Assessing Racial Disparities in Healthcare Expenditures via Mediator Distribution Shifts

기술 요약: 매개 변수 분포 변화를 통한 의료 지출의 인종적 격차 평가

문제 제기
의료 지출에서의 인종적 격차는 잘 알려져 있으나, 이러한 격차를 분해하는 기존 방법론들은 개념적 및 방법론적 한계에 직면하는 경우가 많다. 전통적인 회귀 기반 접근법과 오악사-블라인더(Oaxaca-Blinder) 분해 방식은 매개 변수를 혼란 변수로 잘못 규정하거나, 복잡한 비선형 관계를 포착하지 못하는 경직된 선형 명세에 의존하는 경향이 있다. 또한, 표준적인 인과 매개 프레임워크는 인종을 조작 가능한 노출(exposure)로 취급하는데, 이는 인종이 직접적인 처치(treatment)가 아니라 역사적·구조적 과정에 의해 형성된 사회적 구성물이라는 인종의 본질을 고려할 때 정의하기 어려운 해석이다. 따라서 인종에 대한 반사실적 개입을 가정하지 않으면서 격차를 분해하고, 동시에 제로 과잉(zero-inflated) 및 우편향(right-skewed) 특성을 가진 복잡한 의료 지출 데이터를 견고하게 처리할 수 있는 프레임워크가 필요하다.

방법론
저자들은 인종적 격차를 공변량 조정된 결과 분포의 차이로 정의하는 비모수적 프레임워크를 제안한다. 연구는 "인종의 총 효과"를 추정하는 대신, 특정 매개 변수(사회경제적 지위[SES], 보험 접근성, 건강 행동, 건강 상태)의 분포 변화에 기인하는 격차를 총 격차로부터 분리해 낸다.

주요 방법론적 혁신은 다음과 같다:

1. 분포 변화 분해(Distribution-Shift Decomposition): 프레코임워크는 총 격차($\rho_{total}$)를 공변량 표준화된 기대 지출의 차이로 정의한다. 그 후, 특정 매개 변수 $M_k$의 분포를 유리한 집단의 분포와 일치하도록 변화시킬 때, 결과 생성 과정과 다른 매개 변수들을 불리한 집단의 수준으로 고정했을 경우 불리한 집단의 결과 분포가 어떻게 변하는지를 정량화함으로써 매개 변수 기인 격차($\rho_{R \to M_k \leadsto Y}$)를 분리한다. 이는 인종을 조작 가능한 원인으로 취급하는 문제를 피한다.
2. 영향 함수 기반 추정(Influence-Function-Based Estimation): 모델 명세의 어려움과 매개 변수 밀도의 고차원성을 해결하기 위해, 저자들은 비모수적 영향 함수를 기반으로 한 점근적 선형 추정량을 도출한다. 이 추정량은 플러그인 추정량(plug-in estimators)에 일단계 보정(one-step correction)을 적용하여, 넛스 함수(nuisance functions)가 유연한 머신러닝 방법으로 추정되는 상황에서도 유효한 루트-$n$ 추론을 보장한다.
3. 다중 강건성(Multiply Robustness): 추정량은 다중 강건 구조를 지닌다. 즉, 넛스 함수(성향 점수, 매개 변수 모델, 결과 회귀, 순차적 회귀 등)의 여러 가지 서로 다른 조합 중 하나라도 올바르게 명세된다면 일관성을 달성할 수 있다. 이는 복잡한 환경에서 모델 오지정(misspecification)으로부터 보호해 준다.
4. 지출 데이터 처리: 의료 지출이 제로 과잉 및 우편향되어 있다는 점을 인식하여, 연구는 슈퍼 레너(super learner) 앙상블 내에서 2부 모델링(two-part modeling) 전략을 사용한다. 결과 회귀 모델은 지출 발생 확률과 양(+)의 지출에 대한 조건부 평균(로그 변환된 척도 상에서)을 각각 모델링한 후, 이를 결합하여 기하 평균을 추정한다.
5. 머신러닝 통합: 프레임워크는 넛스 파라미터를 추정하기 위해 GLM, 랜덤 포레스트, 그래디언트 부스팅 등을 결합한 앙상블 방법인 슈퍼 레너를 통합하여, 모수적 가정에 의존하지 않고 예측 정확도와 강건성을 높인다.

주요 기여

• 개념적 프레임워크: 본 논문은 인종을 조작 가능한 처치가 아닌 인종화된 사회적 지위의 지표로 취급하는 관점을 발전시킨다. 또한, 격차를 특정 매개 경로와 잔차 성분(측정되지 않은 구조적 요인을 나타냄)으로 나누는 공식적인 통계적 분해를 제공한다.
• 추정 이론: 저자들은 여러 개의 순서 있는 매개 변수가 존재하는 환경에서 매개 변수 기인 격차를 위한 새로운 점근적 선형 추정량을 도출한다. 이 추정량들은 특정 쌍의 넛스 함수가 충분히 정확하게 추정된다는 전제하에, 표준적인 모수적 접근법보다 더 약한 수렴 속도 조건에서도 일관성과 점근적 정규성을 갖도록 증명되었다.
• 소프트웨어 구현: 연구는 매개 변수 중심의 격차 분석을 위한 방법론적 도구를 확장하는 R 패키지인 flexPaths를 소개한다.
• 실증적 적용: 프레임워크는 2009년과 2016년의 의료 지출 패널 조사(MEPS) 데이터에 적용되어, 비히스패닉계 백인, 흑인, 아시아인, 히스패닉 인구 간의 격차를 분석하였다.

결과
MEPS 데이터에 프레임워크를 적용한 결과, 두 해 모두에서 상당한 인종적 의료 지출 격차가 존재하며, 특히 비히스패닉계 백인과 히스패닉 간의 격차가 가장 컸다.

• 주요 동인: 사회경제적 지위(SES)와 건강 상태가 의료 지출 격차의 가장 큰 기여 요인으로 식별되었다. SES 분포를 인종 그룹 간에 일치시킨다면, 특히 히스패닉과 흑인 인구에서 격차를 크게 줄일 수 있을 것이다. 마찬가지로, 건강 상태 분포의 차이 또한 격차의 상당 부분을 설명했다.
• 보험 접근성: 보험 접근성은 특히 히스패닉 인구에게 의미 있는 역할을 했다. 그러나 보험 관련 격차 성분은 2009년과 2016년 사이에 좁혀졌는데, 이는 의료보험 개혁(Affordable Care Act)의 영향을 반영한 것으로 보이나, 히스패닉은 여전히 높은 무보험율을 보였다.
• 건강 행동: 측정된 건강 행동(흡연 및 신체 활동)의 차이는 의료 지출 격차에 미치는 영향이 미미했으며, 추정치는 종종 영(null)에 가까웠다.
• 잔차 격차: 비히스패닉계 백인과의 비교에서 유의미한 잔차 격차가 지속적으로 나타났다. 관찰된 매개 변수들로 설명되지 않는 이 잔차는 체계적 인종차별, 의료진의 편견, 또는 의료 전달 체계의 구조적 불평등과 같은 미측정 요인의 영향을 시사한다. 주목할 점은, 모든 매개 변수를 동일하게 맞춘 후 남는 결과 기인 격차(outcome-attributed disparity)가 백인 대 소외 계층 비교에서는 유의미했으나, 소외 계층 간의 비교에서는 흔히 유의미하지 않았다는 점이다.

의의 및 주장
본 논문은 자사의 프레임워크가 의료 격차를 이해하는 데 있어 견고하고 해석 가능하며 정책적으로 유의미한 접근법을 제공한다고 주장한다. "인종의 효과"에서 "수정 가능한 매개 변수의 효과"로 초점을 전환함으로써, 연구는 개입의 대상을 결정하는 데이터 기반의 근거를 제공한다. 결과는 격차를 줄이기 위해서는 개인의 건강 행동에만 집중하기보다, 사회경제적 불평등과 보험 보장에 대한 장벽과 같은 상류(upstream)의 구조적 결정 요인을 해결해야 함을 시사한다.

저자들은 연구 결과가 관찰된 변수로는 포착되지 않는 구조적 불평등의 지속성을 강조한다고 강조한다. 잔차 격차는 SES, 보험, 건강 행동, 건강 상태를 모두 동일하게 맞추더라도 상당한 격차가 남아 있을 것임을 보여주며, 이는 의료 현장의 체계적 편견과 차별을 다루기 위한 제도적 개혁의 필요성을 가리킨다. 결론적으로, 복잡한 관측 환경에서 유효한 추론을 위해 영향 함수 기반 추정량과 머신러닝 같은 방법론적 도구가 필수적이지만, 의료 형평성을 진전시키기 위해서는 결국 건강의 구조적 결정 요인을 겨냥한 지속적인 정책적 노력이 필요하다.