하수 기반 우선 인플루엔자 모니터링을 위한 베이지안 선택적 잠재 추론 (Bayesian Selective Latent Inference)

하수(Wastewater) 기반 인플루엔자 감시(surveillance)는 임상 보고가 이루어지기 전에 지역 사회의 유행을 드러낼 수 있지만, 하수 데이터만으로는 인간의 질병 부담(human burden)을 완전히 식별 가능한 대리 지표(proxy)로 삼기에 부족합니다. 기존의 하수 모델은 고정된 증거 집합을 가정하는 반면, 일반적인 증거 획득(evidence-acquisition) 방법들은 공식 감시 스트림(surveillance streams)을 서로 교체 가능한 비용이 드는 특징(features)으로 취급합니다. 우리는 하수 우선 인플루엔자 모니터링을 선택적 결정 문제(selective decision problem)로 정의합니다. 즉, 의무적인 하수 증거에서 시작하여, 시스템은 하수 데이터만으로 충분한지, 다음에 어떤 지연된 공식 스트림을 조회할 것인지, 그리고 출처의 모호성(source ambiguity) 하에서 기권(abstention)이 유일하게 과학적으로 방어 가능한 행동인 시점은 언제인지를 결정해야 합니다. 우리는 잠재적 부담(latent burden)과 식별 가능성(identifiability)에 대한 사후 확률(posterior)을 유지하고, 명시적인 과학적 게이트(scientific gates)를 통해 답변 가능성(answerability)을 인증하며, 정확한 비용 교정된 벨만 정책(cost-calibrated Bellman policy)으로 조회 중단(query-stop) 결정을 최적화하는 원칙적인 베이지안 방법론인 베이지안 선택적 잠재 추론 (Bayesian Selective Latent Inference, BSLI)을 제안합니다. 우리는 핵심적인 변분(variational), 답변 가능성(answerability), 벨만 최적성(Bellman-optimality), 그리고 1차원 비용 교정(one-dimensional cost-calibration) 특성을 증명합니다. 5,933개의 예측 에피소드와 3,102개의 출처 모호성 에피소드를 포함하는 고정된 공개 데이터 벤치마크에서, BSLI는 출처 모호성 하에서 보수적인 기권을 유지하면서도 매칭된 예산 내 비용-성능 경계(cost-performance frontier)를 개선합니다.