Google은 Google Earth AI 생태계를 통해 공중보건 분야에서 인공지능과 위성 이미지의 활용을 확대하고 있다. 이는 연구자와 보건 당국이 위험 지역을 발견하고 질병이 광범위한 위기로 전환되기 전에 질병 동향을 예측할 수 있도록 돕는 것을 목표로 한다. 이 이니셔티브는 지역 보건 데이터에 환경 신호, 우주 이미지, 이동 데이터, 지리 기반 파운데이션 모델을 결합한다.
Google은 이러한 도구가 보건 대응에서 반복적으로 발생하는 두 가지 문제, 즉 보고 지연과 기존 지리 데이터가 포괄하지 못하는 지역의 존재를 해결한다고 설명한다. 발생이 시작된 후 정보가 완성되기를 기다리는 대신, 현장 팀은 예측 모델을 사용해 가장 위험에 노출된 지역사회를 식별하고 질병의 잠재적 경로를 추정할 수 있다.
에볼라 발생 당시 도구 테스트
콩고민주공화국에서 에볼라가 발생했을 때 Google은 세계보건기구 아프리카 지역사무소 및 현지 국립생의학연구소의 모델링·역학정보 부서와 협력했다. 파트너들은 두 가지 초기 연구 모델을 사용했다. 하나는 자연어 대화를 통해 공간 매핑 작업을 수행할 수 있는 지리 추론 에이전트였고, 다른 하나는 질병을 위한 행성 규모 예측 엔진이었다.
세계보건기구 팀은 이 에이전트를 사용해 노출 위험과 높은 인구 이동이 동시에 나타나는 외딴 광산 통로를 식별했다. Google에 따르면 팀은 몇 분 만에 위험에 노출된 정착지 48곳과 45,500명 이상의 사람을 식별했으며, 이는 수작업 방식으로는 수주가 걸렸을 작업이었다. 결과는 이동식 실험실 배치 계획과 국경 감시 조정에 도움을 주었다.
Google은 또한 콩고 연구 부서와 함께 감염 사례가 기록되지 않은 지역으로 에볼라가 전파될 가능성을 추정하는 주간 모델을 개발했다. 이 모델은 이동 흐름, 과거 사례 동향, Earth AI 데이터를 기반으로 한다. 회사에 따르면 이러한 추정치는 새로운 지역에 환자가 도달하기 전에 계획을 세울 수 있는 추가 시간을 제공한다.
급성 발생에서 더 광범위한 보건 예측으로
이러한 적용 분야는 감염병에만 국한되지 않는다. Population Dynamics Foundation Model, 즉 PDFM은 집계된 검색 동향, 이동 패턴, 환경 데이터를 결합해 지역사회의 고해상도·상시 변화 이미지를 생성한다. NYU Langone Health 연구자들은 이러한 신호를 사용해 같은 해의 심혈관 질환 사망률을 추정했으며, 일부 경우 전통적인 방법과 비슷하거나 더 나은 성능을 보였다.
다른 연구에서는 미국과 캐나다 국경 양쪽의 행동 패턴을 활용해 미국 카운티의 홍역·유행성이하선염·풍진 예방접종률 추정을 개선했다. 또한 PDFM과 지역 기후 모델을 결합해 멕시코의 뎅기열 발생 예측을 개선했으며, 역학 기록과 PDFM을 결합한 결과 콩고민주공화국에서 최대 8주 전에 콜레라 위험 지역을 식별하는 능력이 향상되었다.
실무적으로 무엇이 달라지는가?
실질적인 가치는 산재한 지리·인구 데이터를 우선순위 설정에 활용할 수 있는 신호로 전환하는 데 있다. 즉, 이동식 팀을 어디에 파견할지, 어느 지역에 국경 감시가 필요한지, 모기 유충 방제와 같은 조기 예방 개입을 어디에서 시행할 수 있는지를 판단하는 데 도움이 된다. 그러나 이러한 도구가 지역 데이터나 보건 전문성의 필요성을 없애는 것은 아니다. 이는 기존 감시 체계를 대체하는 것이 아니라 보완해야 하는 연구·예측 모델이며, 현장 검증과 의료적 의사결정을 대신할 수 없다.
Google은 현재 Google Maps Platform에서 상업적으로 포함된 PDFM 데이터를 Population Dynamics Insights라는 이름의 프리뷰 단계로 제공하고 있으며, 연구자들은 특정 용도로 사용하기 위한 무료 액세스를 요청할 수 있다. 자격을 갖춘 기관은 Google Maps Platform의 공공 프로그램을 통해 Google Earth 크레딧을 신청할 수 있다. 회사는 또한 Google.org가 현지 검사와 질병 감시 체계의 현대화를 지원하기 위해 콩고 국립연구소에 자금을 제공했다고 밝혔다.