학술연구용역사업

최종결과보고서

한국형 결핵발생 예측모형 개발과 결핵퇴치정책의 효과분석

Developing a mathematical model of tuberculosis and proposing
optimal strategies for preventing tuberculosis in South Korea

주관연구기관 : 건국대학교 산학협력단

질병관리본부
 학술연구용역사업 최종결과보고서
과제 번호 2011E3100400
국문 한국형 결핵발생 예측모형 개발과 결핵퇴치정책의 효과분석
과 제 명
영문 Developing a mathematical model of tuberculosis and proposing
optimal strategies for preventing tuberculosis in South Korea
기관명 소재지 대 표
주관연구기관
건국대학교 서울시 광진구 백현동
성 명 소속 및 부서 전 공
주관연구 정은옥 이과대학 수학과 생명수학
책임자 연락처 이메일
02)450-4163 junge@konkuk.ac.kr
연구비 50,000 천원
연구기간 2011. 07. - 2011. 12.
총참여연구원 (책임연구원: 1명, 연구원: 4명,9명연구보조원: 4명 보조원: 0명)
비고 보안성 유(○) 무( )
2011년도 학술연구용역사업에 의하여 수행중인 학술연구용역과제의 최종결과
보고서를 붙임과 같이 제출합니다.
붙임 : 1. 최종결과보고서 20부.
2. 전자파일 CD 2매.

2011년 12월 15일

주관연구책임자 정은옥 (인)
주관연구기관장 백현동 (직인)

질병관리본부장 귀하
- 1 -
 목 차
Ⅰ. 연구개발결과 요약문
(한글) 한국형 결핵발생 예측모형 개발과 결핵퇴치정책의 효과분석
(영문) Developing a mathematical model of tuberculosis and proposing optimal strategies for
preventing tuberculosis in South Korea

Ⅱ. 학술연구용역사업 연구결과
제1장 최종연구개발 목표 7
제1절 목표 7
제2절 목표달성도 11
제3절 국내외 기술개발 현황 12
제2장 최종연구개발 내용 및 방법 14
제1절 연구내용 14
제2절 연구방법 15
제3장 최종 연구개발 결과 23
제1절 우리나라 결핵 소개 23
제2절 선행된 결핵의 수리적 모델 고찰 30
제3절 한국형 결핵모델 개발 39
제4절 결핵퇴치 2030 Plan(Control strategies) 47
제5절 추정된 모수에 대한 통계적 추론 65
제4장 연구결과 고찰 및 결론 68
제5장 연구성과 및 활용계획 70
제1절 활용성과 70
제2절 활용계획 72
제6장 연구비 사용 내용 74
제7장 참고문헌 75
제8장 첨부서류 76

- 2 -
 표 목 차
표 1 모수와 초깃값 15
표 2 관측된 데이터 17
표 3 대표적인 전염병의 18
표 4 결핵 신환자 및 다제내성 환자 추이 25
표 5 일반적인 S, E, I, T, V의 정의 30
표 6 모수의 정의(definition of parameters) 30
표 7 S, E, I, L의 정의 39
표 8 모수(Parameters)의 정의와 산출방법 41
표 9 연도별 결핵 환자 데이터 45
표 10 전략별 사용된 제어 51
표 11 전략별 인구 10만 명당 E+I와 I의 미래 추세 비교 57
표 12 전략별 세부비용과 총비용 비교 58
표 13 최적제어의 효율성을 고려한 정책 효과 비교 60
표 14 예산세부안의 분류 61
표 15 추정 모수의 붓스트랩 결과 67

- 3 -
 그림목차
그림 1 연구 수행 체계도 10
그림 2 Data fitting을 이용한 데이터 추정 결과 17
그림 3 Pulmonary tuberculosis cases in Spain 21
그림 4 결핵 신고 신환자 현황 (출처 : 통계청) 24
그림 5 결핵 조기 퇴치 New 2020 Plan 25
그림 6 재발모델의 흐름도(flow chart) 40
그림 7 감염재생산수 42
그림 8 기대 수명 43
그림 9 전체 인구 43
그림 10 치료성공률 44
그림 11 신환자 데이터와 46
그림 12 재발환자 데이터와 46
그림 13 2011년부터 2070년까지의 예상 결핵환자수 47
그림 14 시간에 대한 함수로 상수 값이 주어진 모델과 평균값으로 주어진 모델 비교 48
그림 15 Strategy 1 52
그림 16 Strategy 2 53
그림 17 Strategy 3 54
그림 18 Strategy 4 55
그림 19 전략별 인구 10만 명당 I의 미래 추세 비교 57
그림 20 전략별 세부비용과 총비용 비교 58
그림 21 최적제어의 효율성을 고려한 정책 비교 59
그림 22 2011년 정부 결핵예산안에 따른 정책과 예측모델결과에 따른 정책 결과 비교 63
그림 23 지속적인 결핵퇴치정책의 필요성 64
그림 24 추정 모수의 붓스트랩의 결과(반복횟수 : 1000) 66

- 4 -
 최종결과보고서 요약문

과제명 한국형 결핵발생 예측모형 개발과 결핵퇴치정책의 효과분석

중심단어 결핵, 수학적모델, 결핵퇴치정책, 최적제어이론
주관연구기관 건국대학교 주관연구책임자 정은옥
연구기간 2011. 07. 28 - 2011. 12. 27.

결핵에 대한 수학적모델 중 실제 데이터를 근거로 개발된 수학적모델에 대한 연구는 국내외적

으로 거의 불모지 상태이다. 특히 우리나라의 경우 결핵환자의 수가 예전에 비해 감소추세에 있
기는 하지만 아직 OECD 국가 중 결핵환자의 수가 1위를 차지하고 있고, 현재 정부에서도 결핵
에 대한 2020 Plan 등 결핵조기퇴치에 대한 정책을 내놓고 있다. 본 프로젝트에서는 우리나라
결핵의 역학을 분석하고 신환자와 재발환자의 데이터에 근거한 수학적모델을 개발하는 연구를
수행하였다. 또한 개발된 모델에 최적제어이론을 적용하여 결핵조기퇴치정책에 대한 연구가 병
행되었다.
한국형 결핵 전파에 대한 수학적모델 연구에서는 상미분방정식으로 이루어진 SEIR의 결정적
모델을 우리나라 결핵에 맞게 수정하여 개발하였다. 모델의 중요한 상수들은 인구수, 기대수명,
결핵치료성공률, 신환자수와 재발환자수와 같은 데이터를 근거로 하여 추정하였고, 실제 데이터
로 추정이 어려운 상수들은 least square fitting을 사용하여 추정하였다. 또한 basic reproductive
number를 계산하고 수학적인 분석을 통하여 어떤 요소가 우리나라 결핵에서 중요한 역할을 하
고 있는지를 규명하였다. 결핵조기퇴치정책에 대한 연구에서는 최적제어이론을 개발된 모델에
적용하였는데, 본 연구에서는 “distancing 제어, case finding 제어, case holding 제어”를 선택하
여 정책을 크게 세 종류로 분류하여, 결핵환자수와 결핵감염자수를 최소화하면서 동시에 비용도
최소화하는 2030 결핵조기퇴치정책안을 제시하였다. 또한 현 정부의 결핵예산안을 근거로 한 미
래에 대한 정책 시나리오와 본 연구에서 제시하는 결핵조기퇴치정책 시나리오를 비교 분석하여,
예산의 효율적인 재분배의 필요성을 보였다.
본 연구에서 개발된 한국형결핵의 수학적모델은 결핵의 역학연구 및 결핵예산 분배에 토대를
마련하는 근거로 사용될 뿐 아니라, 기후변화 등으로 인한 다른 전염성질병의 수학적모델링의
필요성과 중요성을 부여하는 시너지 역할을 할 것으로 기대된다.

- 5 -
 Summary

Title of Project Developing a mathematical model of tuberculosis and proposing optimal

strategies for preventing tuberculosis in South Korea
Key Words Tuberculosis, Mathematical model, Stop TB plan, Optimal control theory
Institute KONKUK University Project Leader Eunok Jung
Project Period 2011. 07. 28 - 2011. 12. 27.
There are not much research on mathematical models of transmission in Tuberculosis
(TB) based on real data. Especially, in our country, the number of TB patients are getting
decreasing, however it is first in the OECD counties so far. Korean government has
proposed the 2020 Plan to stop TB. In this project, we have developed a mathematical
model based on the incidence and relapse data and do analysis of dynamics for TB in Korea.
Furthermore we have also proposed the early stop TB plan from the optimal control theory.
In the research of developing a transmission model of TB, we have used a SEIR
continuous model that is governed by the ordinary differential equations. The important
parameters in the model have been estimated by numbers of population, life expectancy, rate
of TB treatment success, incidence and relapse of TB. If it is difficult to estimate from real
data, then we used the least square curve fitting to get the parameters. We have also
calculated the reproductive number in our system and did mathematical analysis, so we have
showed what the important features of TB in our country are. In the research on early stop
plan for TB, we have applied the optimal control theory to the developed mathematical
model. The three controls, “distancing control, case finding control and case holding control“,
have been chosen, in order to minimizing the numbers of infectious and exposed individuals
and costs. We have proposed 2030 stop TB plans using this control theory. The optimal
strategy from our model and the strategy based on the budget of TB in 2011 year from the
government have been compared and showed that the budget of TB should be reassignment
for stopping TB.
The TB model developed in this project will be a important tool for research on TB
dynamics and TB budget assignment in Korea. Furthermore this model will give a role of
synergy in other infectious disease models.

- 6 -
 학술연구용역사업 연구결과

제1절 목표
1. 연구목적 및 필요성
21세기 과학의 중심이 생명과학으로 바뀌면서 전 세계적으로 생명과학 관련 연구에 대한 관심은 점
점 더해가고 있다. 수학 역시 유럽과 미국의 선진국을 중심으로 생물수학 혹은 생명수학 관련의 연구와
교육이 전성기를 누리고 있다. 생물수학의 기원은 17세기로 거슬러 올라간다. 컴퓨터가 등장하기 이 전
인 17세기에서 19세기 초까지의 생물수학은 population dynamics에 관한 연구들이었다. 현재까지 4세기
에 가까운 시간동안 population 연구는 그 깊이를 더해가고 있다. 특히, 전염성질병에 대한 수리모델링
과 analysis가 많은 연구자들에 의해 수행되고 있다. 전염성질병에 대한 수학적모델링에 대한 연구가
국제적으로 중요한 역할을 하고 있고, 대학이나 중요 국가기관에서 투자하고 있는 연구임은 분명하다.
그 이유 중 하나는 수학적모델링은 임상실험이나 통계적인 데이터의 구축의 방향 제시, 그리고 결정적
모델을 통해 현재까지 뿐 아니라 미래에 대한 대책이나 최적의 정책을 세우는 것에 중요한 역할을 하고
있기 때문이다. 전염성질병 중 결핵, 유행성 독감 (pandemic influenza), 조류독감(avian influenza), 구
제역(foot-and-mouth disease), 그리고 기후변화 때문에 다시 재발하고 있는 말라리아나 쯔쯔가무시병
등에 대한 수학적모델링이 국제적인 많은 기간에서 수행되고 있다. 특히 결핵에 대한 수학적모델링은
전염성질병 중 가장 많은 연구자들에 의해 수행된 연구된 연구 중 하나다.
결핵은 전 세계인구의 약 1/3이 결핵균 감염자로 알려져 있는 제일 감염성이 많은 질병 중 하나이다.
선진국의 경우 전체적인 결핵 환자 수는 점차 줄어들고 있는 추세이고, 세계보건기구가 지정한 22개의
결핵고부담 국가의 경우는 추정 발생률이 전세계발생률의 80%를 차지하고 있다. 우리나라의 경우도 결
핵환자수가 점차 줄어들고 있지만, 아직 OECD 국가 중에서 1위를 차지하고 있는 질병으로 알려져 있
다. 최근 들어 결핵은 올바른 치료법을 알게 되면 거의 100% 완치 가능한 병으로 알려져 있다. 하지만
치료기간이 6개월에서 18개월 정도 걸리는데다가 그 증상이 뚜렷이 나타나지 않는 경우가 많아 재발되
는 경우를 흔하게 볼 수 있다. 결핵의 재발(postprimary tuberculosis, 완치 후 재발이 아닌 성인 결핵을
의미함)은 크게 두 가지 설이 있는데, 외인성 재감염(exogenous reinfection)에 의한 것과 초감염
(primary infection) 후에 잠복해 있던 균에 의한 내인성 재발(endogenous reactivation)이 있다고 알려
져 있다. 1990년 대 후반 들어 Raleigh and Wichelhausen(1973), Raleigh et al.(1975), Nardell et
al.(1986).과 Small et al.(1993)[1][2][3][4] 등은 외인성 재감염의 중요성을 강조하였다. 외인성 재감염은 환

- 7 -
기가 잘 안 되는 지하철, 버스, 비행기 등에서 잘 발생하고, 개발도상국에서 온 이민자의 수와 비례하여
증가하고 있다. 이러한 이유로 Mexico City, Rio de Janeiro, New York City 등의 선진국에서 외인성
재감염의 비율이 늘고 있는 추세이다. 결핵이나 에이즈 등 전염성질병에 대한 수학적모델링은 최근 들
어 미국과 유럽 등지의 여러 그룹에서 개발되고 있다. 생명수학의 모델링으로 잘 알려져 있는 수학자인
Castillo-Chavez와 Feng은 결핵에 대한 다양한 경우의 수학적 모델을 개발하였고, 모델을 이용하여 결
핵에 대한 분석과 해석을 하여 치료법 등을 제시하였다. 다양한 결핵의 수학적모델링에 대한 연구가 있
지만 실제 데이터에 근거한 수학적모델 개발에 대한 연구는 국제적으로도 극히 소수에 불구하다. 특히
최적제어이론을 실제 데이터에 근거한 모델에 적용하여 최적의 치료법에 대한 책략을 제시하는 연구는
본 연구그룹을 제외하고는 국제적으로도 거의 불모지 상태라 할 수 있다. 본 연구책임자는 2011년 4월
에 생명수학의 top 저널 중 하나인 Journal of Theoretical Biology에 우리나라 결핵모델의 개발에 대한
논문을 게제하였다. 하지만 처음 시작한 단계이기 때문에 수학적모델에서 고쳐야 할 점이나 좀 더 한국
적 성향에 맞는 모델의 개발이 절실한 상황이다. 이와 관련하여 이번 연구에서는 앞서 발표한 모델과
비교하여 새로 제시되는 모델의 유의적인 개선정도를 통계적으로 검정하여 실질적인 개선을 유도할 예
정이다.
본 연구 프로젝트에서는 크게 두 가지의 연구주제를 제시 한다: 첫 번째는 우리나라 결핵 데이터에
근거한 수학적모델의 개발이다. 이 연구에서는 본 연구책임자에 의해 이미 개발된 결핵모델의 문제점
을 지적하고, 기존의 모델과 본 프로젝트에서 개발될 수학적모델의 결과를 통계적으로도 비교 분석할
것이다. 또한 수학적모델로부터 basic reproductive number를 계산하고 수학적인 분석을 통하여 어떤
요소가 우리나라 결핵에서 중요한 역할을 하고 있는지를 규명할 계획이다. 두 번째는 개발된 모델에
수학이론인 최적제어이론을 적용하여 미래에 대한 최적의 결핵퇴치정책에 대한 연구를 제시하는
것이다. 본 연구는 현재까지의 데이터를 가지고 개발된 수학적모델을 미래까지 확장하여 결핵퇴치에
대한 최선의 책략을 제안할 계획이다. 2006년 9월 26일 질병관리본부에서는 현재의 결핵실태를 위기로
진단하고 “결핵퇴치 2030 계획”을 마련하여 발표하였다. 이미 2단계에 들어서고 있는 2030 계획은 2030
년까지 WHO의 결핵퇴치 목표를 20년 앞당겨 달성할 것으로 예측하였다. 구체적인 계획으로는 결핵환
자 추구관리, 다제내성 결핵환자 지원, 조기발견 실시, 결핵치료비 지원, BCG백신 생산시설의 현대화,
영상정보시스템 구축을 들 수 있는 수백억의 예산을 투자하는 큰 사업 중 하나이다. 아래의 그림은
2001년부터 2010년까지의 결핵 신고 신환자 현황을 보여주고 있다. 신환자 수가 줄고 있지 않는 상황임
을 관찰 할 수 있다. 2030 계획의 구체적인 내용에는 위에 언급한 것과 같은 많은 계획이 포함되어 있
다. 어떤 계획이 우선이 되어야 하는지 얼마만큼의 비중을 두고 계획들을 수행하여야 하는지에 대한 지
표가 꼭 필요하다. 하지만 복잡한 현실을 포함한 임상데이터를 얻어 지표를 만든다는 것은 거의 불가능
한 일이라 할 수 있다. 수학적모델이 개발되고 최적제어이론을 적용한다면 최적의 결핵퇴치 방법이 시
나리오에 맞게 제시될 수 있다. 특히 비용을 최소화하는 정책을 제시하기 때문에 조기에 결핵퇴치를 할
수 있는 정책에 올바른 방향을 제시할 수 있는 중요한 연구가 될 것이다.

- 8 -
 - 예상되는 연구성과의 국제적인 수준을 고려한 본 연구과제의 중요성
결핵에 대한 수학적모델과 치료법을 찾는 연구도 국내외적으로 다음과 같은 유명한 기관에서 관심을
갖는 중요한 연구주제이다:
w WHO global TB Programme (http://www.who.int/gtb)
w International Union Against TB & Lung Disease (http://www.iuatld.org)

w CDC Division of TB Elimination (http://www.cdc.gov/nchstp/tb/)

w National Center for Infectious Disease (http://www.cdc.gov/ncidod/)

w Brown University TB-HIV Research Laboratory

(http://www.brown.edu/Research/TB-HIV_Lab/)
w Stanford Center for Tuberculosis Research (http://molepi.stanford.edu/)

w National Institute of Health (http://www.nim.nih.gov)

w 일본 결핵 연구소 (http://www.jata.or.jp)

w 질병관리본부 (http://www.nih.go.kr)

이렇듯 국제적인 유명기관에서 결핵에 관련된 연구를 하고 있다. 본 연구에서 제시하는 최적제어를
사용한 결핵에 대한 연구나 우리나라에 맞는 결핵의 수학적모델 개발에 대한 연구는 국내외적으로 결
핵에 대한 수학적 접근 방법을 한 단계 격상시키고, 결핵에 관한 국민 복지의 향상을 제고하는데 기여
하게 될 것이다.

- 9 -
2. 연구수행체계
본 연구는 5개월 동안 다음 두 단계의 연구 프로젝트로 수행될 것이다: “우리나라 결핵의 수학적모델
개발과 결핵조기퇴치 정책 제안”참여 연구원은 연구책임자, 연구원 1명, 연구보조원 5명, 총 7명으로 이
루어져 있다. 연구책임자와 4명의 연구보조원은 응용수학 전공자이고, 연구원과 1명의 연구보조원은 전
산통계를 전공하고 있다. 본 연구의 우수한 연구수행을 위해서는 다음과 같은 구체적인 연구를 추진할
계획이다.

그림 1 연구 수행 체계도
자문연구원을 두어서 정기적인 세미나를 통해 우리나라 결핵에 대한 데이터 및 현황분석과 수학적모
형의 개발이 맞는 방향으로 가고 있는지를 체크할 것이다. 또한 연구책임자와 공동연구를 수행하고 있
는 국외의 결핵모델의 전문가를 초빙하거나 이메일로 자문을 구하여 연구결과의 타당성 등에 대한 자
문을 구할 계획이다. 우리나라에서는 결핵연구원의 김희진 원장과 질병관리본부 에이즈 결핵과의 연구
원들이 자문위원으로 참여하고, 외국의 결핵모델링의 전문가로는 Arizona State University의 Carlos
Castillo-Chavez 교수와 Gerardo Chowell 교수, Univ. of Tennessee의 Suzanne Lenhart 교수 등의 자
문도 구할 계획이다.
또한 10월이나 11월 중 국내외의 결핵 연구 동향 및 우리나라 결핵의 현황, 정책방향 그리고 수학적
모델링의 필요성에 중점을 둔 주제로 워크숍을 개최할 예정이다. 워크숍을 통해 연구의 진행방향을 다
시 한 번 체크하고, 전문가들과의 논의를 통해 남은 연구기간 동안 우수한 연구결과를 낼 수 있도록 방
향을 잡을 계획이다.

- 10 -
제2절 목표달성도
1. 본 과제는 우리나라 최초로 결핵에 대한 수학적모델을 실제 데이터에 근거하여 개발함
w 결정적모델인 SEIR 형태의 모델을 우리나라의 결핵에 맞게 수정하여 한국형 결핵의 수학적모델
을 개발함
w 국외에서 선행된 대부분의 결핵에 대한 수학적모델 연구에서는 중요한 parameter가 상수로 사용
되었으나, 본 과제에서 개발된 한국형 결핵모델에서는 실제 데이터에 근거한 시간에 따른 함수로
parameter를 결정함. 즉 보다 현실적인 모델을 제시함. 이때 2001년부터 2010년까지의 우리나라
국민수, 기대수명치, 결핵치료성공률, 결핵신환자수와 재감염자수가 사용됨
w 선행된 결핵모델과 달리 본 과제에서 개발된 모델에서는 결핵 재발환자를 고려한 모델을 제시함
w 한국형 결핵에 대한 역학조사에 예측모델을 사용할 수 있는 토대를 구축함
w 결핵모델에 age-structure를 고려한 모델, 대제내성결핵을 포함한 모델, 외인성재감염을 포함한
결핵모델의 개발할 수 있는 기초모델을 구축함
w 국외에서도 실제 데이터에 근거한 결핵모델은 거의 없기 때문에 국제적으로 결핵연구의 질적인
향상을 가져온 연구임
w 컴퓨터 알고리듬의 개발을 자체적으로 수행하여, 질병관리본부의 연구원들도 사용할 수 있는 결
핵모델의 프로그램 구축함
2. 결핵조기퇴치정책 수립의 근거 제시
w 수학적모델에 중요한 정책을 제어로 고려하여 최소의 비용으로 결핵환자수와 감염자수를 줄일
수 있는 정책을 최적제어이론을 사용하여 제시함
w 현 정부의 결핵예산을 분석하여 본 과제에서 개발된 모델로 제시하는 최적의 정책과 비교하여,
보다 효율적인 결핵예산 분배를 제시함
w 결핵환자의 조기발견, 우리나라의 청결한 음식문화와 보건위생에 대한 교육 및 홍보, 결핵환자의
결리 등에 관련된 정책에 현재보다 더 많은 예산이 투자된다면 결핵환자와 감염자수를 선진국
수준으로 줄일 수 있음을 제시함
w 정부의 2020 결핵퇴치사업의 효율성을 결정할 수 있는 기초 토대를 수학적모델링으로 구현함

- 11 -
3. 기술적, 학문적 기여 측면
w 본 과제에서 개발된 결핵모델은 다른 전염성질환과 관련된 수학적모델 및 예측, 관리 전략을 세
우는 연구에 기반을 제공할 것임
w 국내외적으로 실제 데이터를 기반으로 하는 결핵모델에 대한 연구는 거의 불모지임. 국제적으로
결핵연구의 질을 높이는 계기가 됨
w 결핵 뿐 아니라 다른 전염성질병의 정책수립을 최적제어이론을 토대로 제시할 수 있는 기초연구
기반을 세움
w 장기적 목적으로 결핵이나 에이즈 등 전염성질병에 대한 역학조사와 모델링, 예측과 정책결정의
근거수립과 같은 연구를 위하여 예방의학, 통계학, 수학, 의학이 융합되어 있는 센터를 세울 수
있는 인프라를 구축함

제3절 국내외 기술개발 현황

국외의 경우, 결핵에 대한 수학적 모델링에 대한 연구는 1990년대와 2000년대에 들어와서 급속도로
증가하고 있는 추세이다. 결정적(deterministic) 방정식으로 구성되어 있는 수학적모델을 compartment
모델이라고도 부른다. 다양한 그룹에서 결핵에 대한 compartment 모델을 개발하였고, 이론적인 분석을
통해 치료법을 제시하는 연구를 수행하고 있다. 특히 Arizona State Univ.의 Carlos Castillo-Chavez 교
수와 그의 동료들은 결핵의 다양한 경우의 수학적모델 개발 및 이론을 정립하는데 큰 기여를 했다.
Castillo-Chavez 교수와 Aparicio 교수는 2000년대 초부터 현재까지 전염성 결핵의 전파에 대한 수학
적모델을 개발하고, basic reproductive number를 계산하여 결핵을 줄일 수 있는 방법을 수학이론을 통
하여 보여주었다[5][6][7][8][9][10][11]. 또한 다른 그룹과 함께 Castillo-Chavez 교수는 parameter 상수를 추
정하기 위한 이론을 세우고[12][13][14], age-structured model 및 AIDS와 결핵을 고려한 모델 [15][16][17][18]
개발 연구를 하였다. Purdue Univ. 의 Feng 교수와 Castillo-Chavez 교수는 resistance-TB
(tuberculosis, 결핵) 모델[19]과 외인성 재감염으로 인한 결핵모델 등[20][21]이 개발되었고, 그 모델들을
이용하여 결핵에 대한 분석과 해석을 제시 하였다. Murphy 교수 팀과 Song 교수 팀도 결핵의 수학적
모델에 대한 다양한 제시를 한 그룹이다[22][23][24][25]. 하지만 최적제어이론을 결핵모델에 적용한 연구는
본 연구자에 의해 처음 수행되었다. Castillo-Chavez와 Feng에 의해 개발된 resistance-TB 모델에 제
어를 보균자를 screening하는 노력과 환자를 완치될 때가지 관리하는 노력으로 잡고 최적제어이론을
적용하여 최적의 치료법을 수학적으로 찾는 우수한 결과를 내었다[19]. 현재까지 결핵에 대한 수학적모
델에 대한 많은 연구결과가 있지만 실제 데이터를 근거한 모델은 소수에 불과하다.

- 12 -
 우리나라의 경우 임상실험에 대한 많은 연구결과가 있는 반면 우리나라 실정에 맞는 결핵의 수학적
모델에 대한 연구는 거의 불모지 상태라고 할 수 있다. 본 연구책임자에 의해 최근에 개발된 모델이 우
리나라 데이터를 근거한 결핵에 대한 유일한 수학적모델이라 할 수 있다[26]. 우리나라에서는 생물수학
이라는 학문이 최근 들어서야 관심 있는 학문으로 자리 잡고 있기 때문에, 생물학적인 문제나 질병에
대한 수학적 모델링은 이제 시작 단계라고 할 수 있다. 학문적으로 또 사회의 복지를 위해 꼭 필요한
연구 분야인 것이다.

- 13 -
제1절 연구내용
본 과제는 크게 두 개의 연구를 수행하였다: 첫 번째 단계에서는 우리나라 데이터를 근거로 한 한국
형 결핵의 수학적모델 개발이다. 두 번째 단계에서는 개발된 수학적모델에 최적제어이론을 적용하여 결
핵조기퇴치정책을 제안하는 연구를 수행하였다. 구체적으로 수행된 연구주제는 다음과 같다.
제 1 단계 : 우리나라 데이터를 근거로 한 수학모델의 개발

① 우리나라 결핵 신고율(notification rate) 및 발생률(incidence rate) 등에 대한 데이터 분석

② 우리나라 결핵 현황 및 정책에 대한 부분을 전문가 자문을 통해 분석
③ 국내외적으로 결핵의 수학적모델링 연구에 대한 선행된 연구결과 분석
④ 우리나라 결핵 데이터에 맞는 수학적모델(결정적 방정식) 개발
⑤ 수학적모델의 중요상수에 대한 결정(parameter estimation)
⑥ 알고리듬의 개발
⑦ basic reproductive number 계산 및 분석
⑧ 선행된 연구결과와의 통계적인 분석연구
⑨ 중요한 모델상수의 통계적 검증
제 2 단계 : 최적제어이론을 적용하여 최적의 결핵퇴치정책 제안

① 미래에 대한 모델을 현재까지의 데이터로 어떻게 확장할 수 있는지에 대한 연구

② 제어(controls)와 목적함수(goal)의 결정
③ 최적제어이론을 개발된 모델에 적용한 이론 수립
④ 알고리듬의 개발
⑤ 다양한 시나리오를 구상하여 수치적인 결과를 분석 및 해석
⑥ 결핵조기퇴치 2030 정책 제안: 여러 시나리오를 고려하여 정책 분석
⑦ 현 정부의 결핵 예산안을 분석하여 그 효율성을 수학적모델에서 제시하는 정책과 비교 분석

- 14 -
제2절 연구방법
1. 수학적 모델
수학적 모델링을 통한 역학연구는 역학적 요인들의 개별적 지식부터 전체 집단 수준의 유행을 예측
하게 하며, 유행양상과 장기적인 예측을 가능하게 할 뿐만 아니라 백신 또는 정책들이 감염병 유행에
미치는 영향 등을 예측 가능하게 한다. 전염병의 모델링은 개체군의 수를 비롯한 여러 가지 전염병의
특성에 따라 분류될 수 있는데, 역학연구에 가장 많이 이용되는 수학적 모델은 대표적으로 SIR모형과
SEIR모델이 있다. 이 중에서도 본 연구에 이용되는 SEIR모델을 간단한 예를 통해 설명하고자 한다.
모집단의 전체인구수(N)를 시간에 따라 변하지 않는다고 가정하고(  

  ), 모집단은 다음과 같은 4

개의 그룹으로 분류된다고 가정한다. 감염병 초기 단계에서 집단의 모든 인구는 감염 가능한 상태인 감

수성이 있는 개인(susceptible, S)이 되며, 일정 시간 후에 감수성이 있는 개인은 감염시킬 수 있는 개인
(Infectious, I)을 만나 감염되고 시간이 지남에 따라 병원체의 수가 증가하게 된다. 감염 초기단계에는
감염의 증상이 없을 수도 있으며 병원체의 수가 너무 작아서 전파가 이루어지지 않을 수도 있는데 이
단계를 개인이 병원체에 노출된 노출군(exposed, E)로 정의 한다. 병원체에 노출된 개인이 병원체의 숫
자가 증가하면, 다른 감수성이 있는 개인에게 전파 할 수 있는 감염력이 있는 사람(I) 으로 진행된다. 또
한, 병원체에 감염된 사람이 치료, 예방접종을 통해 감염력이 사라질 수도 있는데 이 단계를 회복군
(recovered, R)이라고 한다.
인구의 자연 수명을  로 가정하면, 개인의 자연사망률은  로 나타 낼 수 있다. 감염력이 있는 개인
(I)가 단위시간동안 감수성이 있는 개인(S)에게 전파할 수 있는 전파율을  라고 하고, 감염력 있는 개인
(I) 의 평균 감염기간(  )의 역수 을 치료율, 병원체에 노출된 노출군(E)의 평균 노출기간(  )의 역수
 을 노출군에서 감염군으로의 이동률로 정의한다. 이러한 모든 가정을 함께 넣어, 다음의 일반화 된
SEIR모델을 얻을 수 있다.[27]

        
표 1 모수와 초깃값


 개인의 사망률, 그리고 모집단의 출생률

          전파율
회복률




          개인의 노출군에서 감염군으로의 이동률
   전체 집단 내에 S그룹의 초깃값


   전체 집단 내에 E그룹의 초깃값
      

        전체 집단 내에 I그룹의 초깃값
  전체 집단 내에 R그룹의 초깃값
          
    

- 15 -
2. 상수 추정
본 연구에서 사용되는 감염역학(infection dynamics)의 결정론적 비선형 상미분 방정식 모델
(Deterministic nonlinear ordinary differential equation model)은 감염의 과정과 억제에 관한 기본적이
고 중요한 정보를 담고 있다. 감염성 질병의 전파와 소강의 경계 값(  ), disease free equilibrium과 

endemic equilibria의 local, global stability 등이 이에 속한다. 감염성 질병의 올바른 역학 정보를 얻기
위해서는 모델링에서 실제 데이터로부터 모델의 상수들을 추정하는 과정이 필요하다. 하지만 모델의 복
잡성과 데이터의 노이즈로 인해 관측된 데이터를 실제 모델에 적용하는 것은 쉽지 않을 뿐 아니라, 적
용 후 추정한 상수가 그 감염성 질병의 역학적 특징을 잘 나타내는지 검증하기도 어렵다. 이러한 이유
로 상수추정에 관한 여러 가지 선행된 연구들이 있으며, 본 연구에서는 여러 가지 방법 중 상수들마다
의 특성을 고려하여 각각의 상수에 맞는 추정 방법을 사용한다. 그 중 이 연구에서 대표적인 상수추정
방법인 least-square fitting 소개한다.
3. Data fitting
본 연구에서 사용하는 결정론적 모델(Deterministic model)에서는 여러 가지 parameter들을 사용하는
데, 그 중에서 문헌고찰로부터 얻을 수 있는 parameter가 있는 반면에 한국형 결핵의 특성상 생겨나는
parameter들은 이로부터 얻어내기가 힘들다. 따라서 이러한 parameter들을 의미 있게 추정하기 위하여
수학적 방법인 Least Square Data Fitting을 이용한다.
먼저 Data fitting을 적용하기 위해서는 관찰된 데이터(  )와 사용하고자 하는 수식의 형태를 정해야 한 

다. 수식의 형태는 unknown parameter를 포함하여 직접적인 형태(ex. linear function, exponential
function, etc.)가 나타나게 정할 수도 있지만 본 연구에서는 이를 각 개체군으로부터 유도된 ODE
system으로 사용한다. 예를 들면 사용하고자 하는 수식의 형태가    인 일차함수의 형태라 가정하 

면 관찰된 데이터는    로 표현되고, 정해진 수식으로부터 나타난 데이터는     로 표현할

   

수 있다. 여기서    를 라 두자. Unknown parameter가  와  로 주어져 있고, 관찰된 데이터  와
  

수식으로부터 나타난 데이터 가 근접하게 나타나길 원하므로, 두 데이터간의 residual을     과
   

같이 정의하고 그 제곱의 합을          과 같이 정의하여  가 최솟값을 갖게 하는 와

 
 
  
   

 를 찾아낸다. 여기서  은 관찰된 데이터의 개수를 나타낸다.

실제로 다음과 같은 몇 개의 데이터가 주어진 상태에서 정해진 시스템의 계수를 찾아보도록 하자.

- 16 -
 표 2 관측된 데이터
   
0 6.00 7 95.28
1 16.90 8 136.91
2 17.56 9 158.26
3 25.17 10 196.19
4 34.60 11 257.63
5 61.10 12 321.76
6 84.76
주어진 시스템이  에 관한 미분방정식으로 다음과 같이 주어져 있다고 하자.



,
       

Data fitting은 매틀랩(Matlab) 7.10 버전에서 명령어 lsqcurvefit를 사용하여 수행하였다. 이때 찾아낸
시스템의 계수는    ,    이며 이때의 residual의 norm은 392.6388이 나타났다. 찾아낸 계
수를 이용하여 주어진 ODE의 수치해를 구한 것과 주어진 데이터를 그림으로 나타내면 다음과 같이 주
어진다.

350
Data
ODE solution
300

250

200
y

150

100

50

0
0 2 4 6 8 10 12
t

그림 2 Data fitting을 이용한 데이터 추정 결과

- 17 -
4. 기본감염재생산수(Basic reproductive number)
기본감염재생산수 (Basic reproductive number,  )란 어떤 집단의 모든 인구가 감염가능한 상태일


때(susceptible, S), 한명의 감염환자로 2차 감염되는 평균인원을 뜻한다. 따라서    이면, 한명의 

감염자가 자신의 감염기간 동안에 평균적으로 한명미만의 2차 감염자를 발생시키기 때문에, 시간에 따
라 감염자 수가 감소하게 된다. 반대로    이면, 한명의 감염자가 자신의 감염기간 동안에 평균적


으로 2명이상의 2차 감염자를 발생시키기 때문에, 시간에 따라 감염자 수가 증가하게 된다.

간단한 모델에서는  는 감염률과 평균감염기간의 곱으로 정의되지만, 복잡한 모델에서는 여러 가지


다른 상수들이  에 영향을 미치기도 한다.



표 3 대표적인 전염병의  

질병 감염경로 
홍역 공기 12-18
백일해 공기 중의 작은 물방울 12-17
디프테리아 침 6-7
천연두 사회적인 접촉 5-7
풍진 공기 중의 작은 물방울 5-7
볼거리 공기 중의 작은 물방울 4-7
AIDS 성접촉 2-5
SARS 공기 중의 작은 물방울 2-5

 를 계산하는 방법은 생존함수(survival function), 야꼬비안 행렬(Jacobian matrix)의 고유값

(eigenvalue) 계산, the next generation method, intrinsic growth rate을 이용한 계산, 전염성 있는 평
형점의 존재, 그리고 전염성이 있는 평형점에서의 감염가능한 사람들의 숫자의 이용 등 여러 가지 방
법이 있다. 같은 모델이라도 방법에 따라서 다른  가 나타날 수도 있다. 여기서는 가장 간단한 방법 

인 community matrix을 이용한 계산을 간단한 예를 통해 소개한다.

   두 개체의 인구 모델이 다음과 같을 때,

 ′′    

를 만족하는   를 평형점이라 한다.
 ∞   ∞     ∞  ∞    ∞ ∞

    ∞      ∞ 와 같이   을 정의하고 주어진 연립미분방정식을 다시 쓰면

- 18 -
  ′      ∞     ∞   
′      ∞    ∞   

테일러 전개를 이용하여,

′    ∞     ∞       ∞  ∞      ∞   ∞      ∞   ∞   
′    ∞     ∞       ∞   ∞      ∞  ∞      ∞  ∞   

따라서
′    ∞   ∞     ∞  ∞ 
′     ∞   ∞      ∞   ∞ 

  ∞  ∞   ∞   ∞  
⇔ ′′   
 
∞ ∞    
  ∞  ∞  

이 때,        을 community matrix라고 한다.



∞
∞
∞
∞


∞
∞
∞
∞

평형점의 안정성(stability)은 평형점에서 계산된 community matrix의 고유값들로부터 결정된다. 평

형점에서 계산된 community matrix의 모든 고유값들의 실수부분이 음수이면 그 평형점은 점근적으로
안정하다(asymptotically stable). 이를 이용하여 고유값들의 실수부분이 음수가 되게 하는 조건들을
구하여 정리하면 어떠한 수가 1보다 항상 작아야 되는 조건이 존재하는데, 이 조건에서 항상 1보다 작
아야 되는 수를 기본감염재생산수(basic reproductive number,  )라고 정의한다. 

5. 최적제어이론
상미분방정식에서의 최적제어이론은 1950년대에 Pontryagin과 그의 동료에 의해 개발되어 생물, 경
제, 공학의 여러 분야에서 각각의 문제의 목표를 최적화하는 모델을 개발하는데 적용되었다. 최적제어
이론을 간단히 요약하면 다음과 같다.
변수  는 주어져 있는 state 방정식 

  

          을 만족한다고 가정하자. 먼저,

   

시간에 대한 함수인 제어를 선택하고 목표를 정한다. 즉, 목적함수(objective functional)

       를 최대로 하는 것을 목표로 삼는다. 여기서  는 고려되는 총 시간이다. 기존

 


의 이론에서는  의 최대를 구하는 문제를 다음에 주어지는 Hamiltonian을 제어에 대하여 최대로 하는
문제로 바꾸어서 풀게 되는데, 이 때 adjoint 변수가 도입된다. optimality equation,  

 을 풀

- 19 -
어 최적제어를 구하는 것이다. Hamiltonian은               이고 adjoint 변수는


   
 

말기 조건을 가지고 있는 상미분방정식   

 

       
 
를 만족한다.
해의 존재성에 대한 증명은 일반적이다. 왜냐하면, 주어진 state 방정식이 유한개의 state 변수가 연속
인 함수들로 이루어져 있고 유한개의 timestep을 사용함으로 본 연구과제의 system이 compactness하
므로 최적제어의 해의 존재성을 보일 수 있다.
수치해석적 방법으로는 다음과 같은 iteration방법을 써서 최적제어의 근사해를 구할 수 있다. 우선,
제어를 주어진 시간 동안 추정한다. 주어진 state 방정식 처음에 추정한 제어를 사용하여 상미분방정식
의 수치해석 방법 중 forward Euler 방법이나 forward Runge-Kutta 방법을 써서 state 변수를 update
한다. 이전 단계까지 구한 값을 사용하여 상미분방정식으로 이루어진 adjoint 시스템을 backward Euler
방법이나 backward Runge-Kutta 방법을 사용하여 adjoint 변수를 update하고, 전 시간 단계에서 구한
제어와 optimality 방정식을 풀어 현 시간 단계에서 구한 제어와의 convex 결합으로 제어를 update한
다. 마지막으로, 위에 주어진 과정을 반복하여 전 iteration과 현 iteration에서 구해진 모든 state과
adjoint 변수의 차이를 각각 구하여 더한 값이 무시할 수 있을 만큼 적어지면 그 때의 제어를 최적제어
로 선택한다.
6. 통계적 방법
결핵과 같은 전염성 질환에 대한 통계적 분석은 제한적이다. 모형 설정에 대한 연구방법은 본 연구에
서 시도하는 수학적 모형이나 마아코브체인에 의한 확률적 모형이 주류를 이루고 있다. 통계적 모델링
이 제한적인 이유는 전염성 질환에서 요인에 의한 발생빈도 관계를 규명하기 위한 충분한 자료가 확보
되지 못한데 기인한다. 따라서 기존의 연구를 보면 요인의 영향력을 배제한 채 발생빈도의 단순한 패턴
을 예측하는 시계열분석 정도를 시도하고 있다. 그중 대표적인 연구는 M.Rios, J.M.Garcia,
J.A.Sanchez, D.Perez(2000)[28]에 의한 폐질환성 결핵(pulmonary tuberculosis(PTB))에 대한 연구이다.
이 연구는 스페인에서 PTB 발생에 계절적인 패턴이 있는지를 알아보기 위한 것이며 1971에서 1996까
지 자료 (Epidemiology Bulletin by the Carlos III Health Center of the Spanish Ministry of Health)를
사용하고 있다.
질병발생의 추세에 대한 분석은 질병을 예방하기 위한 목표조정과 위험인자들을 인지하는데 도움을
주지만 계절적 추세를 인지하는 것 또한 중요하다. 질병발생의 계절성은 미래를 예측하거나 효율적인
공공의 건강계획을 발전시키는데 사용될 수 있기 때문이며 계절성의 인식은 목표를 설정하거나 한정적
인 자원을 더 효율적으로 사용할 수 있도록 도움을 준다. 이 연구는 Box와 Jenkins에 의해 소개된
ARIMA(Auto regressive intergrated moving average)모형을 이용하였으며 적절한 모형을 찾기 위해
모형 식별, 모수 추정, 적합성 검토 등의 과정을 거쳐 최종 모형을 구현하고 있다.

- 20 -
 그림 3 Pulmonary tuberculosis cases in Spain
자료에 의하면 스페인에서 PTB 발생은 1971-1983년 동안 안정적이며 1983-1987년 사이에는 그 수가
증가하고 1987-1991년에는 감소하며 1991-1996년에는 다시 증가한다. 시계열분석에 따르면 PTB 발생
은 계절적인 패턴이 있으며 2월과 6월말 사이에 높은 발생률을 보이고 7월과 1월 동안에는 발생률을 보
인다. 겨울에 발생정도가 높은 계절적 추세는 실내 활동이 증가하는 것에 기인한다. 밀폐된 공간에서 감
염된 사람이 배출한 결핵균은 오랜 시간동안 전염 될 수 있는 상태로 남아있어서 건강한 사람이 균에
노출될 수 있는 위험이 증가한다. 게다가 계절적 추세가 관찰되는 또 다른 이유는 겨울과 봄에 독감과
같은 바이러스 질환의 감염이 빈번하고, 면역결핍을 유발하기 때문이다.
본 연구에서는 2001부터 2010까지의 연도 별 자료를 사용하기 때문에 계절별 추세분석을 위한 시계
열분석을 적용하기 어렵다. 또한 미래에 대한 장기적인 예측방법으로 시계열분석은 적합하지 않으므로
본 연구에서는 시도하지 않기로 한다.
통계적 방법이 본 연구의 주된 접근법인 수학적방법과 연관하여 사용되는 대표적인 부분은 추정된
모수에 대한 신뢰성 검정이다. 추정된 모수에 대한 신뢰성은 모수에 대한 가정이 필요하지만 이러한 제
한을 해결한 방법이 붓스트랩(Bootstrap: Efron 1993)[29] 추정이다.
붓스트랩은 크기가 n인 독립적이고 동일한 분포의 표본 {    ⋯  }에서 분포함수 F가 알려져 있
  

지 않은 경우 경험분포함수를 사용하여 추정량에 대한 정밀도를 계산하는 방법이다. 경험분포함수는 관

- 21 -
찰 값에 대한 확률을 1/n로 할당하여 만들어진다. 경험분포함수로부터 표본추출과 모수추정을 반복하
고 반복된 추정량의 순서통계량으로부터 추정량의 신뢰구간을 계산한다. 일반적인 붓스트랩추정은 어
떠한 모수적 가정을 전제로 하지 않지만 본 연구에서는 모수적 기반과 일반적 붓스트랩의 중간적 방법
인 모수적 붓스트랩(Parametric Bootstrap)을 사용한다.

- 22 -
제1절 우리나라 결핵 소개
결핵은 결핵균군(Mycobacterium tuberculosis complex)에 의해 발병하는 감염성 질환이다. 그러나
사람에서 발병하는 거의 모든 결핵은 사람결핵균(M. tuberculosis)에 의해 발생한다. 결핵은 신체 각 부
분을 침범하며 다양한 소견을 나타내는 괴사성 감염증이다. 폐가 가장 많이 침범되나 그 외의 여러 장
기에도 병변을 일으킨다. 결핵은 결핵균이 신체장기에 접종된 이후 단시일 내에 임상적인 질환을 일으
키기도 하며 또는 수개월 또는 수십 년간의 잠복 후에 발병하기도 한다[30].
결핵의 주 전염원은 객담 도말양성인 폐결핵 환자이다. 배양에만 양성인 폐결핵 환자는 전염성이 거
의 없거나 있어도 경미한 편이다. 결핵의 주 감염원인 도말양성 폐결핵환자가 기침, 재채기, 말, 노래
등을 할 때 결핵균이 들어있는 비말핵(droplet nuclei)이 배출되는데 이 중 대체로 5μ 이하의 비말핵이
공기 중에 떠 있다가 다른 사람의 호흡기도로 들어가서 호흡세기관지나 폐포에 도달하면감염을 일으킬
수가 있다. 세포면역이 온전하지 못한 사람은 감염이 쉽게 이루어지며 감염된 후 발병도 잘 일으킬 수
가 있다. 전염성환자라도 적절한 화학치료를 받으면 단시간 내에 전염성이 소실한다. 세포면역이 온전
한 사람은 첫 감염이 이후에 새로 들어오는 다른 결핵균에 의한 재감염에 대해서 방어력을 가지게 된
다. 그러나 근래 다른 새로운 결핵균에 의해서 재감염 된 예들이 보고되고 있다.
세계적인 추이를 보면 결핵은 아직 사망의 주요원인 중 하나이긴 하지만 결핵발생은 감소추세에 있
다. 그러나 WHO 2007년 보고서에 의하면 2005년도에 추정되는 신환자 수는 880만 명에 달하고 있으며
그중에서 740만 명은 아시아와 사하라 이남 아프리카에서 발생하고 있다. 이러한 아프리카, 동남아시아
등지의 신환자수 증가로 인해, 결핵 발생률은 상당수 지역에서 정체 또는 감소를 보이고 있으나 신환자
수는 매년 0.6%씩 증가하고 있다[31].
우리나라는 일제 식민지 시대, 한국전쟁에 따른 기아와 피란 생활에 다른 좁은 지역에서 밀집거주, 영
양부족, 관리체계의 부재가 겹치면서 결핵이 만연하는 계기가 되었다. 결핵은 다른 감염성 질환과 달리
한 번 감염이 되면 평생 잠복감염상태가 되면서 수십 년 후에도 발병하여 2차 전염원이 된다. 그래서
1962년 국가결핵관리 체계를 구축하여 결핵퇴치사업을 꾸준히 펼쳐왔지만 아직도 감염자 층이 많아서
결핵발생이 높은 원인이 되고 있다. 1980년 중반부터 단기 초 치료 처방이 도입되면서 치료 효율이 향
상되고, 경제성장에 따른 주거위생과 영양상태의 개선, 전 국민 의료보험 도입에 따른 의료접근도의 향
상 등으로 결핵 유병률이 계속 감소하고 있다. 그러나 아직까지 전염병 질환에 의한 사망원인의 75%를
차지하고 있는 심각한 질환이다. 결핵은 예방할 수 있는 백신이 1920년대에 이미 개발되었고, 진단할 수
있는 방법 즉, 엑스선 검사와 세균검사도 보편화되어있고, 효과적으로 치료할 수 있는 항 결핵제들이 개

- 23 -
발되어 임상시험에서 그 유효성이 입증되었음에도 불구하고 퇴치되지 않고 있다. 오히려 적절한 관리
부재로 유사 이래 가장 많이 결핵을 앓고 있다[30].
최근에는 기존의 항 결핵제가 전혀 듣지 않는 내성결핵환자가 증가하고 있다. 결핵은 전염병이기 때
문에 본인이 모르는 사이에 내성결핵이 걸릴 수도 있으며, 암처럼 치명적인 경과가 나타날 수 있다. 예
전에는 영양상태가 좋지 않은 사람이 걸린다고 생각되었지만 최근 들어 영양 상태와 관계없이 환자가
발생되고 있다. 또한 최근 들어 결핵 신환자 발생의 또 다른 양상은 집단감염, 발생사례의 증가이다. 과
거에는 어릴 때부터 결핵에 노출되어 감염, 발병하거나 이겨내어 면역을 지니고 있어 전염성 환자가 발
생하더라도 주위에 집단감염, 발생하는 경우가 드물었지만, 근래에는 고등학생이 되기까지 결핵균에 한
번도 노출이 되지 않아 결핵에 대한 저항력이 약한 상태에서 한명의 환자로부터 집단으로 노출되어 집
한 발생하기 때문이다. 또한 연령적으로 20세 전후의 연령층이 결핵에 대한 저항력이 약한 것도 또 다
른 원인이 되고 있다[32].
이와 같은 여러 가지 이유로 인해 1970년부터 2000년까지 결핵 신환자는 꾸준한 감소추세를 보이다
가 최근 몇 년간 감소추세가 둔화되었으며, 2009년 한 해 동안 총 47,302명의 결핵환자가 신고 되었으며
2008년에 비해 3,128명 증가하였고 신환자는 35,845명으로 2008년에 비해 1,688명 증가하였다.

그림 4 결핵 신고 신환자 현황 (출처 : 통계청)

2006년 발표된 질병관리본부 자료에 따르면, 우리나라는 1950~2000년 국가결핵관리사업 덕분에 1965
년도 엑스선상 활동성 결핵 환자수가 1,240천명에서 2005년도 169천명으로 감소하여 대외적으로 결핵
관리가 잘된 나라로 평가받아 왔다. 그러나 연간 결핵 신환자발생(35,269명)과 결핵사망자(2,948명) 는
OECD 30개국 중 1위를 차지하고 있으며 최근 들어, 점차 결핵 신환자와 다제내성 결핵환자의 발생이
늘어나는 추세를 보이고 있고 특히 20대와 노인층에서 환자가 많이 발생하여 결핵발생의 후진국 형태
를 띠고 있다.

- 24 -
 표 4 결핵 신환자 및 다제내성 환자 추이
연도 및 구분 2001 2002 2003 2004 2005

(명) 34,123 32,010 30,687 31,503 35,269

신환자
(/105) 72.1 67.2 64.0 65.4 73.0
다제내성환자(%) - - 2.4 2.7 -
자료:① 신환자 - 결핵환자 신고현황 연보. 질병관리본부
② 다제내성환자 - 보건소 도말양성신환자 일차 내성률

이에 따라 2006년 9월 질병관리본부에서 “결핵퇴치 2030 계획”을 발표, (1단계 : 2006~2010, 2단계 :

2010~2020, 3단계 : 2021~2030) 추진목표로서 “TARGET 3-100 (100%발견, 100%추구관리, 100%치료성
공)” 을 설정하고 단계적인 사업 목표를 제시하였으며, 3단계가 끝나는 2030년에는 WHO의 결핵퇴치
목표(결핵퇴치 수준 : 100만 명당 1명 이하 발생)를 20년 앞당겨 달성할 것으로 예측하였다. 1단계 사업
은 결핵환자 추구관리, 다제내성 결핵환자 지원, 조기발견 실시, 결핵진료비 지원, BCG백신 생산시설의
현대화, 그리고 영상정보시스템 구축을 통해 결핵발생률(도말양성)을 인구 100만 명당 2006년 390명에
서 2010년 293명으로 낮추고(25%), 치료성공률도 2006년 67%에서 2010년 85%로 향상시키는(25%) 계
획이다[33]. 하지만 2010년 12월 10일, 결핵 조기 퇴치 목표보다 더 강력한 국가결핵관리사업 추진을 위
하여 「결핵 조기 퇴치 New 2020 Plan」이라는 새로운 도약으로 현재 결핵 발생률이 인구 90명/10만
명당 2015년까지 결핵 발생률 1/2감소 (40명/10만 명당) 2020년까지 결핵 발생률 한 번 더 반감이라는
(20명/10만 명당) 단계별 추진으로 환자 조기발견 및 철저한 치료관리를 하고 있다.

그림 5 결핵 조기 퇴치 New 2020 Plan

- 25 -
 주요 핵심 사업으로는 결핵 검진 확대를 통한 결핵환자 조기 발견 강화, 모든 결핵 완치 시까지 사후
관리, 결핵 진료비(입원비포함) 비용에 대한 국가의 지원과 노숙인 결핵집중치료관리센터 구축을 통한
취약계층 결핵 환자 지원 확대, 그리고 대국민 홍보강화를 추진하고 있다[34].
1. 용어정의[35]
가. 환자구분
- 신환 : 과거 치료력이 없거나, 1개월(30일 기준) 미만의 치료력이 있는 환자
- 재발 : 과거 완치자가 다시 발병하여 상기 결핵진단기준에 해당하는 환자
- 초치료 실패 : 과거 치료에 실패(계속적으로 균양성 혹은 균음성에서 다시 균양성으로 전환)하여 새
로운 처방으로 재치료가 요구되는 환자
- 중단후 재등록 : 과거 치료력이 1개월 이상이면서, 치료를 2개월 이상 중단한 환자
- 전입 : 과거 치료력이 1개월 이상이며, 치료를 2개월 이상 중단하지 않은 상태에서 치료소를 옮겨 내
소(원)한 환자
- 만성배균자 : 재치료(2차 결핵약제 포함)에 실패하고 계속 균양성인 환자
- 기타 : 상기 구분에 해당되지 않는 환자
나. 질병코드(A15.0 – A19.9)
(1) A15 : 세균학적 및 조직학적으로 확인된 호흡기 결핵
- A15.0 : 배양 유무에 관계없이 가래 현미경 검사로 확인된 폐결핵
- A15.1 : 배양으로만 확인된 폐결핵
- A15.2 : 조직학적으로 확인된 폐결핵
- A15.3 : 상세불명의 방법으로 확인된 폐결핵
- A15.4 : 세균학적 및 조직학적으로 확인된 가슴내 림프절의 결핵
- A15.5 : 세균학적 및 조직학적으로 확인된 후두, 기관 및 기관지의 결핵
- A15.6 : 세균학적 및 조직학적으로 확인된 결핵성 가슴막염
- A15.7 : 세균학적 및 조직학적으로 확인된 초기 호흡기 결핵
- A15.8 : 세균학적 및 조직학적으로 확인된 기타 호흡기 결핵
- A15.9 : 세균학적 및 조직학적으로 확인된 상세불명의 호흡기 결핵
(2) A16 : 세균학적으로나 조직학적으로 확인되지 않은 호흡기 결핵
- A16.0 : 세균학적 및 조직학적으로 음성인 폐결핵
- A16.1 : 세균학적 및 조직학적 검사를 하지 않은 폐결핵
- A16.2 : 세균학적 및 조직학적 확인의 언급이 없는 폐결핵
- A16.3 : 세균학적 및 조직학적으로 확인의 언급이 없는 가슴내 림프절의 결핵
- A16.4 : 세균학적 및 조직학적으로 확인의 언급이 없는 후두, 기관 및 기관지의 결핵

- 26 -
- A16.5 : 세균학적 및 조직학적으로 확인의 언급이 없는 결핵성 가슴막염
- A16.7 : 세균학적 및 조직학적으로 확인의 언급이 없는 초기 호흡기 결핵
- A16.8 : 세균학적 및 조직학적으로 확인의 언급이 없는 기타 호흡기 결핵
- A16.9 : 세균학적 및 조직학적으로 확인의 언급이 없는 상세불명의 호흡기 결핵
(3) A17 : 신경계통의 결핵
- A17.0 : 결핵성 수막염
- A17.1 : 수막의 결핵종
- A17.8 : 기타 신경계통의 결핵
- A17.9 : 상세불명의 신경계통의 결핵
(4) A18 : 기타 장기의 결핵
- A18.0 : 뼈 및 관절의 결핵
- A18.1 : 비뇨생식기계통의 결핵
- A18.2 : 결핵성 말초 림프절병증
- A18.3 : 창자, 복막 및 창자사이막(장간막)샘의 결핵
- A18.4 : 피부 및 피부밑조직의 결핵
- A18.5 : 눈의 결핵
- A18.6 : 귀의 결핵
- A18.7 : 부신의 결핵
- A18.8 : 기타 명시된 장기의 결핵
(5) A19 : 좁쌀 결핵
- A19.0 : 하나로 명시된 부위의 급성 좁쌀 결핵
- A19.1 : 여러 부위의 급성 좁쌀 결핵
- A19.2 : 상세불명의 급성 좁쌀 결핵
- A19.8 : 기타 좁쌀 결핵
- A19.9 : 상세불명의 좁쌀 결핵
다. 결핵의 구분
(1) 폐결핵(Pulmonary TB) : A15.0-A15.3, A16.0-A16.2, A19.0-A19.9
(2) 폐외결핵(Extra-pulmonary TB)
- 결핵성 가슴막염(Pleural) : A15.6, A16.5
- 림프절의 결핵(Lymphatic) : A15.4, A16.3, A18.2
- 신경계통의 결핵(CNS) : A17 전체

- 27 -
- 뼈 및 관절의 결핵(Bone-joint) : A18.0
- 비뇨생식기계통의 결핵(Genitourinary) : A18.1
- 창자, 복막 및 창자사이막(장간막)샘의 결핵(Abdominal) : A18.3
- 기타 불명 결핵(Others & Unknown) : A15.5, A16.4, A15.7-A15.9, A16.7-A16.9
라. 율(Rate)
(1) 발생률(Incidence rate)
발생률은 일정기간에 그 지역에서 새로 발생한 환자를 그 지역 인구로 나눈 것을 말한다. 발생률 조
사를 하기 위해서는 조사시점에서 조사 대상자들을 모두 검사하여 결핵이 없는 사람을 선정해야하
고, 이들을 대상으로 일정 기간에 발생한 환자의 정보를 수집하고, 조사 종결 시점에 다시 대상자들
을 전부 검사하여 결핵이 발생한 환자를 찾아내야 한다. 조사자체가 어려울 뿐 아니라 발생률이 낮
은 경우 조사 대상자수가 커지기 때문에 전국적인 규모로 조사한다는 것은 대부분의 국가에서 현실
적으로 어려움이 있다.
년에 발생한 결핵환자
발생률   ×   
년연앙추계인구

(2) 신고율(Notification rate)

결핵 환자를 신고 받는 국가에서는 의료기관에서 신고가 되는 환자를 이용한 ‘신고율(Nofification
rate)로 발생률을 간접적으로 추정한다. 그러나 일정기간에 발병한 모든 결핵환자가 의료기관을 방문
하지 않고 방문한 환자 중에서도 일부만 결핵으로 진단받게 된다. 더욱이 의료기관에서는 진단된 결
핵환자라 하더라고 100% 신고가 되지 않고 일부만 신고 된다.
(가) 신고환자율(Case notification rate) : 신고된 모든 환자수를 연앙추계인구(Mid-year estimated
polulation)로 나누고 그 결과를 10만 명당으로 나타낸 것으로 한 해 동안 우리나라 결핵 환자 규모
를 짐작 할 수 있다.
신고된 모든 결핵 환자수
신고환자율   ×   
년 연앙추계인구

(나) 신고 신환자율(New case notification rate) : 신고된 결핵 환자 중 신환자수를 연앙추계인구로 나

누고 그 결과를 10만 명당으로 나타낸 것으로 한 해 동안 우리나라 결핵 발생 규모를 짐작 할 수
있다.
신고된신환자수
신고 신환자율   × 
년 연앙추계인구

(3) 보고율(Reporting rate)

편의상 신고율과의 혼동을 피하기 위해 의료기관에서 활동성 결핵으로 진단된 환자 중에서 신고된

- 28 -
비율을 ‘보고율(Reporting rate)'이라고 정의한다. 그러므로 보고율이 100%라 하더라도 신고율과 발
생률은 차이가 있다. 환자의 의료기관의 접근도, 의료진의 진단 능력, 보고율에 따라 국가별로 발생
률과 신고율 간에는 큰 차이가 발생한다.
신고된 모든 결핵 환자수
보고율   × 
년 의료기관에서 활동성 결핵으로 진단된 환자

- 29 -
제2절 선행된 결핵의 수리적 모델 고찰
1. Notation
가. 일반적인 S, E, I, T, V의 정의
표 5 일반적인 S, E, I, T, V의 정의
Symbol Name Definition
S Susceptible 결핵에 감염될 수 있는 개체
not infected but susceptible to infection
E Exposed 결핵에 감염되었지만 다른 개체를 감염시킬 수 없는 개체
Infected but unable infect others (Latent, or carrier)
I Infectious 결핵환자 개체, 다른 개체를 감염시킬 수 있음
Active TB infections, i.e. he/she can infect others
T Treated 치료된 개체
Treated (from latent or active TB infection)
V Vaccinated 백신이 접종된 개체
possibly reduced susceptibility to TB

나. 모수(Parameters)의 정의
표 6 모수의 정의(definition of parameters)
Symbol Explanation
Λ 개체 유입률 recruitment rate
β 전파율 transmission rate (meaning varies)
c 단위시간당 한 명당 평균 접촉per횟수person per unit time
average number of contacts
k 진행률 per-capita regular progression rate
μ 자연사망률 per-capita natural mortality rate
d 결핵치사율 per-capita excess death rate due to TB
최근 감염된treatment
잠복결핵환자의
r0 per-capita rate for치료율
recently latently-infected
r1 잠복결핵환자의 치료율
per-capita treatment rate for latently-infected
r2 결핵환자의 치료율 rate for actively-infected
per-capita treatment
w 급성결핵환자의 진행률 rate for early latent-TB progression
per-capita progression

- 30 -
2. Early dynamical models
결핵의 수학적 접근은 1962년 Waaler에 의해 처음 정립되었다. Waaler의 모델[36]은 인구집단을 서
로 다른 역학적 계층을 나누어 분류하였다. 분류된 각 집단은 다음과 같다.
- Suseceptible : 결핵에 감염될 수 있는 개체(noninfected)
- Latent TB : 결핵보균자 개체(infected non cases)
- Infectious : 결핵환자 개체(infected cases)
감염률(infection rate)을 infectious의 수에 의한 선형함수로 놓고 계산했으며, 발생률(incidence
rate)은 오직 감염자의 수에 의존한다고 가정하였다. 그는 보균자 집단과 감염자 집단은 susceptible 개
체와 uncoupled하게 다음과 같은 미분방정식을 세웠다.
                     
                

여기서  는 발생률(incidence rate),  는 진행률(per-capita progression rate),  는 치료율



(per-capita treatment rate),  는 결핵보균자의 사망률(per-capita death rate of the latent TB class),


 는 결핵환자의 사망률(per-capita death rate of the infectious TB class)이다. 1950년부터 1955년까



지 인도의 결핵 자료를 사용하여 미분방정식의 상수들(parameters)을 추정하였다.

Waaler의 모델을 기반으로 Brogger는 개체의 연령heterogeneity(age)을 고려한 모델[37]을 제시하였
다. 또한 mass action law가 적용된 결핵 감염률(infection rate)을 새롭게 제안하였다. Brogger는 감염
률(infection rate)이 결핵환자의 비율(I/N : prevalence)와 비례한다고 나타냈으며 이를 통해 결핵의 효
과적인 제어 방법을 제안하였다.
1967년 ReVelle은 Brogger와 Waaler의 모델을 기반으로 비선형 상미분방정식 결핵 모델[38][39]을 처
음 제시하였다. ReVelle이 사용한 감염률   은 결핵 모델링에서는 처음 사용되었으며, 감염률 계산
의 확률적 접근이다. 개발도상국에 대한 결핵 모형 개발을 위해 Maltus 인구 모형을 이용하여 전체 인
구수를 계산하였으며, 결핵 제어 정책의 수립과 제안을 위해 정책의 비용 최적화 모형을 개발하였다.
Ferebee의 연구[40] 이전은 개발도상국에 대한 결핵 모델이었다. Ferebee는 미국에 대한 이산적
(discrete) 결핵 모형을 개발하였다. 이를 위해 Ferebee의 모델은 다음과 같은 가정을 하였다.
- 1억2천5백만 명의 susceptible과 2천5백만 명의 감염자infected 개체
- 연간 결핵 발병률 = 1/625
- 처음 결핵에 감염된 개체의 결핵 발병률 = 1/12
- 처음 결핵이 발병된 사람은 다른 3명을 감염시킴
- 결핵에 의한 사망은 없음
Ferebee의 가정은 후에 fast TB and slow TB 모델의 출발점이 되었다.
위에서 살펴본 초기 결핵 모델은 다음과 같은 패턴으로 접근하였다.
- 결핵 감염에 대한 수학적 모델 수립

- 31 -
 - 데이터를 통한 모수(parameters) 추정
- 수치적 해를 통한 결핵 제어 전략의 수립
- 모델의 정성적(qualitative) 분석과 점근적(asymptotic) 성질 분석 부재
3. Intrinsic mechanics of transmission
가. Slow and fast routes
일반적으로 처음 결핵에 노출된 개체(exposed or infected individuals)는 높은 결핵 발병률을 가지
며, 시간이 지날수록 점점 감소하게 된다. 즉, 결핵이 발병할 가능성은 결핵 보균 기간과 반비례한다.
이러한 결핵의 특징을 고려한 모델[41]은 감염 경로를 나눠서 나타내고 있다. mass action law에 의하
여 정의된 감염률(infection rate)  는 빠른 발병률(fast progression)  과 느린 발병률(slow
progression)     로 나눠진다.  는 감염 즉시 발병할 가능성을 나타내는 상수이다. 감염 후 즉
각적으로 발병되지 않은 개체는 노출된 개체(latent TB cases,  )에 비례하여 발병하는 데, 이는 
로 표현된다. 따라서 전체 발병률(total incidence rate)은    이다. 위와 같은 가정으로 이 모델
은 아래와 같은 상미분방정식으로 표현된다.

        


           


         


주어진 모델의 기본감염재생산수(basic reproductive number,  )는 다음과 같다.

   
            
     

- 32 -
(1) Multiple strains
잘못된 치료 또는 치료가 끝나기 전에 치료를 종료하거나 HIV와 같은 다른 질병들과 동시에 감염
된 경우가 결핵의 새로운 문제점으로 떠오르고 있다. 이 경우를 내성결핵(resistant strains of TB)이
라고 한다. 앞으로 소개할 모델은 가장 최근에 출판된 논문은 두 가지 균주가 있는 결핵 모델으로
약내제성이 있는 결핵균과 약에 민감하게 반응하는 결핵균을 포함하는 모델이다. 아래첨자  와 은
각각 약물에 민감하게 반응하는 결핵균과 약물에 저항을 가지고 있는 결핵균을 나타낸다.
  
                 
  
   
                        
  

             


            

  
                      
 

          

              

위의 방정식을 통해 약내제성 결핵에 걸린 결핵환자(  )는 치료율이 0임을 알 수 있다.    는 완 

치될 때까지 치료를 지속시키지 않고 중간에 치료를 중단한 환자들의 비율을 나타낸다. 따라서
  만큼 치료가 성공되지 못하고  그룹으로 돌아가고,   은 치료가 성공하지 못했을 뿐만 아
    

니라 약에 대한 내성이 생겨서  그룹으로 이동하는 것을 볼 수 있다.

주어진 모델의 기본감염재생산수(basic reproductive number,  )를 살펴보면, 약물로 치료가 가 

능한 결핵균과 내성이 있는 결핵균의  는 각각        

 
   ,


    








 

 
      
  

와 같음을 알 수 있다.


(2) Exogenous reinfection

초기감염이 일어난 직후에 결핵환자(Infected,  )는 대체적으로 타인을 감염시킬 수 있는 환자
(Infectious,  )로 진행될 가능성이 매우 높다. 이 기간 동안에 감염성이 있는 환자( )로 진행되지 않
은 사람은 외인성(exogenous) 또는 내생(endogenous) 재감염으로 증상이 있는 결핵환자로 발전될
가능성이 있다. 외인성 재발에 관련한 역학관계를 알아보기 위해 다음과 같은 모델을 살펴보도록 하
자.
나. Cell based models
(1) Co-infection with HIV[42]
결핵은 몇 세기 동안 세계 인구의 사망률에서 큰 비중을 차지해왔다. 미국의 경우, 1945년부터
1984년까지 의학치료와 위생교육으로 인해서 결핵환자가 천천히 줄어들다가, 1985년부터 1992년까

- 33 -
지 증가하는 양상을 보였다. 이는 빈곤층의 증가와 결핵감독 프로그램 분해와 같은 사회구조적인 문
제도 원인이 되지만 가장 큰 원인은 에이즈(AIDS)라고 추정된다.
결핵이 에이즈의 가장 주요한 기회감염성질병(main opportunistic disease)으로 알려져 있는데, 실
제로 결핵과 에이즈는 두 가지 질병이 서로에게 미치는 영향이 크다. 에이즈 환자는 결핵에 감염 되
었을 때 TB active form으로 발전될 확률이 크며, HIV 바이러스 양성환자가 HIV 음성 환자보다 결
핵균(M.Tuberculosis)에 감염될 확률이 500정도 높다고 알려져 있고, HIV 바이러스가 CD4+ T세포
를 감소시키기 때문에 잠복상태에서 활성화되기도 쉽다. 또한 체내에 들어와 있는 결핵균의 영향으
로 결핵환자의 CD4+ T세포는 결핵에 걸리지 않은 사람보다 적은데, 이로 인해 에이즈 환자의 사망
률을 증가시킨다.
사람의 면역체계에는 두 가지 주요한 반응이 있는데 이는 세포반응과 호르몬반응이다. 에이즈와
결핵의 경우 호르몬반응보다 세포반응이 더 큰 영향을 주기 때문에 세포면역반응을 중심으로 모델
링 하였다. 이 모델에서는 면역반응에 주요한 영향을 미치는 T세포, 대식세포, 결핵균과 HIV바이러
스 개체수의 변화를 미분방정식으로 표현하였다.
          
                        
          
  
                             

 
                                 

  
                            
  


           
    

첫 번째 미분 방정식은 T세포의 변화율을 나타내는 방정식이다.  는 단위 시간당 T세포가 골수 

에서 세포로 공급되는 비율을 나타내고,  는 T세포의 자연 사망률을 나타낸다. 

   는 항원의 유입으로 인한 T세포의 증가비율을 나타내는데 Michalelis-Menten

      

        


type의 saturation growth term을 이용하였고,  는 T세포가 최대로 증가할 수 있는 비율을 나타



낸다.  은 HIV바이러스에 의해 T세포가 죽는 비율을 나타낸다.



두 번째 방정식은 대식세포의 변화를 나타내는데,  은 대식세포의 성장률이고,  는 HIV바이러  

스로 인한 대식세포의 사망률이다.    는 항원의 존재로 인해 새로운 대식세포가 보충되는 비율






을 나타낸다.
HIV를 나타내는 세 번째 식에서는    는 감염된 T세포와 대식세포로 인해 증가하는 HIV 바
 

이러스의 평균량을 나타내고,   는 대식세포와 T세포의 면역반응으로 인해 HIV바이러스가 줄어

 

드는 비율을 나타내며  는 HIV바이러스의 자연사망률을 나타낸다.



마지막 식은 결핵균의 변화를 나타내는데 결핵균은 logistic으로 증가한다고 가정하고 자연사망률

- 34 -
은  로 나타내고 면역체계의 반응으로 인해  ,  의 비율로 결핵균이 사망한다고 가정하였다.
  

이 세포기반 모델은 결핵의 보유가 에이즈환자의 임상양상을 악화시키고 HIV바이러스가 결핵균

을 활성화 시킨다는 이론을 지지하는 근거가 된다. 따라서 결핵에 감염된 에이즈 환자의 결핵치료가
매우 중요하다.
 
        
 
   
             
   
 
            
 
 
       
 
        

이 모델에서   가 외인성 재발에 해당하는데 이는 잠복상태의 결핵균을 가진 사람이 지속적
으로 감염성이 있는 환자(  )의 결핵균에 노출되면 잠재되어 있던 잠복균이 다시 활동성을 가져서 환
자로 발전될 수 있음을 의미한다.
(2) Multiple levels of macrophages[43]
박테리아의 발병에 관한 연구와 면역반응의 메커니즘을 알아내기 위해 대식세포를 3단계로 구분
하고, 각각의 단계에 해당하는 대식세포의 변화율과 T세포, 결핵균의 변화율을 모델링 하였다. 이
모델에서는 결핵균에 노출된 사람의 대식세포의 단계에 따라 감염되지 않은 사람, 보균자 그리고 감
염력이 있는 사람으로 분류하였다. 대식세포의 세 가지 단계는 다음과 같다. 첫 번째 단계(  ) 는 

결핵균을 만나기 전 상태이고 이 상태에서는 외부항원을 만나기 위한 준비된 상태를 유지한다. 두

번째 단계(  )는 대식세포의 세포질에 결핵균을 포함하고 있지만 아직 활성화 되지 않은 상태이고


마지막 단계( )는 결핵균의 활성화가 일어나고 그와 동시에 T세포가 이를 감지하고 대식세포를



활성화 시켜서 감염된 세포를 죽이는 단계이다. 결핵의 감염에 따른 각각의 개체의 변화를 나타내는
방정식은 다음과 같다.
   
                  

   
                        

   
              

  
           

   
                             
 

세 단계로 나뉜 대식세포의 변화를 나타내는 세 방정식에서,  은 골수에서 대식세포가 생성되는 

- 35 -
 비율을 나타내고,  은 대식세포의 자연사망률을 나타내며,  은 대식세포가 결핵균을 만나서  단
 

계로 진행되는 비율을 나타낸다. 또한,  는 대식세포가 T세포를 만났을 때 대식세포가 활성화 되는

비율을 나타내고,  는 결핵균으로 인해 대식세포가 사망하는(bursting)비율이다.
세 번째 방정식은 T세포의 변화율을 나타내는데,  는 건강한 어른의 골수에서 만들어지는 T세 

포의 생성 비율이고,  는 T세포의 자연사망률이다. 또한,  은  상태의 대식세포를 만났을 때 T

 

세포가 자가 복제 되는 비율을 나타낸다.

마지막 결핵균을 나타내는 방정식에서  는 결핵균의 증가율을 나타내고,  는 자연사망율,  은 

대식세포의  단계에서  상태로 빠져나간 결핵균의 양을 나타내며  은 대식세포의 자연사로 인

 

해 빠져나온 결핵균의 평균값을 나타내고,  은 결핵균으로 인해 사망한 경우 혈액으로 유입되는 결

핵균의 평균값을 나타낸다.
다. Control strategies
(1) Optimal control strategies
효과적인 백신의 부재로 인해, 현재 결핵환자관리 프로그램은 화학치료에 초점을 맞추고 있다. 따
라서 환자의 치료기간이 더 길어지고 수반되는 비용 또한 증가하게 된다. 치료기간이 길어지므로 다
른 환자로의 전염가능성 또한 증가하고 오랜 치료기간에 내성결핵으로의 발전 가능성 또한 높아지게
된다. 이러한 약제내성 결핵의 증가가 현재 당면하고 있는 큰 문제점 중에 하나인데 이러한 문제점의
해결은 다음과 같은 두 가지 주요한 요인이 작용한다. 첫 번째는 치료중단을 막는 방법 (case
holding)이 있는데, 병원에서 완치판정을 받기 전까지 의사에게 처방받은 대로 약을 복용하거나 치료
중단을 최소화 하려는 노력으로 이룰 수 있다. 두 번째 중요한 요인은 결핵환자를 찾아내는 것 (case
finding)이다. 잠복기의 결핵균을 가진 사람이나 결핵에 걸릴 위험이 높은 사람들을 사전에 찾아내어
검사하고 가능하면 예방화학치료를 해서 전염성 있는 결핵환자로 진행되는 것을 막는 노력이 이에
해당한다. 이러한 두 가지 노력을 multiple strain모델에 적용 하여 나타낸 미분방정식은 다음과 같다
[19].

  
                 
  
   
                                
  

             


                    

  
                           
 

          

              

- 36 -
 위에서 설명한 잠재되어 있는 환자를 찾으려는 노력을   으로 나타내고,   는 치료를 완치될
 

때까지 하게 하는 노력으로 대표될 수 있다.

라. TB models based on real data
(1) Dynamical TB model with optimal controls[26]
1970년부터 2009년까지 한국에서의 결핵환자의 변화를 알아보기 위해 기존의 SEIR모델을 변형하
여 다음과 같은 연립미분방정식을 도출하였다.
 
            
 
 
                   
 

            


          


위의 방정식에서 , 는 각각 출생률과 자연사망률을 나타내고,  는 전염률,  는 자가 면역과

예방화학치료를 포함한 비율을 나타낸다. 는 실제로 결핵균에 노출된 개인이 활동성 있는 결핵환
자로 진행되는 비율을 나타내고,  는 치료 실패율을 나타낸다. 위와 같은 모델의 기본감염재생산
수 (basic reproductive number,  )는 다음과 같다 .


         
           
     

여기서   는 감염된 개인이 활동성 있는 결핵으로 옮겨가는 비율을 나타낸다. 즉,   는 활동성

결핵으로 진행될 가능성의 크기를 나타내는데,   는 생활수준에 따라서 크게 의존된다. 이 모델에
서는 우리나라의 상황을 반영하기 위하여 실제 데이터를 이용해 상수를 결정하였다.

- 37 -
(2) Influenza pandemic, G. Chowell[44]
결핵 모델은 아니지만 실제로 데이터를 적용하여 상수를 추정한 모델을 소개한다. 이 모델은 H1N1
에 관련한 모델로 2006년에 Journal of theoretical biology에 게재되었다. 이 모델은 1918년 스위스 제
네바에서 일어난 독감을 크게 두 가지 유행 (봄, 가을)로 나누어 분석하려고 하였다. 각각 봄, 가을 유
행에 따라, 전체인구를 감수성이 있는 개인 (  ), 독감바이러스에 노출된 개인 ( ), 임상학적으로 증
 

상이 있거나 감염성이 있는 개인( ), 증상은 없지만 감염된 개인( ), 병원에 입원되었거나 보고된 개
 

인 (  ), 회복된 개인 (  ), 그리고 죽음에 이르게 된 경우 (  ) 총 7개의 그룹으로 나누었다.

  

 
                               


                             

 
               


               

 
              


                  

 
    

 
     


병원에 보고된 데이터의 누적값은   로 주어진다. 이 모델에서,  는 전염되는 비율을 나타내고,

 는 증상이 없는 환자로 이동하는 비율을 나타낸다.  는 회복율,  는 임상적인 증상이 있는 환자의

비율 그리고      는 E그룹과 I그룹의 초깃값을 나타낸다. 

           
  
는 임의의 접촉  


 

으로 인해 전염성 있는 개인을 만날 수 있는 접촉비율을 나타낸다.

위와 같은 모델의 기본감염재생산수 (basic reproductive number는 다음과 같다.
 

 

               
                 
   


 



이 모델에서는 병원에 보고된 데이터의 누적값을 바탕으로                 을 최소
제곱법을 이용해서 추정하였다.

- 38 -
제3절 한국형 결핵모델 개발
제3절에서는 기본적인 SEIR 모델을 변형하여 우리나라 데이터를 고려한 한국형 결핵의 수학적 모델
을 개발하였다. 전체 인구를 감수성이 있는 개인들의 그룹(susceptible, S), 결핵균에 감염되었으나 감염
성이 없는 그룹(infectied but not infectious, E), 결핵환자그룹(infectious, I), 그리고 영구잠복기 그룹
또는 결핵환자로 이동할 위험이 낮은 그룹(latent, L)으로 분류하였다.

표 7 S, E, I, L의 정의
Symbol Name Definition
S Susceptible 감수성이 있는 개인들의 그룹
Not infected but susceptible to infection
E 결핵균에 감염되었으나 감염성이 없는 그룹
Exposed Recently infected but not infectious
I Infectious 결핵환자그룹, 다른 개체를 감염시킬 수 있음
Active TB infectious
L Latent 영구잠복기 그룹 또는 결핵환자로 이동할 위험이 낮은 그룹
Permanently latent with low risk

인구 개개인은 결핵환자그룹(I)와의 접촉으로 인해서만 결핵에 걸린다고 가정하였다. 출생률(  )과 사

망률( )은 각각 시간에 의존하는 함수로 가정하였다.  는 단위시간동안 한명의 감염자(I)가 감염 가능
한 그룹(S)을 감염시킬 수 있는 사람의 수이고, 질병관리본부의 자료에 의해 10(  )으로 설정하였다. 

 는 결핵에 노출된 그룹(E)에서 실제로 결핵환자그룹(I)로 진행되는 발병률이다. 결핵에 노출된 그룹

(E)에서 결핵환자그룹으로의 이동가능성이 낮은 그룹(L)로 이동하는 비율이고, 실제로  는 자가면역반
응과 예방화학치료 등을 포함한다. 은 결핵환자(I)가 치료되는 치료율이고,  는 치료 성공률이다. 따라
서 결핵환자 중에 의 비율로 영구잠복그룹으로 이동한다고 설정하였다. 이 모델에서는 또한 결핵으
로 인한 사망은 무시할 수 있을 만큼 작다고 판단하여 무시하였다[26].
결핵은 한번 감염되고 치료된 이후에도 재발 되는 사례가 발견 되고 있는데, 이번 연구에서는 결핵환
자로 이동할 위험이 낮은 그룹(L)이 영구적으로 감염되지 않는 것이 아니라 다시 결핵환자그룹(I)로 이
동하는 재발환자를 고려하여 반영하였다. 이러한 재발환자는 크게 두 가지로 나눌 수 있는데 이는 다른
결핵균에 의한 재감염(reinfection)과 감염되었던 균의 재활성화(reactivation)로 나뉜다. 전체 재발환자
중 85%정도가 감염되었던 균의 재활성화로 인한 재발환자이므로 본 연구에서는 재 활성화된 재발환자
를 고려하였다.

- 39 -
 을 제외한 모든 상수들은 모두 2001년부터 2010년까지 실제 데이터에 기반을 둔 함수로 설정해 주
었다.  는 통계청에서 발표된 기대수명데이터를 기반으로 산출하였고,  는 통계청에서 발표된 인구성
장률과 을 이용하였고,  는 질병관리본부에서 발표된 치료성공률에 기초하였다.  은 유병기간과 사망
률을 토대로 추정하였고,  는 위의 데이터를 모두 정한 후에 상수로 추정하였다. 는 신환자와 재발환
자 데이터를 기반으로 모델에 맞게 추정하였다.
1. 재발모델(Relapse model)
본 모델에서는 결핵환자로 이동할 위험이 낮은 그룹(L)이 치료되었던 결핵균의 재활성화로 인해 다
시 결핵환자(I)로 돌아갈 수 있다고 가정하고 재활성화비율을  라 정의하였다.
이 모델에서는 를 질병관리본부에 보고된 신환자 데이터를 기준으로 추정하고,  을 질병관리본부에
보고된 재발환자 데이터를 기준으로 추정하였다.




  

   
   


그림 6 재발모델의 흐름도(flow chart)

 
           
 
 
              
 



                 ·············· (*)

                


    


- 40 -
 표 8 모수(Parameters)의 정의와 산출방법
모수 정의 산출방법 출처
국가통계포털
   출생률 데이터 (http://www.kosis.kr/abroad/abroa
d_01List.jsp?parentId=D)
국가통계포털
 사망률, 
 : 평균생존기간 데이터 (http://www.kosis.kr/abroad/abroa

d_01List.jsp?parentId=D)
 감염 전파율 논문참고 참고문헌[45]
   재발률 최소제곱법 질병관리본부(표 13)
   발병률 최소제곱법 질병관리본부(표 13)
 조기치료율 최소제곱법
   치료성공률 spline 보간법 질병관리본부 결핵연보
   치료율,  
   
: 평균 active TB 감염기간 논문참고 참고문헌[7]

2. 감염재생산수(Reproductive number)
감염재생산수는 전반적인 의미는 기본감염재생산수와 비슷하나, 기본감염재생산수는 감염성 질병에
아무런 제어가 들어가 있지 않는 상태에서의 한명의 감염환자로 2차 감염되는 평균인원이다. 하지만 감
염재생산수는 감염성 질병(epidemic)에 면역 혹은 치료라든지, 백신 등 제어가 들어가 있는 상태에서의
처음 감염자에 의해 2차 감염되는 평균수이다. 감염성 질병에 본질적인 역학적 정보는 기본재생산수이
지만, 현실에서 기본감염재생산수를 구하기는 어려우므로 대부분에 감염재생산수를 구하여 질병에 역
학적 정보를 추정한다. 본 연구에서도 모델에 면역, 치료 등 제어가 들어가 있는 상태이므로 감염재생산
수를 구하여 한국형 결핵에 역학적 정보를 추정하고자 한다.
위와 같은 모델(*)의 감염재생산수는 다음과 같다.


    
    
 
                    



           
는 결핵발병기간동안의 한 명의 결핵환자가 감수성이 있는 사람들을(Susceptible)

- 41 -
감염시키는 평균수이고,          
        
는 감염기간 동안의 결핵 발병률이다. 감염재생산수는
이 두 가지 값의 곱으로 나타내어 본 모델에서   (발병률)을 추정하는데   를 이용하여 구한다.
구체적인 과정은 상수추정 부분에 서술되었다. 이렇게 구해진 감염재생산수는 아래 그림과 같고, 그
크기가 1을 넘어 결핵환자의 수가 줄어들지 않아 제어가 필요함을 알 수 있다.
2.5

1.5
R (t)
0

0.5

0
2001 2004 2007 2010
Time (year)

그림 7 감염재생산수

3. 상수추정(Parameter estimation)
- Step1. 가지고 있는 데이터로 추정 가능하거나 참고문헌 등을 통하여 추정 가능한 상수들을 분류하
여 먼저 구한다. 여기에 속하는 상수에는 자연 사망률(   ), 출생률(  ), 치료성공률(   ), 치료율
(   ), 그리고 전파율(  )이 있다. 또한 결핵환자의 초깃값(   ) 와 영구 잠복기 결핵의 초깃값(  )은
선행된 한국형 결핵모델[26]에서 추정된 값을 사용하였다.
Ÿ 기대수명,   : 기대수명은 로지스틱 방정식(logistic equation)을 따라        
   
  exp     

로
결정되어진다. 이 때,  기대수명 값이 반이 되는 값에서의 시간, 즉     을 갖는 시간이고,
  

 는  의 그래프의 ‘S’ 형태를 결정하는 상수 값으로 ‘S’ 모양의 너비를 결정한다. 현재 가지고 있는
기대수명 데이터에 맞는  와  는 최소제곱법(least squares method)을 사용하여 찾는다. 그림 1은
 

기대수명 데이터와 추정된  함수를 함께 그린 결과이다.

- 42 -
 84
interpolated
data
82
  
Life expectancy (year)

      
  exp      
80
         
    and    
78 출처 : 국가통계포털
(http://www.kosis.kr/abroad/abroadright
76
_01List.jsp?parentId=D)

74
1980 1990 2000 2010 2020 2030
Time (year)

그림 8 기대 수명
Ÿ 자연사망률,   : 정의에 의해서      
  
로 추정된다.
Ÿ 출생률,    : 그림 2는 우리나라의 전체 인구 데이터와 이 데이터를 가지고 보간 된 곡선을 나타낸
것으로, 이를 이용하여 출생률은 1인당 인구성장률      ′    과           을 가지고
구한다. 즉,           가 된다.
7
x 10
5
interpolated
4.5 data

4
Total population (people)

          
 ′  
3.5     
  
출처 : 국가통계포털
(http://www.kosis.kr/abroad/abroad
3

2.5 right_01List.jsp?parentId=D)
2

1.5
1920 1950 1980 2010
Time (year)

그림 9 전체 인구
Ÿ 치료성공률,    : 치료성공률은 주어진 데이터를 보간(interpolation)하여 구한다. 아래의 그림이 치
료성공률 데이터와 구한 치료성공률을 함께 그린 것이다.

- 43 -
 The success rate of treatment (%) 100

80

60

40

20

interpolated
data
0
1970 1980 1990 2000 2010
Time (year)

그림 10 치료성공률
Ÿ 치료율,    : 감염력 있는 개인(I) 의 평균 감염기간(    )=1년으로 가정하면,
 
  
               로 치료율을 구하였다.
Ÿ 감염 전파율  : 1인당 감염 전파율은 10명으로 정하였다.[19]
[46]

- Step2. 앞에서 추정한 상수들과 신환자(incidence) 데이터와 재발환자(relapse) 데이터를 가지고, 나

머지 상수들을 최소제곱법(least squares method)을 사용하여 찾는다. 여기에 속한 상수들에는  ,   ,
 가 있다.

- 44 -
표 9 연도별 결핵 환자 데이터
전체 신환자 재발자
연도
계 A15.0 A15.1 그외 계 A15.0 A15.1 그외 계 A15.0 A15.1 그외
2001년 46,082 17,098 3,432 25,552 34,123 11,805 2,728 19,590 6,742 3,145 511 3,086
2002년 43,040 16,218 2,650 24,172 32,010 11,345 2,096 18,569 6,270 2,957 398 2,915
2003년 40,500 15,369 2,490 22,641 30,687 10,976 1,969 17,742 5,693 2,742 396 2,555
2004년 41,735 16,264 1,863 23,608 31,503 11,501 1,436 18,566 5,691 2,774 296 2,621
2005년 46,969 16,458 3,065 27,446 35,269 11,638 2,405 21,226 5,891 2,616 405 2,870
2006년 46,284 15,913 3,532 26,839 35,361 11,513 2,802 21,046 5,558 2,500 455 2,603
2007년 45,597 15,420 3,343 26,834 34,710 10,927 2,621 21,162 5,403 2,416 428 2,559
2008년 44,174 15,068 3,244 25,862 34,157 11,048 2,548 20,561 5,227 2,268 426 2,533
2009년 47,302 15,763 3,960 27,579 35,845 11,285 3,017 21,543 5,624 2,381 518 2,725
2010년 48,101 15,247 4,840 28,014 36,305 10,776 3,802 21,727 5,637 2,311 527 2,799
Ÿ 발병률,   :     를 신환자로 가정하고,   를 구한다. 그러나 현재 신환자 데이터만 가지고
있고, 보균자(E)에 대한 데이터가 없기 때문에   를 바로 구할 수 없어    
     
로 놓고,  를
구해   를 얻는다. 보균자가 결핵환자가 되는 평균기간동안의 결핵환자의 비율로  를 구하면
   로 구할 수 있다. 생활수준이 높아지면 기대수명은 높아진다. 결핵과 같은 질병에서 생
   
   
활수준이 높아지는 것이 곧 인간 면역체계를 강화해주지는 않을 것이나, 이는 결국에는 결핵 발병의
위험률을 나타내는  를 줄이게 될 것이므로, 우리는  의 모양이나  의 형태가 변화는 시점 등은 기대
수명의 형태를 따를 것이라고 가정한다. 즉.  함수의 모양이나 그 모양의 변화 시점 등을 나타내는
지표인  와  는 기대수명 함수에서의 값과 동일하다고 두고,  와  를 최소제곱법을 이용하여 찾
  

는다. 이러한 과정을 통하여   가 결정된다.

- 45 -
 4
x 10
4

3.6
incidence of active TB (people)

3.2

2.8

2.4

fitted
data
2
2001 2003 2005 2007 2009 2011
Time (year)

그림 11 신환자 데이터와   
Ÿ 재발율,  :  을 재발환자로 가정하고  를 추정한다.
8000
fitted
data
incidence of active TB (people)

6000

4000

2000
2001 2003 2005 2007 2009 2011
Time (year)

그림 12 재발환자 데이터와 

- 46 -
제4절 결핵퇴치 2030 Plan(Control strategies)
1. 미래모델로 확장 (2011년-2030년)
앞에서 개발된 모델은 2001년부터 2010년까지의 결핵의 역학적 특성을 나타낸다. 모델을 만드는 중요
한 이유 중 하나가 그 질병의 현재의 역학적 특성을 파악하기 위한 것도 있지만, 더 중요하게는 미래가
현재와 같은 추세를 가진다면 미래에는 어떠한 결과가 나타날지 예측하기 위함이다. 이에 본 연구팀에
서는 앞에서 결정된 모델을 확장하여 미래 예측을 해보았다. 아래의 그림 16은 개발된 모델을 2011년에
서 2070년 까지 확장하여 결핵환자수의 변화를 예측한 것이다. 그래프에서 보듯이 결핵환자수는 줄지
않고 증가 추세에 있어, 결핵환자수를 줄일 수 있는 구체적인 정책수립이 절실함을 알 수 있다.
4
x 10
10

5
I

0
2011 2020 2030 2040 2050 2060 2070
Time (year)

그림 13 2011년부터 2070년까지의 예상 결핵환자수

본 연구에서는 한국형 결핵모델을 개발하는데 그치는 것이 아니라, 개발된 결핵 모델에 최적제어이론
을 적용하여 결핵환자수를 줄이는 최적의 방법을 제시하는 데에도 목적이 있다. 미래를 예측하는 모형
에서는 앞에서 사용한 기대수명, 인구 성장률, 치료 성공률, 그리고 신환자의 미래 데이터가 필요하지만
현재시점에서 시간에 의존하는 함수로 상수를 결정할 수 없다. 따라서 미래를 예측하는 모델에서는 상
수 값들을 2001년부터 2010년까지의 평균값으로 사용한다. 그에 앞서 상수가 평균값으로 주어진 모델
(mean parameter model)의 유효성검사를 위해, 우선 2001년부터 2010년까지 시간에 대한 함수로 상수
값이 주어진 모델(time-dependent parameter model)과 평균값으로 주어진 모델의 결과를 비교하였다.
그림 16에서 볼 수 있듯이, 시간에 대한 함수로 상수 값이 주어진 모델과 평균값으로 주어진 모델의 결

- 47 -
과가 거의 일치한다. 따라서 앞으로 미래 예측모델에서는 상수 값들을 2001년부터 2010년까지의 평균값
으로 사용할 것이다.

1
u (t)

0.5
1

function
mean
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

1
u (t)

0.5
2

0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

1
u (t)

0.5
3

0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Time (year)

7 5
x 10 x 10
4 6

5
3.5
4

3 3
S

2
2.5
1

2 0
2001 2004 2007 2010 2001 2004 2007 2010

4 7
x 10 x 10
6 2

5 1.8
4
1.6
3
L
I

1.4 without controls-function

2
with controls-function
1 1.2 without controls-mean
with controls-mean
0 1
2001 2004 2007 2010 2001 2004 2007 2010
Time (year) Time (year)

그림 14 시간에 대한 함수로 상수 값이 주어진 모델과 평균값으로 주어진 모델 비교

- 48 -
2. 결핵조기퇴치정책 (2030 Plan)
본 연구에서 제시한 모델에 따르면 추정된 결핵환자수는 점점 증가하고 있다. 따라서 본 연구에서는
질병관리본부에서 제시한 “결핵퇴치 2030 계획”의 실현을 위해 최적화된 결핵조기퇴치전략을 제안한
다. 위에 제시된 한국형 결핵모델에 최적제어 이론을 적용하여, 2011년부터 2030년까지 결핵감염자(E)
와 결핵환자(I) 수의 최소화 그리고 그에 따른 비용의 최소화를 목표로 다음과 같은 목적함수를 제시한
다.


  
min 
                                
  

본 연구에서는 크게 세 가지의 정책을 제어(control)로 해석하여 개발된 수학적모델에 적용하였다.

첫 번째 제어(distancing control,  )는 감염 가능한 그룹(S)에서 결핵환자그룹(I)로 이동하는 비율을


최소화 시키는 전략으로 결핵환자를 격리수용, 환자 조기발견, 건강관리캠페인 또는 보건교육을 통한

국민보건의식강화 등의 정책이 이에 속한다. 두 번째 제어(case finding control,  )는 결핵환자로 발전 

될 가능성이 높은 보균자들을 검진하는 방법이나 예방화학치료 등이 포함된다. 세 번째 제어(case

holding control,  )는 결핵의 치료성공률(  )를 증가시키려는 노력으로 결핵이 완전히 완치될 때까지


치료를 받게 하려는 노력과 정부의 진료비 지원 등이 세 번째에 속한다. 제어의 단위 보정을 위해  은 

각각의 제어에 대한 가중치상수(weight parameter)로 설정하고 또한,  는  가 사용될 때의 비용으로  

해석 가능하다. 이러한 제어를 적용한 수학적모델은 아래와 같다:

 
            
 
 
                         
 

                  


                         


     


본 과제에서는 최적제어이론을 모델에 적용할 때,          모두 현재 상태보다 부가적으로   

하는 노력으로 모델에 적용하였다. 여기서 추가적인 제어를 사용했을 때 제어의 최대 효과를 나타내는
 은     ,     로 정의하였다.  는 보균자를 검진하여 치료하는 등의 발병위험성이 높은 감염
  

- 49 -
자가 발병위험성이 적은 그룹으로 보내는 노력의 효과이고, 앞서 실행한 상수추정 과정을 통해 현재 
가 0.42정도로 판단되어  의 최댓값이 1이므로,  의 최대 효과를  즉,    로 가정하였다.  는
  

치료성공률을 높이려는 노력에 대한 효과에 해당하고, 현재 치료성공률은 0.83정도로 나타나는데 치료

성공률은 최대 100%일 때 1이므로,  의 최댓값이  으로  을  로 설정하였다.
 

위와 같이 주어진 최적제어모델의 방정식은 Pontryagin’s maximum principle[1]을 이용하여 다음의

Adjoint system을 도출한다.

 
 ′                    
 
 ′                              
 
 ′                                            
 
 ′         
 
 ′          
        
      
 

또한, 도출된 Optimality conditions은 다음과 같다.

 
        
  

         
 

          


세 제어를 사용하는 비용이 모두 같다고 가정할 때 (         ), 다음과   

같은 네 가지 전략(Strategy)을 고려하여 그룹간의 개체 수 변화, 제어 사용의 효과 그리고 그에 수반되

는 비용을 살펴보았다. 그림 18, 19, 20, 21는 각각의 Strategy에서 결핵환자수와 감염자수 및 비용을 최
소화 하는 세 최적제어와 state 변수를 시간에 따른 함수로 그린 것이다.

- 50 -
 Case 사용된 제어
Strategy 1  (distancing control),  (case finding control),  (case holding control)
  

Strategy 2  (distancing control),  (case finding control)

 

Strategy 3  (distancing control),  (case holding control)

 

Strategy 4  (case finding control),  (case holding control)

 

표 10 전략별 사용된 제어
가. Strategy 1 (  (distancing control),  (case finding control),  (case holding control))
  

그림 18에서 세 개의 최적제어가 각각 시간에 따라 다르게 사용되는 것을 볼 수 있는데, 초반에는

세 개의 제어 모두 100%로 사용되다가,  (case finding control)은 2017년 이후부터 꾸준하게 감소한


다. 또한  (distancing control)은 거의 전 기간 동안 full 제어가 사용되는 것을 볼 수 있다. 마지막으



로  (case holding control)는 기간 초에만 100%로 사용되고 시간이 지남에 따라 꾸준하게 감소하는


것을 불 수 있다. 아래의 네 그래프는 S그룹 즉, 감수성이 있는 개체 그룹이 증가하고,  그룹과  그룹

은 제어를 사용하지 않았을 때에 비해 급격한 감소를 보이고,  그룹 또한  그룹이나  그룹만큼 급감
하는 형태는 아니지만 감소함을 볼 수 있다. 자세히 살펴보면 첫 번째로, 제어  (distancing control) 

은  그룹이  그룹을 만나는 접촉비율 줄여주는 것으로 정의하였는데, 이 제어가  그룹에서  그룹으
로 이동하는 개체수를 줄여주어 제어를 사용하지 않았을 때보다  그룹은 증가하고  그룹은 감소하는
결과를 볼 수 있다. 두 번째로, 제어  (case finding control)는 예방화학치료 및 screening에 관한 노


력으로 정의하였다. 이 제어의 영향으로  그룹의 개체가 제어를 사용하지 않았을 때보다 감소함을 알
수 있다. 마지막으로, 제어  (case holding control)는 치료성공률을 높여주는 제어이다. 이 제어의 영


향으로  그룹의 개체가 제어를 사용하지 않았을 때보다 감소되었다.

- 51 -
 1

u (t)
0.5
1

0
2011 2015 2020 2025 2030

1
u (t)

0.5
2

0
2011 2015 2020 2025 2030

1
u (t)

0.5
3

0
2011 2015 2020 2025 2030
Time (year)

7 5
x 10 x 10
5 8

4
6
3
4
S

2
2
1

0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030

4 7
x 10 x 10
6 2.5

5 2
4
1.5
3
L
I

1
2

1 0.5 without controls

with controls
0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030
Time (year) Time (year)

그림 15 Strategy 1
나. Strategy 2 (  (distancing control),  (case finding control))
 

이번에는 제어  (distancing control)과  (case finding control)만을 사용하였을 때 결과를 나타낸

 

것이다. 그림 19에서 위의 세 그래프는  (distancing control)과  (case finding control)만을 사용하

 

였을 때의 시간에 따른 최적제어 사용량이고, 아래의 네 그래프는 최적제어 사용에 따른 개체 수 변화

를 나타낸다. 첫 번째 전략과 마찬가지로 이번 전략에서는  (distancing control)이 매우 중요한 역할 

- 52 -
로써 거의 전 기간 동안 100%로 쓰임을 알 수 있다.  (case finding control)은 2017년까지 100%로 사 

용되다가 시간이 지남에 따라 감소한다. 이 두 가지 제어만을 사용했을 때에도 최적제어가 적절하게

사용되어    가 모두 급격히 감소함을 볼 수 있다.

0.8

0.6
u (t)
1

0.4

0.2

0
2011 2015 2020 2025 2030

0.8

0.6
u (t)
2

0.4

0.2

0
2011 2015 2020 2025 2030
Time (year)

7 5
x 10 x 10
5 8

4
6
3
4
S

2
2
1

0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030

4 7
x 10 x 10
6 2.5

5 2
4
1.5
3
L
I

1
2

1 0.5 without controls

with controls
0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030
Time (year) Time (year)

그림 16 Strategy 2

- 53 -
다. Strategy 3 (  (distancing control),  (case finding control))
 

다음은 제어  (distancing control)과  (case holding control)만을 사용하였을 때 결과를 나타낸

 

것이다. 위의 세 그래프는 시간에 따른 최적제어 사용량이고, 아래의 네 그래프는 그에 따른 개체수 변

화를 나타낸다. 이번 경우 역시  (distancing control)이 월등하게 많이 쓰이고  (case holding
 

control)는 초반에 사용하다가 시간에 따라 감소함을 볼 수 있다. 각 개체군은  그룹의 개체수가 증가

하고  그룹과  그룹이 감소함을 볼 수 있다.
1

0.8

0.6
u (t)
1

0.4

0.2

0
2011 2015 2020 2025 2030

0.8

0.6
u (t)
3

0.4

0.2

0
2011 2015 2020 2025 2030
Time (year)

7 5
x 10 x 10
5 8

4
6
3
4
S

2
2
1

0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030

4 7
x 10 x 10
6 2.5

5 2
4
1.5
3
L
I

1
2

1 0.5 without controls

with controls
0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030
Time (year) Time (year)

그림 17 Strategy 3

- 54 -
라. Strategy 4 (  (distancing control),  (case finding control))
 

마지막으로 제어  (case finding control)과  (case holding control)만을 사용하였을 때 결과를 나

 

타낸 것이다. 세 가지 제어를 모두 사용하였을 때는  (distancing control)이 거의 100%로 사용되고 

 (case finding control)과  (case holding control)의 사용량이 시간에 따라 감소하는 추세를 보였다.
 

하지만 이번 경우에는 전 시간동안 거의  (case finding control)와  (case holding control)이 100%
 

로 사용됨을 알 수 있다. 또한  과  만 사용하였을 때  이 함께 쓰였을 때보다    이 더 적게 감소

  

했다. 이에 의해  제어가 다른 제어에 비해 결핵 감염자와 환자를 줄이는데 중요한 역할을 한다고



볼 수 있다.
1

0.8

0.6
u (t)
2

0.4

0.2

0
2011 2015 2020 2025 2030

0.8

0.6
u (t)
3

0.4

0.2

0
2011 2015 2020 2025 2030

7 5
x 10 x 10
4 8

3.8
6
3.6
4
S

3.4
2
3.2

3 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030

4 7
x 10 x 10
6 2.5

5 2

4 1.5
L
I

3 1

2 0.5 without controls

with controls
1 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030
Time (year) Time (year)

그림 18 Strategy 4

- 55 -
마. 전략(Strategy)별 결과 비교
우리의 목표는 결핵환자와 감염자수 그리고 그에 따른 비용을 최소화하는 정책을 구현하는 것이다.
전 세션에서 구했던 최적제어를 사용할 경우 결핵환자수와 감염자수를 각각의 Strategy를 고려하여
표 15에서 2015년, 2020년 그리고 2030년까지의 변화량을 계산해 보았다. 2015년까지는 Strategy 1이
나 2를 쓰는 정책, 즉  (distancing control)과  (case finding control)이 포함된 정책을 쓰는 것이
 

E+I를 줄이는데 효과적인 정책이라는 것을 볼 수 있다. 이때 결핵환자수(I)는 Strategy1은 73.19%,

Strategy 2는 69.35%, Strategy 3는 66.53% 감소한 반면, Strategy 4는 2015년까지 수행했을 때 결핵
환자수가 43.43% 정도 만 줄어드는 현상을 관찰할 수 있었다. 2020년까지 고려해 본다면 결핵환자수
(I)는 Strategy 4를 제외한 전략정책에서는 85-87% 감소시키는 반면 Strategy 4는 65% 정도 감소되는
정책이라 할 수 있다. 2030년까지 고려해 보았을 때도 Strategy 4는 73% 정도만 감소시키지만 다른 정
책들은 거의 90%의 감소효과를 볼 수 있다. 이러한 결과는 그림 22에서 또 한 번 분명하게 확인 할 수
있다. 제어를 사용하지 않은 경우에 비해 최적제어를 사용하는 책략들이 결핵환자수를 줄이는데 훨씬
효율적인 정책을 시행하고 있다고 판단할 수 있다. 더욱 흥미로운 결과는 표 16에서 볼 수 있다. 표 16
는 각각의 Strategy를 수행하는데 사용되는 비용을 계산한 그래프이다. Strategy 1, 2, 3는 쓰인 비용
에서 그리 큰 차이가 나지 않는다. 물론  제어를 쓰는 비용이 다른 제어를 쓰는 비용보다 훨씬 많이


쓰였다. 제어  이 쓰이지 않은 책략인 Strategy 4에서는 다른 책략들 보다 비용이 많이 쓰이고 있다.



하지만 표 15와 그림 22에서 확인할 수 있었듯이 효율성이 다른 책략들보다 떨어지는 책략임을 확인

할 수 있다.
결론적으로 Strategy 4, 즉 case holding과 case finding만을 고려한 정책은 distancing control을 같
이 고려한 정책만큼 효율성이 떨어진다는 결과를 얻을 수 있었다. 우리나라의 경우에는 음식을 같이
먹는 문화, 재채기나 침밷기, 회식문화 등의 생활에서 건전한 공중보건, 위생의식교육이 절실히 요구된
다고 할 수 있다.

- 56 -
 표 11 전략별 인구 10만 명당 E+I와 I의 미래 추세 비교
Strategies Strategy1 Strategy2 Strategy3 Strategy4
E+I 1319.75 1319.75 1319.75 1319.75
2011년
I 104.84 104.84 104.84 104.84
E+I 120.44 127.01 228.91 713.89
2015년 9.13% 9.62% 17.34% 54.09%
I 28.11 32.13 35.09 59.31
26.81% 30.65% 33.47% 56.57%
E+I 25.83 27.03 42.62 417.92
2020년 1.96% 2.05% 3.23% 31.67%
I 13.49 14.13 15.16 36.69
12.87% 13.48% 14.46% 35.00%
E+I 26.08 26.49 26.68 299.32
2030년 1.98% 2.01% 2.02% 22.68%
I 10.77 10.93 10.83 27.67
10.27% 10.43% 10.33% 26.39%

120

100

인
80 without controls
구
Strategy1
1
0 60 Strategy2
만
Strategy3
명 40 Strategy4
당

20

0
2015년 2020년 2025년 2030년

그림 19 전략별 인구 10만 명당 I의 미래 추세 비교

- 57 -
 표 12 전략별 세부비용과 총비용 비교
Case 
cost1

cost2

cost3 Total cost
Strategy 1 85089 66.44% 30175 23.56% 12798 9.99% 128062
Strategy 2 85099 73.46% 30741 26.54% 0 0.00% 115840
Strategy 3 85093 83.58% 0 0.00% 16719 16.42% 101812
Strategy 4 0 0.00% 84782 51.16% 80940 48.84% 165722

180000

160000

140000
12798 80940
120000
30175 30741
100000 16719

80000

60000
85089 85099 85093 84782
40000

20000

0
Strategy 1 Strategy 2 Strategy 3 Strategy 4

cost1 cost2 cost3

그림 20 전략별 세부비용과 총비용 비교

3. 최적제어의 효율성을 고려한 정책
앞의 5절 2에서 최적제어를 사용한다면 100%의 효율이 나타난다고 가정하여 도출된 결과이다. 하지
만 현실에서는 어떠한 정책이 실행되었을 때, 그 정책이 곧 100%의 효과를 보이는 것은 아니다. 우리의
모델에서 제어들도 살펴보면  에 관한 정책(감염된 사람들의 격리수용, 건강관리캠페인, 보건교육을


통한 국민보건의식강화)이 실행된다고 해서 이것이 결핵환자를 얼마나 줄일지는 정확히 알 수 없다. 또

한 이것이 효과가 크다고 하더라도 이 정책이 실행될 때 얼마나 잘 실행될 수 있을지도 의문이다. 그래

- 58 -
서 여기에서는 최적제어들이 100%, 50%, 30%, 20%의 사용량만큼의 효과가 난다고 가정하여 그 결과를
비교하였다.

1
u (t)

0.5
1

0
2011 2015 2020 2025 2030

1
u (t)

0.5
2

0
2011 2015 2020 2025 2030

optimal
1
50%
30%
u (t)

0.5 20%
3

0
2011 2015 2020 2025 2030
Time (year)

4
x 10
5.5
optimal
5 50%
30%
4.5 20%

3.5

3
I

2.5

1.5

0.5
2011 2015 2020 2025 2030
Time (year)

그림 21 최적제어의 효율성을 고려한 정책 비교

- 59 -
표 13 최적제어의 효율성을 고려한 정책 효과 비교
Control I(결핵환자)
Year 100% 50% 30% 20%
2011 104.6141(10만 명당) 104.6141(10만 명당) 104.6141(10만 명당) 104.6141(10만 명당)
2015 31.0637 30.49% 54.2768 53.27% 67.5474 66.30% 75.2609 73.87%
2020 14.0936 14.30% 30.9744 31.42% 46.3795 47.05% 57.3789 58.20%
2030 10.8290 11.73% 22.1838 24.04% 35.3976 38.36% 46.8848 50.80%

위의 표는 최적제어 사용량의 100%, 50%, 30%, 20%만큼의 효과가 난다고 가정한 뒤, 2015년, 2020
년, 2030년까지 각각의 기간 동안 제어를 적용하였을 때, 결핵환자수가 얼마나 감소하는지를 알아본 결
과이다. 위의 표에서 알 수 있듯이, 최소 20%의 효과가 난다고 가정하면, 지금 현재 결핵 환자수의 50%
까지 줄이려면 적어도 2030년까지 결핵퇴치정책이 오래 시행되어야 함을 알 수 있다.

- 60 -
 4. 2011년 정부 결핵예산안에 따른 정책과 예측모델결과에 따른 정책 결과 비교
표 14 예산세부안의 분류
세개의 2011 예산비율
세부사업 세사업 제어 (%)
예산액
합계 44,679
소계 36,302 (81.25%)
민간공공협력사업 11,005 (24.63%)
- 결핵관리전담간호사 급여와 사업자 부담 4대 보험료 u3 6,440 (14.41%)
- 병원지원 운영비 u3 426 (0.95%)
- 결핵관리전담간호사 미배치 병원 관리운영비 u3 1,766 (3.95%)
- 심화 및 기본교육 등 u1 431 (0.96%)
- 권역별/지부별 모니터링 u2 800 (1.79%)
- 민간공공협력사업팀 인건비 및 운영비 u3 517 (1.16%)
- 여비 및 관리운영비 등 u3 625 (1.40%)
결핵관리사업위탁지원 8,888 (19.89%)
- 대한결핵협회 운영지원 기타 3,435 (7.69%)
- 신속내성검출사업 u2 354 (0.79%)
- BCG백신 임상시험 u1 620 (1.39%)
- PACS중앙판독센터 판독의 인건비 및 판독의뢰비 u2 308 (0.69%)
국가결핵예방 - 결핵연구원 연구지원사업 기타 600 (1.34%)
- 분자생물학검사 기타 371 (0.83%)
- 결핵장비교체 u2 2,000 (4.48%)
- 결핵가이드라인 개발 u2/u3 200 (0.45%)
- 결핵통계서비스 관리 기타 1,000 (2.24%)
결핵DOTS사업 u3 600 (1.34%)
노숙인결핵관리시설구축 u2 1,160 (2.60%)
STOP TB운동본부 운영지원 u2 300 (0.67%)
고위험군취약계층 ONE STOP 검진사업 u2 2,600 (5.82%)
노숙인폐결핵관리시설 운영 u2 300 (0.67%)
결핵퇴치사업관리 5,589 (12.51%)
- 결핵행정관리 기타 863
- 결핵약품 및 기자재 구입 등 u2/u3 2,537
- 결핵연구사업 기타 2,189
결핵진료비지원사업 u3 4,110 (9.20%)
결핵홍보사업 u1 1,500 (3.36%)
소계 7,060 (15.80%)
국가결핵예방지자체보 결핵요양시설 운영지원 u3 325 (0.73%)
조 병의원 접촉자 검진 u2 2,825 (6.32%)
소집단 유행관리 u1 1,110 (2.48%)
입원명령자 지원 u3 2,800 (6.27%)
국제결핵연구소운영 u3 1,027 (2.30%)
결핵정보통합관리시스 u1/u3 65 (0.15%)
템구축및운영(정보화)
건강증진 및 질병예방 (0.50%)
관련 국제연수 기타 225
u1 3693.5 (12.60%)
u2 12015.5 (41.00%)
합계
u3 13597 (46.40%)
기타 8683

- 61 -
 질병관리본부로부터 전달받은 2011년 결핵관련 예산세부안을 모델링에서 설정한 세 가지 제어를 바
탕으로 분류해보았다. 먼저 각각의 세부안에 대해 우리가 분류한 세 가지 제어 중에 가장 큰 연관이 있
는 항목으로 분류하고, 실제 예산액에서 어느 정도 비율로 지출되고 있는지 나열하였다. 전염성 결핵환
자 등록/관리 항목이나 학교 또는 대중매체를 통하여 보건교육과 결핵예방홍보를 하는 방법과 같은 항
목은 기존 환자들을 결핵에 전염되지 않은 환자로부터 멀리하려는 노력으로 간주하여  에 해당한다고 

가정하였다. 예방사업 확대와 같은 항목은 결핵에 감염될 확률이 높은 사람들을 우선적으로 예방화학치
료를 하는 방법으로 감염된 결핵환자를 줄이려는 노력으로 생각하여  에 해당한다고 가정하였다. 조


기발견관련 항목은 결핵환자와 접촉한 사람들에 대한 정보를 수집하고 잠복 감염자를 치료하는 방법으
로 이 역시 결핵환자수를 줄이려는 노력으로 우리의 세 가지 제어 중  에 해당한다. 결핵환자를 관리


하는 것과 관련한 항목의 내용은 결핵에 감염된 환자들이 치료를 끝까지 마칠 수 있도록 경제적/사회적
으로 지원을 하는 방법이라고 생각하여  범주에 포함시켰다. 또한, 다제내성결핵 예방에 관한 내용은


환자들이 치료를 끝까지 마치지 않아서 생기는 저항이 있는 결핵균의 발병과 완치되지 않은 환자들이
다시 전염성 있는 환자로 돌아가는 비율을 줄이기 위한 방법으로 생각하고 이 역시  에 포함된다고 가

정하였다. 우리가 정한 세 가지 제어와 예산안을 연결시켜 실제로 우리의 모델에 적용될 제어가 실제로
어느 비율로 쓰이고 있는지 알아보았다. 그 결과  에 관련한 예산편성이 약 12.6%,  에 관련한 예산
 

편성이 약 41%, 그리고  에 관련한 예산 편성액이 약 46%정도였다. 이번 절에서는 최적제어 이론을



통해 실제로      의 배분의 최적을 제시하고, 나아가 현재 사용되고 있는 예산안을 바탕으로 그

  

효과를 대략적으로 비교해보려고 한다.

위에서는 결핵퇴치정책 중 최적의 방법을 제시하였다면, 여기에서는 우리모델에서 제시하는 최적제
어의 결과와 현 정부의 예산안에 근거를 둔 제어 정책의 결과를 비교하였다. 위에서 분류한 예산으로부
터      의 비율을 계산하여, 전체적으로 같은 양의 제어가 최적제어이론 방법적으로 쓰일 때와,
  

현재 질병관리본부에서 시행중인 비율로 제어가 쓰일 때의 결과를 비교하였다. 그림 25의 결과, 같은

양, 같은 비용이 들지라도 어떠한 시간에 어떠한 양으로 쓰이는지에 따라 결과가 달라짐을 알 수 있다.
현재 편성된 예산으로는 우리의 모델에서 가장 중요하게 작용하는  의 비율이 예산안에서 가장 낮은


비율을 차지하기 때문에 최적제어이론의 결과보다 상대적으로 결핵 감염자수의 감소추세가 느리게 진

행되는 것을 관찰 할 수 있다. 그림 25에서 볼 수 있듯이 결핵환자수(I)는 2030년까지 우리모델에서 제
시하는 최적정책(blue, solid)에 비해 현 결핵예산안 정책(red, dotted)을 수행했을 경우, 두 배 정도 더
많은 것을 확인할 수 있다.

- 62 -
 1
u (t)

0.5
1

0
2011 2015 2020 2025 2030

1
u (t)

0.5
2

optimal
nonoptimal
0
2011 2015 2020 2025 2030

1
u (t)

0.5
3

0
2011 2015 2020 2025 2030
Time (year)

7 5
x 10 x 10
8
5

4 6

3
4
S

2
2
1

0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030

4 7
x 10 x 10
6 2.5

5 2
4
1.5
3
L
I

1
2

1 0.5 optimal
nonoptimal
0 0
2011 2015 2020 2025 2030 2011 2015 2020 2025 2030
Time (year) Time (year)

그림 22 2011년 정부 결핵예산안에 따른 정책과 예측모델결과에 따른 정책 결과 비교

- 63 -
5. 지속적인 결핵퇴치정책의 필요성
수학적 예측모델에서 제시하는 최적제어 정책을 한정된 기간 동안 쓴 후 더 이상 노력을 하지 않는다
면 결핵의 역학적 특성이 어떻게 변할지에 대해 알아보았다. 2011년부터 2030년까지 최적제어를 고려
한 후 2030년 이후에 제어를 하지 않고 2070년까지 지켜보았을 때, 결핵감염자수와 결핵환자수(  와  )
가 다시 급격히 증가하고 있음을 볼 수 있다. 이는 현재 우리나라에서는 결핵퇴치 노력을 20년 정도 하
는 것만으로는 결핵의 전파를 막을 수 없음을 말해 준다.

1
u (t)

0.5
1

0
2011 2030 2050 2070

1
u (t)

0.5
2

0
2011 2030 2050 2070

1
u (t)

0.5
3

0
2011 2030 2050 2070
Time (year)

7 5
x 10 x 10
6 15

4 10

3
S

2 5

0 0
2011 2030 2050 2070 2011 2030 2050 2070

4 7
x 10 x 10
15 2.5

2
10
1.5
L
I

1
5
0.5

0 0
2011 2030 2050 2070 2011 2020 2030 2040 2050 2060 2070
Time (year) Time (year)

그림 23 지속적인 결핵퇴치정책의 필요성

- 64 -
제5절 추정된 모수에 대한 통계적 추론
1. 모수적 붓스트랩(Parametric bootstrap)
추정된 수학적 모형에서 모형의 신뢰성은 모수의 정확성을 바탕으로 계산될 수 있다. 본 연구에서는
모형에 관련된 모수 중 데이터에 의하여 추정되는 모수인        와  의 추정량에 대한 추론을
 

시도하며 이중  는 다른 모수와 달리 시점에 관한 연속함수 이므로  의 평균에 대하여 추론하기로
한다. 모수의 추정량에 대한 추론은 통계적인 방법인 모수적 붓스트랩을 이용하며 이때 신환자수와 재
발환자수에 대하여 적용되는 분포는 포아송 분포이고 재 표본의 횟수는 1000번이다. 붓스트랩의 구체적
과정은 다음과 같다.
<단계1>
관찰된 신환자수와 재발환자수 자료를 이용하여 재발(relapse) 모형의 모수를 추정한다.
<단계2>
각 시점마다 <단계1>에서 추정된 신환자수와 재발환자수를 평균으로 하는 포아송분포로부터 임의로
난수(random number)를 발생시켜 새롭게 각 시점별 신환자수와 재발환자수의 데이터를 구축한다.
<단계3>
<단계2>에서 생성된 데이터를 이용하여 모형을 적합시키고 모수를 추정한다.
<단계4>
위의 단계를 1000번 반복하고 반복된 추정량으로 부터 각 추정량에 대한 표준편차를 계산한다.
붓스트랩을 통하여 계산된 추정량에 대한 히스토그램은 그림 37과 같다. 반복된 추정량의 분포는 평
균을 중심으로 대체로 정규분포를 따르고 있으며 반복된 추정량의 평균값은 원래 데이터로부터 추정된
추정값과 큰 차이가 없고 표준편차도 작아서 구축된 모형으로부터 추정된 모수의 신뢰성을 확인할 수
있다. 각 모수에 대하여 반복 추정된 추정량으로부터 계산된 95% 신뢰수준은 다음과 같다.

- 65 -
 mean=0.1592 S.D.=0.0018 mean=0.1161 S.D.=0.0013
400 400

300 300
Frequency

200 200

100 100

0 0
0.15 0.16 0.17 0.11 0.115 0.12 0.125
f f
0 f

mean=0.4212 S.D.=0.0343 mean=3.11e-004 S.D.=1.26e-006

400 400

300 300

200 200

100 100

0 0
0.2 0.3 0.4 0.5 0.6 3.05 3.1 3.15 3.2
a s -4
x 10

mean=0.0684 S.D.=0.0050
400

300

200

100

0
0.045 0.065 0.085
mean(k)

그림 24 추정 모수의 붓스트랩의 결과(반복횟수 : 1000)

- 66 -
표 15 추정 모수의 붓스트랩 결과
모수 추정값 평균 표준편차 95% 신뢰구간

 0.15911 0.1592 0.0018 (0.15583, 0.16281)

 0.11604 0.1161 0.0013 (0.11340, 0.11869)
 0.41996 0.4212 0.0343 (0.35405, 0.49143)
 3.1093d-4 3.11d-4 1.26d-6 (3.0855d-4, 3.1359d-4)

 0.06746 0.0684 0.0050 (0.05858, 0.07853)

- 67 -
 본 과제에서는 2001년에서 2010년까지 결핵정보감시체계에 신고된 결핵 신환자수와 재치료 환자의 데
이터를 근거로 결정적 비선형 모델인 SEIR 형태의 한국형 결핵모델이 개발 되었다. 한국형 결핵모델의
상수는 실제 데이터, 참고문헌을 통해 추정되었고, 추정이 어려운 상수들은 자료 적합 을 통해 결정 되
었으며 자료 적합으로 추정된 상수들은 부스트랩(bootstrap)의 통계적 방법으로 상수 추정의 타당성을
검증 하였다. 국·내외적으로 실제 데이터가 적용된 결핵모델에 대한 연구가 거의 불모지 상태임을 고려
하면 본 과제에서 개발된 한국형 결핵모델은 학문적인 면에서도 우수성을 인정받을 수 있을 것으로 기
대된다.
본 과제에서 개발된 한국형 결핵모델에 따르면 우리나라의 결핵 발생 상황은 재발환자의 비율을 무시
할 수 없고 감염재생산수(Reproductive number,  )도 대략 1.5∼1.7 정도여서 시간이 지나면서 결핵 환


자는 오히려 계속 증가하는 구조임을 알 수 있다.

본 과제에서는 한국형 결핵모델의 개발 뿐 아니라 예측모델과 결핵조기퇴치정책을 제안하는 연구를
병행하였다. 예측모델에서는 모델 개발에서 사용된 국민 수, 기대수명 등의 실제 데이트가 존재하지 않
기 때문에 2001년부터 2010년까지의 평균값을 모델의 상수로 적용하였다. 예측모델에서 “distancing
control”, “case finding control”, “case holding control” 등 세 가지의 중요정책을 제어의 형태로 고려하
여 결핵환자수와 감염자수, 정책 수행에 따른 비용을 최소화하는 결핵 조기퇴치 정책을 제안하였다. 연
구결과에 의하면 distancing control을 쓰는 정책인 결핵환자의 격리수용, 환자의 조기발견, 건강관리 캠
페인이나 보건교육을 통한 국민보건의식 강화 등에 더 많은 노력과 예산이 필요하다. 또한 최적의 정책
에 효율성을 50%, 30%, 20%을 배분한 보다 현실적인 시나리오를 고려한 결과 예측모델에서 제시하는
최적정책의 20%의 효과만 있어도 결핵환자수를 2030년까지 대략 50%까지 줄일 수 있다는 결과를 얻었
다. 이 경우 질병관리본부에서 목표로 하고 있는 결핵 환자 발생 목표치와는 크게 차이를 보인다. 2030
년까지 인구 백만 명당 1명 이하로 감소시키는(환자 발생 50명) 것을 고려하면 2010년(신환자 신고
36,000)보다 환자 발생을 0.2% 이하로 감소시키는 것이다. 따라서 이 목표를 달성하기 위해서는
distancing control에 대한 효율성을 100%에 근접할 수 있도록 해야 한다. 이를 위해서는 distancing
control에 대한 예산 투자가 대폭 확대되어야 한다. 결핵환자의 격리 수용 면에서는 환자의 전염성 기간
은 발병후 치료받기까지의 기간이 문제가 되며 치료 후에는 급격하게 전염성이 소실된다. 이를 화학적
격리라고 부른다. 따라서 가장 중요한 것은 적절한 표준 치료가 환자에게 적용되도록 하는 것이다. 물리
적인 격리는 치료 비순응자, 내성결핵환자와 같이 치료 반응이 상대적으로 느려서 치료 중에도 전염성
이 일정 기간 유지될 가능성이 있는 환자가 대상이 되어야 할 것이다. 아직 우리나라에서는 입원 격리
치료를 하기 위해서는 여러 문제점들이 있다. 의료 시설 면에서는 격리병실 혹은 음압병실의 확보가 쉽
지 않으며 자칫 타 질환 환자와 같이 입원할 경우 면역 기능이 떨어진 비결핵 환자들에게 결핵을 전파
할 위험성이 있다. 따라서 공공 및 민간의료기관의 결핵환자 입원 치료 시설에 대한 정부의 지원이 필
요하다. 민간의료기관에서는 결핵환자를 장기간 입원시키는 것이 쉽지 않으므로 이러한 부분은 공공의
료기관에서 적극적으로 담당하는 것이 필요하다. 환자의 조기 발견 및 전파 방지를 위해서는 결핵 발병

- 68 -
고위험군 및 의료 수혜를 받기 어려운 취약 집단을 중심으로 적극적 환자 발견 사업이 필요하다. 또한
일반 대중을 상대로 한 국민보건의식 강화 노력으로는 ‘기침 에티켓’을 널리 지속적으로 홍보하여 결핵
뿐만 아니라 타 공기 매개 전염성 질환의 예방에도 도움이 되도록 해야 한다. 결핵의 중요성과 결핵 유
증상시 의료기관을 내원토록 하여 검사받도록 하는 조기 환자발견 노력은 결핵 발생률이 감소할수록 일
반인들의 인식 속에 결핵은 사라져가므로 어렵다. 따라서 향후에는 조기 환자발견 노력은 일반인들보다
의료진을 대상으로 결핵 유증상자 내원시 적절한 결핵 검사를 조기에 실시하도록 하는 교육이 중요해진
다.
본 연구에서는 현 정부의 결핵 관련 예산안의 효율성을 조사하였다. 결핵 예산안을 분석한 결과 세
가지 정책, 즉 distancing control, case finding control, case holding control에 각각 12.6%, 41%, 46.4%
의 예산이 쓰이고 있었다. 이와 같은 배분 방식을 2030년까지 예측모델에 반영한 정책과 본 과제에서
제시한 최적정책을 비교·분석한 결과 2030년까지 같은 총예산이 투여될 때 본 과제에서 제안하는 최적
정책을 수행하면 현 정부 결핵예산안에 의한 정책을 수행했을 때보다 결핵환자수를 50%정도 줄일 수
있음을 알 수 있었다. 분석 결과에 의한 예산을 재조정한다면 case finding control, 여기에서는 전염성
결핵 환자를 조기에 발견하는 노력이 아닌, 즉 결핵 환자로 발전될 가능성이 높은 보균자들을 검진하는
방법이나 예방화학치료에 투입하는 예산을 distancing control에 재배분하는 것이 바람직하다. 또한 현재
의 예산 배분에서 case finding과 case holding control의 예산 비중이 과다하기 보다는 상대적으로
distancing control의 예산 투입이 적기 때문에 나타나는 결과로 봐야 한다. 아직까지 우리나라에서는 환
자관리의 국제표준인 복약확인치료 (directly observed treatment)를 실시하지 않고 있다. 복약확인치료
를 위해서는 보다 더 많은 보건 인력이 투입되어야만 가능하다. 아직까지는 당면 현안인 민간의료기관
에서 치료받는 결핵 환자의 치료를 위한 공공민간협력사업 (public-private mix collaboration, PPM)을
중점 대책으로 수립, 확대 실시중이다. 적절한 환자 관리는 본 연구와 같이 신규 환자 발생 감소에 기여
할 뿐만 아니라 내성결핵의 발생 방지와 재발 방지에 더 중요하다. 신환자중 치료가 어려운 다제내성결
핵의 비율이 증가하는 현상은 결국 적절한 환자 관리가 이루어지지 못하여 치료 실패에 따른 내성 환자
의 발생 및 이들 치료 실패 환자로부터 감염되어 발병하는 일차 내성 결핵환자가 증가한다는 것을 뜻한
다. 그러므로 이번 연구 결과를 근거로 결핵 관련 예산안을 재조절하고자 할 경우 이번 연구에서 포함
하지 않은 다른 영향들도 충분히 고려하여 결정해야 할 것이다. 단순히 case finding과 case holding
control의 예산을 distancing control로 재배분시 내성 결핵 환자의 비율이 증가할 수 있는 위험성을 지
니고 있다. 그 보다는 2030년 결핵 목표의 달성이 위의 세 가지 정책이 100% 효율성을 나타내더라도 어
렵다는 것을 고려하면 결핵관련 예산의 증액을 통한 distancing control에 대한 예산 재배정이 바람직하
다.
예산안 효율성 분석에 있어서 제한점으로는 일부 예산의 경우 세 가지 정책 중의 하나로 분류하는 것
이 어려운 경우도 있었다는 것이다. 결핵장비교체, 노숙인 결핵관리시설 구축 등은 case finding control
로 분류하였지만 잠복결핵 진단뿐만 아니라 환자 치료, case holding control에도 반영되는 부분이 있다.
또한 case finding과 case holding control이 환자 수를 직접적으로 감소시키는 영향 외 전파 방지를 통
한 distancing control 효과도 나타낼 수 있기 때문이다. 따라서 향후 각 사업별 예산 항목에서 실제 사
업 내용을 분석하여 세 가지 정책으로 재분류한다면 보다 더 예산의 효율적 배분을 제시할 수 있으리라

- 69 -
본다.
본 연구 과제를 수행하면서 느낀 어려운 점은 현재 수집되는 우리나라 결핵 관련 데이터의 한계성에
기인한다. 상수추정 과정에서 관측된 데이터가 현실을 제대로 반영하지 못할 경우 모델의 현실반영이나
미래예측에 관한 신뢰도가 낮아진다. 예를 들면 여러 전문가들의 의견을 수렴해볼 때 실제 신환자수와
질병관리본부에서 발표하는 결핵정보감시체계의 신환자 데이터 간에는 차이가 있을 것으로 예상되는데
이는 본 과제에서 개발된 모델에서 신환자수  에 관련된 중요한 상수 의 신뢰도에 부정적인 영향을
끼칠 수 있다. 데이터에 관련되어 파악된 문제점은 다음과 같다.
연구과정에서 집중적으로 인구집단 변화를 살펴본 2001년부터 2010년 사이에 데이터 수집 방법이 일
관적이지 않다. 현재 질병관리본부로부터 수집한 자료에 나와 있는 신환자 수는 병원이나 보건소등에서
보고된 수치를 수합한 결과이며 자료수집과정은 환자신고서식을 접수받는 보건소에서 신고내용을 인터
넷을 통해 확인하거나 직접 입력하고 수집된 자료는 보건소 담당자 및 시·도 담당자가 내용을 검토, 확
인하여 연보에 게재하는 방식으로 이루어지고 있다. 최근에는 보건소의 결핵환자 비율보다 민간의원의
결핵환자 비율이 높게 나타나고 있는데 실제 개인병원에서 결핵으로 진단된 환자가 모두 보고 되지 않
고 실제 재발환자의 경우 신환자로 보고되기도 한다. 최근 들어 결핵감시체계의 운영으로 결핵환자가
보고되는 비율이 높아지고 있지만 본 연구에서 이용한 데이터는 2001년부터 축적된 데이터이기 때문에
과거의 데이터 수집과정에 생긴 문제점을 안고 있다. 또한 보고율이 점점 증가하는 추세라면 실제 신환
자수와 통계자료에 나타난 신환자수의 변화양상이 다를 수 있다. 실제로 결핵환자의 중간 나이 값
(median age)과 건강보험청구현황을 미루어 볼 때 증가 추세를 보이는 신환자 데이터와는 달리 실제 결
핵신환자 수는 감소하고 있을 가능성이 크다. 결핵 발생이 증가한다면 최근 감염의 증가에 따른 청년층
결핵 발생 비율이 증가하게 된다. 반면 감소한다면 미국, 일본처럼 내인성 재활성에 의한 발병 비중이
증가하면서 청년층보다 고령층 결핵 환자 비율이 증가하게 된다. 이에 따라 결핵 발생이 감소하면 중간
나이 값이 점차 증가하게 되고, 결핵 발생이 증가하면 중간 나이 값은 점차 감소하게 된다. 따라서 민간
의료기관에서의 보고율이 점차 증가하여 신고 건수가 증가하더라도 중간 나이 값이 증가한다면 실제 결
핵 발생은 감소하는 것으로 봐야 한다. 본 연구에서는 객관적으로 주어진 자료만을 대상으로 분석하였
기에 결핵 발생이 증가하는 모형으로 나타났다.
따라서 본 연구팀에서 개발된 모델뿐만 아니라 결핵관련 연구에 대한 활용도를 높이기 위해서는 결핵
환자에 대한 데이터를 정제, 보정하는 작업이 선행될 필요성이 있다.
결론적으로 2001년부터 2010년까지의 결핵정보감시체계에 신고된 결핵 환자를 대상으로 수학적 모델을
개발하여 미래 모델로 확장하였을 때 예상되는 결핵 환자수는 감소하는 것이 아니라 오히려 증가 추세를
보였다.(그림 13) 이것은 지금까지의 결핵 정책으로는 결핵 환자 수를 줄일 수 없다는 것을 의미하여 줄일
수 있는 적극적인 정책 수립이 절실함을 보여준다.
결핵정책 수립과 관련하여 distancing control, case finding control, case holding control의 세 가지 정책
으로 구분하여 세 정책 간에 투입되는 비용이 같을 때는 세 정책을 모두 사용하는 strategy가 환자 감소에
가장 효과적이었다. 그렇다 하더라도 2030년 발생 환자 수는 약 6,000명 정도로 예상되어 2030 목표 달성이

- 70 -
어렵다는 것을 보여준다. 현 분석에 따르면 distancing control에 대한 비중을 더 높이면 더 효과적인 것으
로 나타났다. 그렇지만 현재의 예산 내에서의 재배분보다는 distancing control에 대한 예산을 증액시키는
것이 더 필요하며 목표 달성을 위해서는 현행 결핵 관련 예산을 증가시키는 등 적극적인 정책 개발이 필요
할 것으로 본다.

- 71 -
제1절 활용성과
과제명
과제책임자 성명 / 소속 / 전공
가. 연구논문
번호 논문제목 저자명 저널명 집(권) 페이지 Impact 국내/
factor 국외 SCI여부
1
2
나. 학술발표
번호 발표제목 발표형태 발표자 학회명 연월일 발표지 국내/
국제
1
2
다. 지적재산권
번호 출원/
등록 특허명 출원(등록)인 출원(등록)국 출원(등록)번호 IPC분류
1
2
라. 정책활용
※ 기타 관련정책에 활용 예를 구체적으로 기술함.

마. 타연구/차기연구에 활용
※ 타연구 및 차기연구에 활용된 예를 구체적으로 기술함.

바. 언론홍보 및 대국민교육

- 72 -
※ 언론홍보 및 대국민교육 내용, 일자 등을 간략히 기술함.

사. 기타
※ 임상시험 , 관련 DB구축, 워크샾 또는 심포지움 개최 등의 경우 구체적으로 기술함.

- 73 -
제2절 활용계획
1. 기대효과

우리나라 결핵 상황은 선진국형이 아니다. 이에 따라 정부 및 학계는 2000년 이후 부터 임상 데이터

수집 및 관련 연구 수행, 2030 결핵퇴치 정책 시행 등 결핵 퇴치를 위해 다양하게 노력하고 있다. 최근
들어 결핵 뿐 아니라 전염성질병에 대한 수학적 모델링에 대한 필요성이 대두되고 있지만 그동안 우리
나라에서는 수학적모델 개발이 전혀 이루어지고 있지 않았다. 수학적모델을 현재까지의 데이터를 근거
로 현실에 맞게 구현할 수 있다면 이를 기반으로 미래에 대한 정책 및 최적의 치료법 등을 제시할 수
있다. 또한 수학적모델 개발은 데이터 수집이나 임상과는 비교할 수 없을 정도의 적은비용으로 높은 연
구 성과를 낼 수 있으며 실제 역학조사에서 할 수 없는 부분을 가상실험을 통해 결과를 예측하고 올바
른 방향을 제시할 수 있다. 본 연구를 통해 기대되는 구체적인 효과는 다음과 같다.
본 연구는 모델 개발 뿐 아니라 최소의 비용으로 최적의 결핵퇴치법에 대한 정책을 제시하고 있으므
로, 개발된 수학적모델을 통해 우리나라의 결핵퇴치를 위한 중요 요인을 규명할 수 있을 것뿐만 아니라
결핵조기퇴치 정책에 중요한 방향제시를 할 수 있을 것으로 기대된다.
본 연구는 우리나라 결핵관련 수학적 모델링 개발의 시작이라 할 수 있다. 본 연구에서 개발된 수학
적모델을 기본적인 도구로 사용하여 다양한 결핵에 대한 수학적모델 개발도 가능할 것이다. 예를 들면,
resistance-TB나 외인성재발에 의한 결핵모델, 또는 연령별이나 지역을 고려한 결핵모델 등의 개발이
본 연구를 기반으로 개발될 수 있을 것으로 기대된다.
본 연구는 정책적인 측면뿐 아니라 학문적인 면에서도 전염성질병에 관한 수학적모델의 토대가 되고
응용수학이 우리나라 보건에 기여하는 중요한 연구가 될 것으로 기대한다.
2. 활용방안
전염성 질병인 결핵 퇴치를 위한 정책은 현실적으로 너무 많은 요인들이 연관되어 있다. 앞에서 언급
한 것과 같이 결핵퇴치 2030 계획의 구체적인 계획에는 결핵환자 추후관리, 다제내성 결핵환자 지원, 조
기발견, 결핵치료비 지원, BCG백신 생산시설의 현대화, 영상정보시스템 구축 등이 포함되어 있다. 본
연구로 개발된 결핵의 수학적모델은 효과적인 결핵퇴치 정책을 위해 우선시 되어야 할 정책과 요소에
대한 방향을 제시할 수 있다.
최근 들어 전 세계적으로 기후변화에 따른 전염성 질병에 관한 연구가 중요한 이슈로 대두되고 있다.
본 연구의 결과는 결핵 뿐 아니라 말라리아, 쯔쯔가무시병, 구제역과 같은 다른 전염성 질병에 대한 수
학적 모델의 기반으로 활용될 수 있을 것이다. 구체적인 병에 따라서 수학적 모델이 바뀌어야 하지만
본 연구에서 제시한 모델 개발을 위해 접근법이나 모델 해석법 등은 다른 질병에 대한 수학적모델에서

- 74 -
도 유용하게 활용될 수 있기 때문에 본 연구의 결과는 다른 전염성 질병과 관련된 수학적모델의 개발에
도 중요한 기여를 할 것이다.
본 연구의 확장은 현재 국제적으로 활발하게 연구가 진행 중인 결핵과 에이즈가 결합된 경우처럼 결
핵과 타 질병이 결합된 경우에 대한 수학적모델의 개발에 활용될 수 있다.
기타 중요변경사항

- 75 -
 ( 단위 : 원 )

비 목
금액 구 성 비 비고
구 분
ㅇ 인 건 비 소 계

책 임 연 구 원

연 구 원

연 구 보 조 원

보 조 원

ㅇ 경 비 소 계

여 비

유 인 물 비

전 산 처 리 비

시 약 및 연 구 용 재 료 비

회 의 비

임 차 료

교 통 통 신 비

감 가 상 각 비

위 탁 정 산 수 수 료

일 반 관 리 비 ( )%

이 윤 ( )%

ㅇ 계

- 76 -
[1] L. S. Pontryagin, V. G. Boltyanskii, R. V. Gamkrelidze, and E. F. Mishchenko, The mathematical theory of
optimal processes, Wiley, New York, 1962
[2] WHO, 2009a. Update tuberculosis facts/
http://www.who.int/tb/publications/2009/tbfactsheet_2009update_one_page.pdfS.
[3] WHO, 2009b. Global tuberculosis control. A short update to the 2009 report/
http://www.who.int/tb/publications/global_report/2009/update/tbu_9.pdfS.
[4] WHO, 2010. Global Tuberculosis Control Report 2010, Republic of Korea/
http://www.who.int/tb/country/en/index.htmlS.
[5] J. P. Aparicio, A. F. Capurro and C. Castillo-Chavez, Transmission and dynamics of tuberculosis on
generalized households, J. Theor. Biol., 206 (2000), 327-341, doi:10.1006/ jtbi.2000.2129.
[6] J. P. Aparicio and H. G. Solari, Population dynamics: A Poisson approximation and its relation to the
Langevin process, Phys. Rev. Lett. 86 (2001), 4183-4186.
[7] J. P. Aparicio, A. F. Capurro and C. Castillo-Chavez, Markers of disease evolution: The case of tuberculosis,
J. Theor. Biol., 215 (2002), 227-237.
[8] J. P. Aparicio, A. F. Capurro and C. Castillo-Chavez, Long-term dynamics and re-emergence of
tuberculosis, in “"Mathematical Approaches for Emerging and Reemerging Infectious Diseases: An
Introduction”" (Minneapolis, MN, 1999), 351-360, IMA Vol. Math. Appl., 125, Springer, New York, 2002.
[9] J. P. Aparicio, H. G. Solari and N. Bonino, Competition and coexistence in host-parasite systems, The
myxomatosis case, Population Ecology, 46 (2004), 71-85.
[10] J. P. Aparicio and J. C. Hern´andez, Preventive treatment of tuberculosis through contact tracing,
Mathematical studies on human disease dynamics, 17-29, Contemp. Math., 410, Amer. Math. Soc.,
Providence, RI, (2006).
[11] J. P. Aparicio and M. Pascual, Building epidemiological models from R0: An implicit treatment of
transmission in networks, Proceedings of the Royal Society, Biological Sciences, 274 (2007), 505-512.
[12] S. P. Blythe, C. Castillo-Chavez, J. Palmer and M. Cheng, Towards unified theory of mixing and pair
formation, Math. Biosci., 107 (1991), 379-405.
[13] S. P. Blythe, C. Castillo-Chavez and G. Casella, Empirical methods for the estimation of the mixing
probabilities for socially structured populations from a single survey sample, Mathematical Population Studies,
3 (1992), 199-225.
[14] S. P. Blythe, S. Busenberg and C. Castillo-Chavez, Affinity in paired event probability, Math. Biosci., 128
(1995), 265-284.
[15] S. Busenberg and C. Castillo-Chavez, A general solution of the problem of mixing subpopulations, and its
application to risk-and age-structured epidemic models for the spread of AIDS, IMA J. of Mathematics
Applied in Med. and Biol., 8 (1991), 1-29.
[16] C. Castillo-Chavez, S-F Shyu, G. Rubin, and D. Umbauch, On the estimation problem of mixing/pair
formation matrices with applications to models for sexually-transmitted diseases, in “"AIDS Epidemiology:
Methodology Issues”", (eds. K. Dietz, V. T. Farewell, N. P. Jewell), 384-402, Birkhauser,
Boston-Basel-Berlin, 1992.
[17] C. Castillo-Chavez and Z. Feng, To treat or not to treat: The case of tuberculosis, J. Math. Biol., 35
(1997), 629-656.
[18] H. Thieme and C. Castillo-Chavez, How may infection-age-dependent infectivity affect the dynamics of
HIV/AIDS?, SIAM J. Applied Math., 53 (1993), 1447-1479.
[19] Jung, E., Lenhart, S., Feng, Z., 2002. Optimal control of treatments in a two-strain tuberculosis model.
Discret. Contin. Dyn. Syst. B 2 (4), 473–482.
[20] Z. Feng, C. Castillo-Chavez and A. F. Capurro, A model for tuberculosis with exogenous reinfection,
Theor. Pop. Biol., 57 (2000), 235-247.
[21] Z. Feng, W. Huang and C. Castillo-Chavez, On the role of variable latent periods in mathematical models

- 77 -
 for tuberculosis, Journal of Dynamics and Differential Equations, 13 (2001), 425-452.
[22] C. Castillo-Chavez and B. Song, Dynamical models of tuberculosis and applications, Mathematical
Biosciences and Engineering, 1 (2004), 361-404.
[23] B. M. Murphy, B. H. Singer, S. Anderson and D. Kirschner, Comparing epidemic tuberculosis in
demographically distinct heterogeneous populations, John A. Jacquez memorial volume, Math. Biosci., 180
(2002), 161-185.
[24] C. J. L. Murray and J. A. Salomon, Modeling the impact of global control strategies, Proc. Natl. Acad. Sci.
USA, 95 (1998), 13881-13886.
[25] B. Song, C. Castillo-Chavez and J. P. Aparicio, Tuberculosis models with fast and slow dynamics: the role
of close and casual contacts, Jacquez memorial volume, Math. Biosci., 180 (2002), 187-205.
[26] Whang, S., Choi, S. and Jung, E, 2011. A dynamic model for tuberculosis transmission and optimal
treatment strategies in South Korea, J. of Theoretical Biology 279, 120-131.
[27] 질병관리본부. 감염병과 수학모형: 주간 건강과 질병 38(3). 2010.9.24 642-645
[28] M.Rios, J.M.Garcia, J.A.Sanchez, D.Perez, A statistical analysis of the seasonality in pulmonary tuberculosis,
European Journal of Epidemiology 16 483-488, 2000
[29] An introduction to the bootstrap, Bradley Efpon, Robert J. Tibshrani, Chapman & Hall, 1993
[30] 고원중 외, 결핵관리. 질병관리본부·대한결핵협회 결핵연구원, 2008, 13-47
[31] 김희진. 세계 결핵 추세와 우리나라 결핵실태, 보건세계 54(3), 44-47
[32] 박승규, 우리나라 결핵관리에 대한 제언, 보건세계 51(7), 46-50
[33] 질병관리본부 보도자료. 결핵, 2030년까지 퇴치한다『Stop TB Plan 시행』2006.9.26
[34] 심재철 외, 빈곤취약계층 결핵실태 파악과 지원방안 모색을 위한 정책토론회, 2010.12.10
[35] 기모란 외, 2009년도 결핵환자 신고현황 연보, 질병관리본부, 2010
[36] H. T. Waaler, A. Gese & S. Anderson, The use of mathematical models in the study of the epidemiology
of tuberculosis, Am. J. Publ. Health, 52:1002-1013, 1962
[37] S. Brogger, Systems analysis in tuberculosis control, a model, Amer. Rev. Resp. Dis. 95:419-434, 1967
[38] C. S. ReVelle, The economics allocation of tuberculosis control activities in developing nations. Ph.D.
Thesis. Cornell University, Ithaca, NY, 1967
[39] C. S. ReVelle, W. R. Lynn, & F. Feldmann, Mathematical models for the economic allocation of
tuberculosis control activities in developing nations, Am. Rev. Respir. Dis. 96:893-909, 1967
[40] S. H. Ferebee, An epidemiological model of tuberculosis in the United States, NTA Bulletin, January 1967,
4-7, 1967
[41] S. M. Blower, A. R. McLean, T. C. Porco, P. M. Small, P. C. Hopwell, M. A. Sanchez, A. R. Moss, The
intrinsic transmission dynamics of tuberculosis epidemics, Nature Medicine, 1(8):815-821, 1995
[42] Kirschner, Dynamics of Co-infection with M. tuberculosis and HIV-1, Theoretical population Biology, 1999
[43] Herrera, S. Lima, G. Ramos, A. Rodriguez, & C. Salzberg, A model describing the response of immune
system to Mycobacterium tuberculosis, Department of Biometrics Technical Report Series, 1996
[44] G. Chowell, C.E Ammon, N.W. Hengartner, J.M. Hyman, Transmission dynamics of the great influenza
pandemic of 1918 in Geneva, Switzerland: Assessing the effects of hypothetical interventions. J. Theor. Biol.
241, 193-204, 2006
[45] Dye, C., Watt, J., Bleed, D.M., Hebran, H., Raviglione, M.C., Evolution of tuberculosis control and prospects
for reducing tuberculosis incidence. Pre- valence and deaths globally. J. Am. Med. Assoc. 293, 2767–2775,
2005
[46] Styblo, K, Epidemiology of Tuberculosis. Royal Netherland TB Association Selected Papers 24, 1991

- 78 -