Social Determinants of Health and Chronic Disease Risk Prediction in the All of Us Research Program

'All of Us' 연구 프로그램의 대규모 데이터를 활용하여 정신 건강과 심대사 질환 예측에 사회적 결정 요인과 인구통계학적 요인이 미치는 영향을 분석한 결과, 정신 건강은 스트레스나 차별 같은 경험적 요인이, 심대사 질환은 인구통계학적 및 구조적 요인이 더 중요한 예측 변수임을 규명하고 질환별 맞춤형 사회적 개입의 필요성을 제시했습니다.

핵심

1. 연구의 핵심: "건강은 혼자서 오지 않는다" (다발성 질환의 군집)

우리는 보통 "심장병", "우울증"처럼 질병을 하나씩 따로 떼어 생각하기 쉽습니다. 하지만 이 연구는 **"질병들은 마치 친구들처럼 뭉쳐서 찾아온다"**고 말합니다.

• 비유: 질병들이 파티에 온 손님들처럼 생각해보세요.
  • 멘탈 건강 파티: 우울증, 불안, 약물 사용 장애가 함께 모여 있습니다. (이 파티에 참석한 사람은 전체의 51.7%!)
  • 심장/대사 건강 파티: 심장병, 당뇨, 만성 폐질환이 함께 모여 있습니다. (이 파티는 더 커서 78.7% 가 참석했습니다.)
  • 이 연구는 이 두 개의 큰 파티를 구분하여, 어떤 요인들이 각 파티를 부르는지 분석했습니다.

2. 두 가지 다른 초대장: "감정" vs "환경"

연구는 두 가지 파티를 부르는 초대장 (예측 요인) 이 서로 다르다는 것을 발견했습니다.

• 멘탈 건강 파티의 초대장: "감정적 경험"
  • 이 파티에 오게 만드는 가장 큰 이유는 스트레스, 차별, 외로움 같은 '마음의 경험'입니다.
  • 비유: 마치 비가 내리면 우산을 펴야 하듯, 마음의 스트레스가 쌓이면 우울증이나 불안이 찾아옵니다. 이쪽에서는 '사회적 경험'이 나이보다 더 중요한 열쇠입니다.
• 심장/대사 건강 파티의 초대장: "나이와 동네"
  • 이 파티는 나이가 가장 큰 요인이며, 그다음으로 동네의 환경 (위생 상태, 운동할 공간 부족 등) 이 중요합니다.
  • 비유: 오래된 자동차가 고장 나듯 나이가 들면 몸이 약해지고, 더러운 길 (불안정한 동네) 에서 운전하면 차가 더 빨리 망가집니다.

3. 4 단계 탐정 작업 (연구 방법)

이 연구는 단순히 "A 가 B 를 만든다"고 말하지 않고, 4 단계에 걸친 정교한 탐정 작업을 통해 결론을 내렸습니다.

1. 탐지 (AI 가 찾아내기): AI(머신러닝) 를 이용해 수천 가지 데이터 중 어떤 것이 건강에 가장 큰 영향을 미치는지 '지문'을 찾았습니다.
2. 원인 규명 (인과관계 확인): 단순히 "함께 나타난다"는 것이 아니라, "정말 원인이 되는가?"를 확인하기 위해 이중 기계 학습이라는 정교한 도구를 썼습니다. (예: 스트레스가 정말 우울증을 만드는가?)
3. 해석 (의사들이 이해하기 쉽게): 복잡한 AI 결과를 의사가 진료실에서 쉽게 설명할 수 있는 "확률"과 "비율"로 바꾸었습니다.
4. 차이점 분석 (누구에게 더 강한가?): 같은 스트레스라도 흑인, 히스패닉, 성소수자에게는 더 치명적인 영향을 미치는지 확인했습니다.

4. 놀라운 발견: "모두에게 같은 약은 없다"

가장 중요한 발견은 **"한 가지 해결책이 모든 사람에게 통하지 않는다"**는 것입니다.

• 스트레스의 영향: 스트레스는 모든 사람에게 나쁘지만, 흑인과 히스패닉 계층에게는 그 영향이 훨씬 더 강력했습니다. 마치 같은 양의 독이 사람마다 다른 반응을 일으키는 것처럼, 구조적인 차별과 불평등이 스트레스를 더 치명적으로 만들었습니다.
• 종교/영성의 역할: 종교나 영성은 일반적으로 정신 건강에 도움이 되지만, 특히 히스패닉과 성소수자들에게는 그 보호 효과가 더 컸습니다. 이는 그들이 겪는 어려움 속에서 종교 공동체가 '안전판' 역할을 했기 때문일 수 있습니다.

5. 결론: "맞춤형 건강 처방전"이 필요하다

이 연구는 우리에게 중요한 메시지를 줍니다.

• 과거의 방식: "모든 환자에게 똑같은 사회적 질문지 (집, 돈, 교육 등) 를 물어보세요." (일률적 접근)
• 이 연구가 제안하는 방식:
  • 우울증 환자를 볼 때는: "스트레스, 차별, 외로움"에 집중해서 물어보고 도와주세요.
  • 심장병 환자를 볼 때는: "나이, 동네 환경, 운동 공간"에 집중하세요.
  • 소수계열 환자를 볼 때는: 그들이 겪는 스트레스가 일반인보다 더 치명적일 수 있음을 인지하고, 더 세심한 지원이 필요합니다.

한 줄 요약:
건강은 단순히 유전자나 병원에서 결정되지 않습니다. 우리가 겪는 **스트레스와 차별 같은 '마음의 날씨'**가 정신 건강을, **나이와 동네 같은 '삶의 터전'**이 몸의 건강을 좌우합니다. 그리고 이 영향력은 사람마다 다릅니다. 따라서 환자 개개인의 상황과 배경에 맞춘 '맞춤형' 사회적 지원이 건강 격차를 줄이는 가장 좋은 열쇠입니다.

기술 요약

논문 요약: All of Us 연구 프로그램에서의 사회적 결정요인 (SDoH) 과 만성 질환 위험 예측

1. 연구 배경 및 문제 제기 (Problem)

• 사회적 결정요인 (SDoH) 의 중요성: 건강을 형성하는 사회적, 경제적, 환경적 조건 (SDoH) 은 임상적 요인과 동등하게 만성 질환 위험에 기여합니다.
• 현재의 한계: 대부분의 예측 연구는 SDoH 요인과 임상적 요인을 독립적으로 모델링하거나, 단일한 SDoH 평가 도구를 모든 질환에 적용합니다. 이는 질환 간 공유되는 사회적 경로를 흐리게 하고, 질환별 특이적인 사회적 요인의 차이를 간과하게 만듭니다.
• 연구 목적: All of Us 연구 프로그램의 대규모 데이터를 활용하여, 인구통계학적 요인과 12 가지 SDoH 영역이 만성 질환 (정신 건강 및 심대사 질환) 예측에 어떻게 기여하는지, 그리고 이러한 기여도가 질환 유형과 인구통계학적 하위 그룹에 따라 어떻게 다른지 규명하는 것입니다.

2. 연구 방법론 (Methodology)

이 연구는 4 단계 분석 프레임워크를 사용하여 예측, 인과 추론, 임상적 해석, 그리고 이질성 분석을 통합했습니다.

• 데이터: All of Us 연구 프로그램의 통제 등급 (Controlled Tier) 데이터에서 SDoH 설문, 인구통계학적 정보, 전자의무기록 (EHR) 연동 데이터가 포함된 259,186 명의 참가자를 분석 대상으로 선정했습니다.
• 질환 클러스터링: 8 가지 만성 질환 (우울증, 불안, 약물 남용, 심장병, 당뇨병, 만성 폐질환, HIV, 조현병) 의 공존 패턴을 분석하기 위해 **계층적 군집화 (Hierarchical Clustering)**를 적용했습니다.
  • 결과: 두 가지 임상적으로 의미 있는 군집 도출: 정신 건강 군집 (우울증, 불안, 약물 남용; 유병률 51.7%) 과 심대사 (Cardiometabolic) 군집 (심장병, 당뇨병, 폐질환; 유병률 78.7%).
• 4 단계 분석 프로세스:
  1. 발견 (Discovery): XGBoost (Gradient Boosting) 모델을 사용하여 SDoH 요인의 예측력을 평가하고, SHAP (SHapley Additive exPlanations) 값을 통해 각 SDoH 영역의 중요도를 정량화했습니다. (SDoH 만, 인구통계학적 요인 만, 결합 모델 비교)
  2. 인과 추론 (Causal Inference): **이중 기계 학습 (Double Machine Learning, DML)**을 적용하여 혼란 변수 (confounders) 를 보정한 후 SDoH 요인의 **평균 처리 효과 (ATE)**를 추정했습니다.
  3. 임상적 해석 (Interpretation): 상위 5 개 SDoH 후보 영역과 인구통계학적 변수를 포함한 로지스틱 회귀 분석을 수행하여 임상적으로 해석 가능한 **수정된 오즈비 (AOR)**를 도출했습니다.
  4. 상호작용 분석 (Interaction Analysis): SDoH 요인과 인구통계학적 변수 (인종/민족, 성/성소수자) 간의 상호작용 항을 포함한 모델을 통해 하위 그룹별 **차별적 영향 (Heterogeneity)**을 검정했습니다.

3. 주요 결과 (Key Results)

• 예측 성능 (Stage 1):

  • 결합 모델 (SDoH + 인구통계) 이 단일 모델보다 높은 예측 성능 (AUC) 을 보였습니다.
  • 정신 건강: SDoH 만을 사용한 모델 (AUC 0.678) 이 인구통계만 사용한 모델 (AUC 0.655) 보다 성능이 우수했습니다. 주요 예측 요인: 스트레스, 차별, 종교/영성.
  • 심대사 질환: 인구통계학적 요인 (특히 연령) 이 SDoH 보다 약간 더 강력한 예측력을 보였습니다 (AUC 0.636 vs 0.633). 주요 예측 요인: 연령, 지역 사회 무질서, 차별.

• 인과적 효과 (Stage 2):

  • 스트레스가 두 군집 모두에서 가장 큰 인과적 효과를 보였습니다.
    • 정신 건강: ATE = 0.093 (스트레스 1 표준편차 증가 시 정신 건강 질환 확률 9.3%p 증가).
    • 심대사 질환: ATE = 0.036.
  • **고독감 (Loneliness)**과 **차별 (Discrimination)**도 정신 건강에 유의미한 인과적 영향을 미쳤습니다.
  • **종교/영성 (Religion/Spirituality)**은 정신 건강에 대해 보호적 효과 (ATE = -0.022) 를 보였으나, 심대사 질환에서는 미미한 양의 연관성을 보였습니다.

• 임상적 해석 (Stage 3):

  • 로지스틱 회귀 모델은 XGBoost 의 예측력을 대부분 유지하면서도 해석 가능한 오즈비를 제공했습니다.
  • 정신 건강에서 **스트레스 (AOR 1.37)**와 **고독감 (AOR 1.19)**이 가장 강력한 위험 요인이었습니다.
  • 심대사 질환에서는 **연령 (AOR 1.40)**이 압도적인 위험 요인이었으며, SDoH 중에서는 **스트레스 (AOR 1.14)**와 **지역 사회 무질서 (AOR 1.09)**가 주요했습니다.

• 이질성 및 상호작용 (Stage 4):

  • 총 24 개의 유의미한 SDoH × 인구통계학적 상호작용이 확인되었습니다.
  • 스트레스의 증폭 효과: 흑인 및 히스패닉 계층에서 심대사 질환에 대한 스트레스의 영향력이 백인 참조 그룹보다 1.19~1.20 배 더 강했습니다.
  • 종교/영성의 보호 효과: 히스패닉, 아시아계, 성소수자 집단에서 정신 건강에 대한 종교/영성의 보호 효과가 더 강력하게 나타났습니다.
  • 차별의 영향: 히스패닉 계층에서 차별이 정신 건강에 미치는 부정적 영향이 더 컸습니다.

4. 주요 기여 (Key Contributions)

1. 질환별 특이적 SDoH 프레임워크: 모든 질환에 적용되는 '일률적 (one-size-fits-all)' SDoH 스크리닝 대신, 질환 유형 (정신 건강 vs 심대사) 에 따라 가장 중요한 사회적 요인이 다르다는 것을 실증적으로 입증했습니다.
2. 통합 분석 방법론: 기계 학습 (예측), 이중 기계 학습 (인과 추론), 전통적 통계 (임상 해석) 를 결합한 4 단계 프레임워크를 제시하여, 복잡한 SDoH - 건강 관계를 다각도로 규명하는 방법론적 모델을 제시했습니다.
3. 차별적 취약성 규명: 특정 인구통계학적 하위 그룹 (흑인, 히스패닉, 성소수자 등) 에서 SDoH 요인 (특히 스트레스와 차별) 이 건강에 미치는 영향이 더 크다는 것을 확인하여, 건강 불평등 해소 전략의 타겟팅을 위한 근거를 제공했습니다.

5. 의의 및 시사점 (Significance)

• 임상적 적용: 의료 시스템은 질환별 특성에 맞는 SDoH 스크리닝 도구 (예: 정신 건강 환자에게는 스트레스/고독감, 심대사 환자에게는 연령/주거 환경) 를 도입해야 함을 시사합니다.
• 정책적 개입: 정신 건강 개입은 심리사회적 지원 (스트레스 관리, 차별 대응) 에 초점을 맞추고, 심대사 질환 개입은 구조적 환경 개선 (지역 사회 무질서 해소, 신체 활동 접근성 향상) 에 초점을 맞춰야 합니다.
• 건강 형평성: 소수 집단에서 SDoH 요인의 영향이 증폭되므로, 보편적인 접근법보다는 타겟팅된 사회적 개입이 건강 격차를 줄이는 데 필수적입니다.

이 연구는 사회적 요인이 만성 질환에 미치는 영향을 정량화하고, 이를 임상적 실천과 정책으로 연결할 수 있는 과학적 근거를 제공한다는 점에서 의의가 큽니다.