🤖 machine learning

Social Determinants of Health and Fentanyl Overdose Mortality Across US Counties: An XGBoost and SHAP Analysis Identifying Silent Risk Counties and Treatment Deserts

본 연구는 2022 년 CDC 데이터를 활용하여 XGBoost 와 SHAP 분석을 적용함으로써, 지역별 건강의 사회적 결정요인, 특히 장애율과 치료 접근성 격차가 펜타닐 과다복용 사망률을 효과적으로 예측한다는 점을 입증하여 표적 조기 개입이 필요한 중요한 '침묵의 위험' 지역과 치료 사막을 규명하였다.

원저자: Kabi Raj Tiruwa (Clark University), Abhisan Ghimire (Clark University), Anuj Kumar Shah (Yeshiva University)

게시일 2026-05-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kabi Raj Tiruwa (Clark University), Abhisan Ghimire (Clark University), Anuj Kumar Shah (Yeshiva University)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

미국을 3,000 개 이상의 군 (county) 으로 이루어진 거대한 기모조 이불로 상상해 보세요. 일부 패치는 밝고 건강하지만, 다른 패치는 해져가고 어려움을 겪고 있습니다. 수년 동안 전문가들은 왜 일부 패치는 펜타닐 과다복용으로 인해 찢어지고 있는 반면, 다른 패치는 견고하게 버티고 있는지 그 이유를 파악하려 노력해 왔습니다.

이 연구는 이러한 군들을 위한 첨단 "기상 예보" 역할을 합니다. 날씨를 보는 대신, 연구자들은 스마트 컴퓨터 프로그램 (XGBoost 라고 함) 을 사용하여 해당 군이 심어 진 "토양"을 바탕으로 과다복용 사망의 폭풍을 가장 많이 맞을 가능성이 높은 군을 예측했습니다.

다음은 그들이 발견한 내용을 간단한 비유로 정리한 것입니다:

1. "위치"보다 "토양"이 더 중요합니다

과거에는 과다복용 위기가 한 마을에서 다음 마을로 퍼지는 불처럼 여겨졌습니다. 만약 불이 난 마을 근처에 살았다면 위험에 처한 것이었습니다.

하지만 이 연구는 이제 불이 모든 곳에 퍼져 있음을 발견했습니다. 더 이상 지도상의 "어디"에 있는지가 중요한 것이 아니라, 당신이 서 있는 "땅의 건강 상태"가 중요합니다. 컴퓨터는 가장 큰 경고 신호가 지리적이지 않고 구조적임을 학습했습니다:

장애: 이것이 단일 최대 예측 요인이었습니다. 마모된 브레이크가 달린 차를 생각해 보세요. 한 지역에 장애 비율이 높다면, 그 지역은 위기가 붕괴되기 전에 이를 막기가 더 어렵습니다.
고혈압 및 흡연: 이는 차 프레임의 녹과 같습니다. 이는 지역사회가 이미 신체적 스트레스를 받고 있음을 보여줍니다.
차량 접근 불가: 이는 고립된 섬에 갇힌 것과 같습니다. 이동 수단이 없어 의사나 치료 센터에 갈 수 없다면 위험은 증가합니다.

2. "치료 사막" (비어 있는 주유소)

연구자들은 127 개의 군을 "치료 사막"으로 식별했습니다. 달리기 위해 가스 (치료) 가 필요한 차를 운전하고 있는데, 모든 주유소가 문을 닫은 지역에 있다고 상상해 보세요.

이러한 군들에는 정신과 의사가 단 한 명도 없습니다. 연구는 이러한 "빈 주유소" 군에 거주하는 것이 주유소가 문을 연 군에 비해 과다복용 사망 위험을 52% 더 높인다고 발견했습니다. 단순히 사람들이 더 아픈 것이 아니라, 그들을 돕기 위한 인프라가 완전히 부재하기 때문입니다.

3. "침묵의 위험" 군 (시한폭탄)

아마도 가장 중요한 발견일 것입니다. 연구자들은 아직 경보가 울리지 않았지만 위험한 위치에 있는 143 개의 군을 발견했습니다.

이러한 군들을 내부에서 물 손상이 아직 보이지 않지만 기초가 갈라지고 지붕이 새는 집으로 생각해 보세요.

그들은 높은 빈곤율, 높은 장애율, 그리고 의사가 없습니다.
하지만 현재로서는 과다복용 사망 수가 아직 "높지" 않습니다.
이 연구는 이러한 군들을 "침묵의 위험" 군이라고 부릅니다. 그들은 표적이 된 오리들입니다. 아무것도 변하지 않는다면, 곧 위기로 폭발할 가능성이 높습니다. 이 연구는 이러한 군들을 구체적으로 나열하여 관료들이 집이 무너지기 전에 지붕을 수리할 수 있도록 했습니다.

4. "숨겨진" 군 (흐릿한 사진)

데이터에는 큰 함정이 있습니다. 정부는 사람들의 사생활을 보호하기 위해 작은 마을의 사진을 흐리게 처리합니다. 한 해에 과다복용 사망자가 10 명 미만인 군의 경우, 데이터는 숨겨집니다.

이 연구는 **전체 미국 군의 58%**가 데이터가 숨겨져 있음을 발견했습니다.

이러한 숨겨진 군들은 대부분 작고, 시골이며, 가난합니다.
그들은 또한 가장 많은 "닫힌 주유소"(치료 사막) 를 가진 곳들입니다.
비유: 이는 산불을 지도화하려고 하는데, 정부가 너무 작다는 이유로 건조하고 수풀이 가득한 지역의 지도를 보여주기를 거부하는 것과 같습니다. 이 연구는 가장 취약한 시골 지역이 데이터에서 보이지 않기 때문에 실제 산불은 공식 지도가 보여주는 것보다 훨씬 더 크고 광범위할 것이라고 시사합니다.

5. "군집" 효과

이 연구는 이러한 군들이 어떻게 그룹화되어 있는지도 살펴보았습니다. 그들은 과다복용 사망이 무작위가 아니라 포도송이처럼 무리지어 뭉쳐 있음을 발견했습니다.

핫스팟: 고위험 군들의 큰 군집이 애팔래치아 산맥 (웨스트버지니아와 동부 켄터키 등) 을 감싸고 있습니다.
콜드스팟: 저위험 군들의 큰 군집은 평평하고 넓은 평야 (네브래스카와 아이오와 등) 에 있습니다.

결론

컴퓨터 모델은 군들을 "고위험"과 "저위험" 더미로 분류하는 데 매우 잘 작동하여 약 10 개 중 7 개를 정확히 맞혔습니다.

핵심 교훈은 간단합니다: 사망 수만 보는 것이 아니라 지역사회의 건강과 자원을 살펴보면 펜타닐 위기를 예측할 수 있습니다.

한 지역에 장애율이 높고, 흡연율이 높으며, 의사가 없다면 그 지역은 위기에 처해 있습니다.
한 지역에 이러한 문제들이 있지만 아직 많은 사망이 발생하지 않았다면, 즉시 도움이 필요한 "침묵의 위험"입니다.
우리는 데이터가 숨겨진 작고 시골의 마을들을 무시하는 것을 멈춰야 합니다. 왜냐하면 위기의 다음 물결이 그곳에 숨어 있을 가능성이 높기 때문입니다.

이 연구는 사망을 막기 위해 사막에 "주유소"(중독 치료) 를 열고, 물이 새기 시작하기 전에 "침묵의 위험" 군들의 "갈라진 기초"(장애와 빈곤) 를 수리해야 한다고 제안합니다.

기술 요약: 미국 군 단위 건강의 사회적 결정요인과 펜타닐 과다복용 사망률

문제 제기
미국에서 펜타닐 과다복용 사망이 계속 증가하고 있으나, 이러한 사망률을 주도하는 구체적인 군 단위 사회 및 구조적 조건은 아직 완전히 이해되지 않았습니다. 건강의 사회적 결정요인 (SDOH) 이 오피오이드 결과에 영향을 미치는 것으로 알려져 있지만, 이전 연구들은 종종 단순한 회귀 모델, 다년 집계 데이터, 또는 지리적 패턴에 의존해 왔으며, 세분화되고 설명 가능한 기계 학습 접근법을 사용한 경우는 드뭅니다. 또한, 높은 구조적 부담을 지니고 있지만 현재 중위수 이하의 사망률을 보이는 '침묵의 위험 (silent risk)' 군에 대한 이해와, 과다복용 건수가 보고할 만큼 낮아 체계적으로 누락된 데이터가 농촌 지역에 미치는 영향에 대한 격차가 존재합니다. 본 연구는 2022 년 데이터를 활용하여 펜타닐 과다복용 사망률의 구체적인 SDOH 예측 변수를 식별하고, 치료 사막 (treatment deserts) 의 영향을 정량화하며, 표적 개입을 위한 지리적 군집을 매핑하는 필요성에 대응합니다.

연구 방법
본 연구는 2022 년 과다복용 사망 데이터가 누락되지 않은 975 개 미국 군을 분석하는 횡단면 설계를 사용했습니다. 데이터는 네 가지 연방 출처에서 통합되었습니다:

CDC WONDER: 오피오이드 과다복용 사망에 대한 표준화 사망비 (SMR) 를 제공 (UCD 코드 X40–X44, Y10–Y14, T40.4).
CDC 사회적 취약성 지수 (SVI): 네 가지 SDOH 영역에 걸친 16 가지 지표를 포함.
CDC PLACES: 건강 행동 및 만성 질환에 대한 모델링 추정치를 제공.
HRSA 지역 건강 자원 파일 (AHRF): 의료 인력 및 인프라에 대한 데이터를 제공.

특성 공학 및 모델링:

결과 변수: 목표 변수는 2022 년 SMR 로, 관측된 사망 수를 기대 사망 수 (10 만 명당 23.91 명의 전국 기준율 기반) 로 나눈 값입니다.
예측 변수: 25 개의 군 단위 특성은 네 가지 영역으로 그룹화되었습니다: 사회경제적 박탈, 사회적 취약성, 건강 행동/만성 질환, 치료 인프라.
알고리즘: 비선형 관계와 상관된 예측 변수를 처리할 수 있는 XGBoost (Extreme Gradient Boosting) 모델을 선택했습니다. 이를 5 교차 검증을 사용하여 선형 회귀, LASSO, 랜덤 포레스트와 비교했습니다.
해석 가능성: 특성 중요도와 방향성을 결정하기 위해 SHAP (SHapley Additive exPlanations) 값을 사용했습니다.
군집 및 공간 분석: 구조적 부담에 따라 군을 계층화하기 위해 K-평균 군집화 (K=2) 를 사용했습니다. '침묵의 위험' 군 (높은 부담, 낮은 사망률) 을 식별하기 위해 4 사분면 프레임워크를 개발했습니다. 핫스팟과 콜드스팟을 식별하기 위해 모란의 I (Moran's I) 와 지역 공간 연관성 지표 (LISA) 를 사용하여 공간 자기상관을 평가했습니다.

주요 결과

모델 성능: XGBoost 는 모든 비교 모델보다 우수한 성과를 보였으며, 예측된 SMR 과 관측된 SMR 간의 $R^2$ 는 0.457, RMSE 는 0.574, 스피어만 순위 상관 계수 ( $\rho$ ) 는 0.670 이었습니다. 이 모델은 고위험 군 (SMR > 1.0) 의 71.1% 를 정확히 식별했습니다.
특성 중요도: SHAP 분석은 장애율을 가장 강력한 예측 변수로 식별했으며, 이어 고혈압 유병률, 흡연율, 차량 접근 부재가 뒤따랐습니다. 상위 예측 변수들은 모두 사망률과 양의 상관관계를 보였으며, 장애와 흡연의 경우 비선형 임계값 효과가 관찰되었습니다.
치료 사막: AHRF 기준 정신과 의사가 0 명인 '치료 사막'으로 정의된 군은 비사막 군 (SMR 1.170; $p < 0.0001$ ) 에 비해 과다복용 사망률이 52.6% 더 높았습니다 (SMR 1.786).
침묵의 위험 군: 본 연구는 높은 구조적 불리 (높은 빈곤, 장애, SVI) 를 지니고 있지만 현재 과다복용 사망률이 중위수 이하인 143 개의 '침묵의 위험' 군을 식별했습니다. 이러한 군은 저위험 군에 비해 측정된 20 개 SDOH 지표 전반에서 훨씬 더 높은 취약성을 보여주었습니다.
공간 군집: 강한 양의 공간 자기상관이 발견되었습니다 (모란의 I = 0.5053). 75 개의 핫스팟 군 (고 - 고 군집) 은 애팔래치아 회랑에 집중되어 있었으며, 136 개의 콜드스팟 군 (저 - 저 군집) 은 대평원과 상부 중서부에 위치했습니다.
데이터 누락: 미국 군의 58.2%(1,368 개 군) 가 사망 건수가 적어 (<10 건) 사망 데이터가 누락되었습니다. 이러한 누락된 군은 주로 농촌 지역 (71.5%) 이었으며, 빈곤율이 높고 관측된 군에 비해 치료 사막일 가능성이 훨씬 더 컸습니다 (64.9%).

의의 및 주장
본 논문은 군 단위 SDOH 요인, 특히 장애 수준, 행동 건강 부담, 치료 접근성이 펜타닐 과다복용 사망률의 강력한 예측 변수라고 주장합니다. 본 연구는 다음과 같이 가정합니다:

구조적 취약성이 지배적입니다: 사망률은 역사적 유행의 중심지와의 지리적 근접성만으로 주도되는 것이 아니라, 빈곤, 장애, 만성 질환과 같은 뿌리 깊은 구조적 취약성을 지닌 군에 점점 더 집중되고 있습니다.
치료 사막이 중요합니다: 정신과 전문의의 부재는 사망 위험을 크게 증가시키는 '구조적 충격'으로 작용하므로, 약물 치료 (MOUD) 확장은 이러한 특정 군을 우선적으로 고려해야 합니다.
조기 경보 시스템: '침묵의 위험' 프레임워크는 사망률 급증 전에 위기 위험에 처한 군을 식별할 수 있는 방법을 제공하여, 나록손 배포, 의료진 모집과 같은 선제적 공중보건 행동을 가능하게 합니다.
데이터 편향: 본 연구는 CDC WONDER 데이터에 의존하는 국가 모델이 사생활 보호를 위한 누락으로 인해 가장 취약하고 인구가 적은 군이 종종 제외됨에 따라 미국 농촌 지역의 위험을 체계적으로 과소평가할 수 있음을 강조합니다.

한계점
저자들은 몇 가지 한계를 인정합니다: 횡단면적 성격으로 인해 인과 관계 추론이 불가능하며, 생태학적 오류로 인해 개인 수준의 추론이 제한됩니다. 데이터 누락으로 인해 58.2% 의 군이 제외되어 농촌 지역의 위험이 과소평가될 수 있으며, '치료 사막'의 정의가 정신과 의사 밀도에만 의존하여 원격 의료나 1 차 진료 처방과 같은 다른 치료 방식을 간과할 수 있습니다. 또한, 모델의 중간 정도인 $R^2$ 는 구조적 요인만으로 단일 년도 사망률 변동을 예측하는 것의 어려움을 반영합니다.