이 발생하였는지를 산출할 수 있다. 예를 들어, 총 3,000번의 시뮬레이션을 통하여 그 결과를 계산할 수 있으며, 3,000번의 시뮬레이션 또한 반복할 때마다 비슷한 값을 가지는지 또는 어떠한 분포를 가지는지를 판단하기 위하여 3,000번의 시뮬레이션 또한 50번을 반복하여 총 150,000번 혹은 그 이상의 횟수만큼 반복 시뮬레이션을 수행할 수 있다.
지역별 위험도 예측부(143)는 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출할 수 있다(S150). 지역별 위험도 예측부(143)는 반복 시뮬레이션 결과로 나타난 각 가금사육 농장의 감염 횟수 분포를 종합하여 전체 감염 횟수 분포를 산출할 수 있다. 지역별 위험도 예측부(143)는 다시 개별 가금사육 농장의 감염 횟수 분포를 전체 감염 횟수 분포와 비교하여 농장별 감염 위험 수준을 군집화하여 분류한 후, 각 가금사육 농장의 위험도를 기반으로 지역별 발생 위험도를 예측할 수 있다.
도 5는 도 4의 단계 S150의 순서도이다. 도 6은 도 5의 단계 S151을 설명하기 위한 예시도이다. 도 6에서 가로축은 감염 빈도, 세로 축은 농장 감염 확률을 나타낸다. 도 1 내지 도 6을 참조하면, 전체 감염 횟수 분포 산출부(1432)는 가금사육 농장들에 대해 산출된 감염 횟수 분포들(가우시안 평균 및 표준편차)을 가우시안 혼합 모델을 기반으로 누적하여 전체 감염 횟수 분포(80)를 산출할 수 있다(S151). 전체 감염 횟수 분포(80)는 반복 시뮬레이션을 통해 조류인플루엔자 바이러스에 감염된 전체 가금사육 농장들의 감염 횟수 빈도 분포(70)에 대응되는 가우시안(Gaussian) 분포를 갖는다.
가우시안 혼합 모델(GMM)은 데이터가 k개의 가우시안으로 구성되어 있다고 할 때, 가장 데이터를 잘 설명하는 k개의 평균과 공분산(covariance)를 찾는 알고리즘이다. GMM은 주어진 변수에 대해 데이터 X의 확률을 가장 크게 만드는 변수를 찾는 것이 목표가 된다. 변수들을 가우시안 평균 
, 공분산 
그리고 가우시안에 속할 확률 
로 정의하여 아래와 같은 수식 2를 기반으로 기대값 최대화(EM; Expectation Maximization) 알고리즘에 의해 변수들을 찾을 수 있다. 이때 여러 개의 최적화 변수 중 하나를 고정하고 나머지를 찾아가는 방법을 사용할 수 있다.
[수식 2]
가금사육 농장 위험도 산출부(1434)는 각 가금사육 농장 별로 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출할 수 있다(S152). 각 가금사육 농장의 평균과 표준편차를 이용하여 GMM이 생성되면, 예를 들어, 각 가금사육 농장의 평균과 표준편차로 95% 신뢰구간에 해당하는 감염 횟수의 구간이 GMM 분포에서 몇 %의 누적 확률을 가지는지에 따라서 위험도를 산출할 수 있다. 이는 전체 가금사육 농장의 가능한 감염 횟수에 대해 해당 농장이 감염된 횟수가 어느 정도의 위험을 가지는지를 표현하는 하나의 지표가 될 수 있다.
가금사육 농장 위험도 분류부(1436)는 각 단위 지역 내에 속하는 가금사육 농장들의 위험도들을 기반으로 가금사육 농장들을 군집화하여 가금사육 농장들의 위험 수준을 분류할 수 있다(S153). 도 6에 도시된 예에서, 제1 가금사육 농장의 신뢰구간(예를 들어, 95% 신뢰구간)에 속하는 감염 횟수 범위(M1)는 전체 감염 횟수 분포(80)에서 비교적 낮은 감염 빈도 위치에 나타나고, 제2 가금사육 농장의 신뢰구간(예를 들어, 95% 신뢰구간)에 속하는 감염 횟수 범위(M2)는 전체 감염 횟수 분포(80)에서 가로 축 상에 대략 중간 위치에 나타나고, 제3 가금사육 농장의 신뢰구간(예를 들어, 95% 신뢰구간)에 속하는 감염 횟수 범위(M3)는 제1 및 제2 가금사육 농장의 경우보다 높은 감염 빈도 위치에 나타난다. 이에 따라, 제1 가금사육 농장의 발생 위험도는 상대적으로 낮은 위험도를 가지도록 군집화되고, 제3 가금사육 농장의 발생 위험도는 상대적으로 높은 위험도를 가지도록 군집화될 수 있다.
도 7은 본 발명의 실시예에 따라 단위 지역 별로 발생 위험도 순위를 산출한 것을 예시한 도면이다. 단위 지역별 발생 위험도 산출부(1438)는 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 단위 지역의 위험도 평가대상 농장수 및 위험 수준들의 누적 값을 기반으로 각 단위 지역 별로 조류인플루엔자 발생 위험도를 산출하고(S154), 단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 단위 지역들의 감염 위험 순위를 산출할 수 있다(S155). 단위 지역들은 각 단위 지역 내에 속하는 가금사육 농장들의 위험도 지수를 기반으로 군집화되어 위험 순위가 결정될 수 있으며, 위험 순위에 따라 상이한 색상 등의 표시 방식으로 지도 상에 구별되어 표시될 수 있다.
단위 지역별 발생 위험도 산출부(1438)는 예를 들어, 단위 지역 내의 각 가금사육 농장의 위험도 수준 별 농장 개수에 따라 해당 지역의 발생 위험도를 산출할 수 있다. 예를 들어, 개별 가금사육 농장 단위로 산출된 위험도를 바탕으로 k-means 알고리즘 등의 군집화 기법을 이용하여 감염 위험이 있는 가금사육 농장들을 위험도 수준에 따라 복수개의 단계(예를 들어, 4개의 단계)로 분류할 수 있다. 단위 지역별 발생 위험도 산출부(1438)는 예를 들어, 하기의 표 2에 나타낸 바와 같이 개별 가금사육 농장의 위험 수준에 따라 위험 수준에 대한 점수를 부여하여 단위 지역별로 종합 점수를 산출하여 단위 지역들의 위험 순위를 산출할 수 있다. 또한, 지역 단위로 산출된 위험도를 바탕으로 다시 군집화 모델을 활용하여 위험 순위에 따라 4단계 혹은 그 이상의 단계의 위험 수준을 분류할 수 있다.
 |
다시 도 1 및 도 4를 참조하면, 감염 원인 분석부(144)는 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득할 수 있다(S160). 감염 원인 분석부(144)는 복수개의 상태들과, 매개 변수들을 기반으로 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 각 가금사육 농장별 감염 원인 정보를 예측할 수 있다. 실시예에서, 감염 원인 분석부(144)는 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원의 발생지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 또는 축산 차량의 방문으로 인한 감염 위험 요인 등과 같이, 감염 위험이 있는 각 가금사육 농장 별로 하나 또는 둘 이상의 역학 분석 결과를 제공할 수 있다.본 발명의 실시예에 의하면, 각 가금사육 농장 별로, 총 감염횟수, AI 항원 검출지 인근의 감염횟수, 축산 차량에 의한 감염 횟수, 철새로 인한 감염횟수, 인근 농장에 의한 감염횟수 등을 분석할 수 있으며, AI 항원 감염원 및 유입경로(차량번호, 농장번호), 가금사육 농장별 및 지역별(예를 들어, 광역시도, 시군구 등) 발생 위험도 및 위험도 순위, 가금사육 농장별 감염횟수 평균, 표준편차 및 95% 신뢰구간, 위험도, 위험도 순위 등의 다양한 AI 감염 정보를 높은 정확도로 예측할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의하면, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 기반으로 야생조류에서 AI 항원 검출시 개별 가금사육 농장으로 감염될 위험도를 예측할 수 있으며, 단위 지역별(예를 들어, 시군구와 같은 행정구역별)로 발생 위험도를 예측할 수 있다. 또한, 개체 기반 확률 모델을 기반으로 가금사육 농장별로 AI 감염 원인을 역학적으로 분석할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor) 와 같은, 다른 처리 구성(processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 매체(optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100: 가금사육 농장 위험도 산출 장치
120: 데이터 수집부
121: 항원 데이터 수집부
122: 농장 데이터 수집부
123: 철새 데이터 수집부
124: 차량 데이터 수집부
125: 날씨 데이터 수집부
140: 감염 위험 분석부
141: 초기값 설정부
142: 농장별 위험도 예측부
143: 지역별 위험도 예측부
144: 감염 원인 분석부
145: 데이터 전송부
160: 동물질병 방역기관
120: 데이터 수집부
121: 항원 데이터 수집부
122: 농장 데이터 수집부
123: 철새 데이터 수집부
124: 차량 데이터 수집부
125: 날씨 데이터 수집부
140: 감염 위험 분석부
141: 초기값 설정부
142: 농장별 위험도 예측부
143: 지역별 위험도 예측부
144: 감염 원인 분석부
145: 데이터 전송부
160: 동물질병 방역기관
Claims (19)
- 농장별 위험도 예측부에 의해, 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출하는 단계; 및
지역별 위험도 예측부에 의해, 미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출하는 단계; 및
상기 각 농장 별로 감염 횟수 분포를 산출하는 단계 전에, 초기값 설정부에 의해. 가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 발생지를 중심으로 하는 다변수 분포로 산출하여, 상기 조류인플루엔자 항원 발생지에서 설정된 감염 확률을 가지고 상기 조류인플루엔자 항원 발생지로부터 설정 반경 경계에서 신뢰구간에 해당하는 값을 가지도록 상기 개체 기반 확률 모델의 초기값을 설정하는 단계를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제1항에 있어서,
상기 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득하는 단계를 더 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제2항에 있어서,
상기 개체 기반 확률 모델은, 상기 가금사육 농장, 상기 축산 차량 및 상기 야생조류와 관련된 조류인플루엔자 항원의 감염 또는 오염 여부를 나타내는 복수개의 상태들과, 상기 복수개의 상태들 간의 전환 확률을 산출하기 위한 매개 변수들을 기반으로 설계되는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제3항에 있어서,
상기 복수개의 상태들은, 상기 조류인플루엔자 항원에 감염된 가금사육 농장 상태, 상기 조류인플루엔자 항원에 감염되지 않은 가금사육 농장 상태, 상기 조류인플루엔자 항원에 감염된 철새 서식지 상태, 상기 조류인플루엔자 항원에 감염되지 않은 철새 서식지 상태, 상기 조류인플루엔자 항원에 오염된 축산 차량 상태 및 조류인플루엔자 항원에 오염되지 않은 축산 차량 상태를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제4항에 있어서,
상기 축산 차량은 상기 조류인플루엔자 항원의 발생지를 기반으로 설정되는 영역을 지나는 축산 차량을 포함하고, 상기 야생조류에 관한 철새 서식지는 상기 조류인플루엔자 항원의 발생지로부터 설정된 거리 내의 철새 서식지를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제3항에 있어서,
상기 매개 변수들은, 상기 축산 차량에 의한 가금사육 농장의 감염률, 인근 감염농장에 의한 가금사육 농장의 감염률, 농장 밀집도, 인근 감염 철새에 의한 가금사육 농장의 감염률, 가금사육 농장에서 축산 차량으로의 바이러스 위험 전이율 및 가금사육 농장과 철새 서식지 간의 감염 전이율을 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제3항에 있어서,
상기 각 가금사육 농장별 감염 원인 정보를 획득하는 단계는,
상기 복수개의 상태들과, 상기 매개 변수들을 기반으로 상기 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원의 검출지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 및 축산 차량의 방문으로 인한 감염 위험 요인 중 적어도 하나를 포함하는 감염 원인을 역학적으로 분석하는 단계를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 삭제
- 제1항에 있어서,
상기 조류인플루엔자 발생 위험도를 산출하는 단계는,
가금사육 농장들에 대해 산출된 감염 횟수 분포들을 가우시안 혼합 모델을 기반으로 누적하여 전체 감염 횟수 분포를 산출하는 단계;
각 가금사육 농장 별로 상기 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 상기 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출하는 단계;
상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험도를 기반으로 상기 가금사육 농장들을 군집화하여 상기 가금사육 농장들의 위험 수준을 분류하는 단계; 및
상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 상기 각 단위 지역 별로 상기 조류인플루엔자 발생 위험도를 산출하는 단계를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제9항에 있어서,
상기 각 단위 지역 별로 조류인플루엔자 발생 위험도를 산출하는 단계는,
단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 상기 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 상기 단위 지역들의 감염 위험 순위를 산출하는 단계를 더 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법. - 제1항 내지 제7항, 제9항 및 제10항 중 어느 한 항에 기재된 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
- 가금사육 농장과 축산 차량 및 야생조류가 서로 간에 접촉하여 조류인플루엔자 감염을 확산시키도록 설계된 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 각 농장 별로 감염 횟수 분포를 산출하는 농장별 위험도 예측부;
미리 설정된 단위 지역 별로 각 단위 지역 내에 속하는 가금사육 농장의 감염 횟수 분포를 기반으로 조류인플루엔자 발생 위험도를 산출하는 지역별 위험도 예측부; 및
가금사육 농장과 축산 차량의 초기 위험도를 조류인플루엔자 항원 검출지를 중심으로 하는 다변수 분포로 산출하여, 상기 조류인플루엔자 항원 검출지에서 설정된 감염 확률을 가지고 상기 조류인플루엔자 항원 검출지로부터 설정 반경 경계에서 신뢰구간에 해당하는 값을 가지도록 상기 개체 기반 확률 모델의 초기값을 설정하는 초기값 설정부를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 제12항에 있어서,
상기 개체 기반 확률 모델의 시뮬레이션을 통해 각 가금사육 농장별 감염 원인 정보를 획득하는 감염 원인 분석부를 더 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 제13항에 있어서,
상기 개체 기반 확률 모델은, 상기 가금사육 농장, 상기 축산 차량 및 상기 야생조류와 관련된 조류인플루엔자 항원의 감염 또는 오염 여부를 나타내는 복수개의 상태들과, 상기 복수개의 상태들 간의 전환 확률을 산출하기 위한 매개 변수들을 기반으로 설계되는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 제14항에 있어서,
상기 복수개의 상태들은, 조류인플루엔자 바이러스에 감염된 가금사육 농장 상태, 상기 조류인플루엔자 바이러스에 감염되지 않은 가금사육 농장 상태, 상기 조류인플루엔자 바이러스에 감염된 철새 서식지 상태, 상기 조류인플루엔자 바이러스에 감염되지 않은 철새 서식지 상태, 상기 조류인플루엔자 바이러스에 오염된 축산 차량 상태 및 조류인플루엔자 바이러스에 오염되지 않은 축산 차량 상태를 포함하고,
상기 축산 차량은 상기 조류인플루엔자 항원의 검출지를 기반으로 설정되는 영역을 지나는 축산 차량을 포함하고, 상기 야생조류에 관련된 철새 서식지는 상기 조류인플루엔자 항원의 검출지로부터 설정된 거리 내의 철새 서식지를 포함하고,
상기 매개 변수들은, 상기 축산 차량에 의한 가금사육 농장의 감염률, 인근 감염농장에 의한 가금사육 농장의 감염률, 농장 밀집도, 인근 감염 철새에 의한 가금사육 농장의 감염률, 가금사육 농장에서 축산 차량으로의 바이러스 위험 전이율 및 가금사육 농장과 철새 서식지 간의 감염 전이율을 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 제14항에 있어서,
상기 감염 원인 분석부는,
상기 복수개의 상태들과, 상기 매개 변수들을 기반으로 상기 개체 기반 확률 모델을 반복적으로 시뮬레이션하여 얻은 각 가금사육 농장별 감염 정보를 기반으로, 인근 감염농장을 방문한 사람으로 인한 감염 위험 요인, 조류인플루엔자 항원의 검출지로부터 위험 반경 내에 거주하는 사람의 방문으로 인한 감염 위험 요인, 인근 철새 서식지의 철새로 인한 감염 위험 요인 및 축산 차량의 방문으로 인한 감염 위험 요인 중 적어도 하나를 포함하는 감염 원인을 역학적으로 분석하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 삭제
- 제12항에 있어서,
상기 지역별 위험도 예측부는,
가금사육 농장들에 대해 산출된 감염 횟수 분포들을 가우시안 혼합 모델을 기반으로 누적하여 전체 감염 횟수 분포를 산출하는 전체 감염 횟수 분포 산출부;
각 가금사육 농장 별로 상기 각 가금사육 농장의 감염 횟수 분포 중 설정된 신뢰구간에 해당하는 감염 횟수 구간이 상기 전체 감염 횟수 분포에서 나타나는 위치를 기반으로 위험도를 산출하는 가금사육 농장 위험도 산출부;
상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험도들을 기반으로 상기 가금사육 농장들을 군집화하여 상기 가금사육 농장들의 위험 수준을 분류하는 가금사육 농장 위험도 분류부; 및
상기 각 단위 지역 내에 속하는 가금사육 농장들의 위험 수준들을 누적하여 상기 각 단위 지역 별로 상기 조류인플루엔자 발생 위험도를 산출하는 단위 지역별 발생 위험도 산출부를 포함하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치. - 제18항에 있어서,
상기 단위 지역별 발생 위험도 산출부는,
단위 지역들의 조류인플루엔자 발생 위험도를 기반으로 상기 단위 지역들을 군집화하여 감염 위험 수준을 분류하고 상기 단위 지역들의 감염 위험 순위를 산출하는, 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200062796A KR102431814B1 (ko) | 2020-05-26 | 2020-05-26 | 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200062796A KR102431814B1 (ko) | 2020-05-26 | 2020-05-26 | 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210145941A KR20210145941A (ko) | 2021-12-03 |
| KR102431814B1 true KR102431814B1 (ko) | 2022-08-11 |
Family
ID=78866730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200062796A KR102431814B1 (ko) | 2020-05-26 | 2020-05-26 | 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102431814B1 (ko) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101607934B1 (ko) * | 2014-05-14 | 2016-03-31 | 숭실대학교산학협력단 | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 |
| KR102667163B1 (ko) * | 2016-06-23 | 2024-05-20 | 주식회사 케이티 | 전염성 동물 질병의 확산을 예측하는 동물 질병의 확산 예측 장치 및 동물 질병의 확산 예측 방법 |
-
2020
- 2020-05-26 KR KR1020200062796A patent/KR102431814B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210145941A (ko) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Clement et al. | A survey on mathematical, machine learning and deep learning models for COVID-19 transmission and diagnosis | |
| Teurlai et al. | Socio-economic and climate factors associated with dengue fever spatial heterogeneity: a worked example in New Caledonia | |
| Kaur et al. | A systematic review on metaheuristic optimization techniques for feature selections in disease diagnosis: open issues and challenges | |
| Jewell et al. | Bayesian analysis for emerging infectious diseases | |
| Singh et al. | An integrated fog and Artificial Intelligence smart health framework to predict and prevent COVID-19 | |
| Souris | Epidemiology and geography: principles, methods and tools of spatial analysis | |
| Alamo et al. | Data-driven methods to monitor, model, forecast and control covid-19 pandemic: Leveraging data science, epidemiology and control theory | |
| Kala et al. | A comparison of least squares regression and geographically weighted regression modeling of West Nile virus risk based on environmental parameters | |
| Kosmala et al. | Estimating wildlife disease dynamics in complex systems using an approximate Bayesian computation framework | |
| Humphreys et al. | Waterfowl occurrence and residence time as indicators of H5 and H7 avian influenza in North American Poultry | |
| Gibson et al. | Real-time mechanistic bayesian forecasts of covid-19 mortality | |
| Patyk et al. | An epidemiologic simulation model of the spread and control of highly pathogenic avian influenza (H5N1) among commercial and backyard poultry flocks in South Carolina, United States | |
| Xu et al. | GEOFIL: A spatially-explicit agent-based modelling framework for predicting the long-term transmission dynamics of lymphatic filariasis in American Samoa | |
| Paploski et al. | Forecasting viral disease outbreaks at the farm-level for commercial sow farms in the US | |
| Patyk et al. | Modelling the domestic poultry population in the United States: A novel approach leveraging remote sensing and synthetic data methods | |
| Abd Algani et al. | Autonomous service for managing real time notification in detection of COVID-19 virus | |
| Salvador et al. | Evaluation of strategies using simulation model to control a potential outbreak of highly pathogenic avian influenza among poultry farms in Central Luzon, Philippines | |
| Amrine et al. | Evaluation of three classification models to predict risk class of cattle cohorts developing bovine respiratory disease within the first 14 days on feed using on-arrival and/or pre-arrival information | |
| KR102431814B1 (ko) | 야생조류에서 조류인플루엔자 항원 검출시 가금사육 농장 위험도 산출 장치 및 방법 | |
| Ebel et al. | Estimating herd prevalence of bovine brucellosis in 46 USA states using slaughter surveillance | |
| Kim | Spatio-temporal point process models for the spread of avian influenza virus (H5N1) | |
| Bruhn et al. | Synthesized population databases: a geospatial database of US poultry farms | |
| CN114068036A (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
| Zhou | Integrating a hierarchical SOM-based intervention method in an agent-based pertussis model | |
| KR102601051B1 (ko) | 가축질병 실시간 예찰 기술 및 지능형 방역위생 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |