인구 통계 정보를 활용한 열대 관련 사망 위험 곡선: 리스크 그래프 신경망

Demographically-Informed Heat-Mortality Risk Curves via Risk Graph Neural Networks

열 관련 사망 위험 추정은 환경 역학 분야의 핵심 과제로, 일반적으로 분산 지연 비선형 모델(DLNM)을 사용하여 온도-사망률 시계열 데이터에 적합된 해석 가능한 노출-반응 표면을 활용합니다. DLNM은 효과적이지만, 열 취약성에 중요한 인구 통계 및 지리적 맥락을 고려하지 못하는 단점이 있습니다. 본 연구에서는 리스크 그래프 신경망(RGNN)을 제안합니다. RGNN은 계층적인 그래프 신경망 인코더로, 세분화된 인구 통계 정보를 활용하여 DLNM의 계수 벡터를 최적화하고, 해석 가능한 위험 곡선 결과를 유지하면서 예측 정확도를 크게 향상시킵니다. 잉글랜드와 웨일스의 10개 지역에서 기록적인 폭염이 발생한 두 해 동안 RGNN 모델을 평가한 결과, 기준 모델에 비해 더 낮은 오차율과 안정적인 불확실성 범위를 보였으며, 특히 2022년 폭염 기간에는 기준 모델의 성능이 저하되는 상황에서도 RGNN은 우수한 성능을 유지했습니다.

Estimating heat-related mortality risk is a core task in environmental epidemiology, typically addressed with Distributed Lag Non-linear Models (DLNMs); interpretable exposure-response surfaces fitted to temperature-mortality time series. DLNMs are effective but ignore demographic and geographic context, despite well-established relevance to heat vulnerability. We propose Risk Graph Neural Networks (RGNNs), a hierarchical GNN encoder that uses granular census features to optimise DLNM coefficient vectors, preserving interpretable risk curve outputs while substantially improving predictive calibration. Evaluated across 10 regions of England and Wales on two unprecedented heat years, RGNN variants maintain both lower point-errors and near-nominal uncertainty coverage during the 2022 heatwave where baselines collapse.