Trade-offs in Cardiovascular Risk Prediction Using Race and Social Determinants of Health

이 연구는 인종 변수를 제거하거나 사회결정요인으로 대체하는 심혈관 위험 예측 모델이 통계적 평등 지표를 개선할 수 있지만, 흑인 환자들에게 체계적인 과잉 또는 과소 치료라는 임상적 해악을 초래할 수 있음을 보여주며, 모델 선택의 형평성 영향을 평가할 때 평균적 성과 지표만으로는 부족하고 구체적인 임상 결과를 고려해야 함을 강조합니다.

핵심

🏥 핵심 비유: "심장병 예보관 (예측 모델) 의 선택"

마치 날씨 예보관이 "내일 비가 올까요?"라고 예측하는 상황을 상상해 보세요. 하지만 여기서 '비'는 심장병이고, '우산'은 심장병 예방약 (스타틴 등) 입니다.

우리는 내일 비가 올 확률이 7.5% 이상이면 우산을 챙겨야 한다는 규칙이 있습니다. 문제는 이 확률을 계산할 때 어떤 정보를 사용할지입니다.

이 연구는 세 가지 다른 예보 방식을 비교했습니다:

1. 방식 A (기존 방식): 건강 데이터 + 인종 정보 (흑인/백인)
2. 방식 B (사회적 대안): 건강 데이터 + 사회적 환경 (소득, 주거, 차별 경험 등)
3. 방식 C (순수 중립): 건강 데이터 만 (인종과 사회적 환경 모두 제외)

---

🔍 연구 결과: "숫자는 비슷하지만, 결과는 완전히 달랐습니다"

세 가지 방식 모두 전체적인 예측 정확도는 거의 비슷했습니다. (비유하자면, "내일 비가 올 확률"을 맞추는 실력은 세 예보관 모두 비슷했습니다.)

하지만 **누가 우산을 챙겨야 하는지 (치료 대상자)**를 결정할 때, 세 방식은 완전히 다른 결과를 낳았습니다. 특히 흑인 환자들에게는 큰 차이가 있었습니다.

1. 사회적 환경 정보를 넣은 경우 (방식 B)

• 무슨 일이 일어났나요?
  • 인종 대신 "돈이 부족하다", "집이 불안정하다", "차별을 겪었다"는 정보를 넣었습니다.
  • 결과: 흑인 환자들이 우산 (치료) 을 더 많이 받았습니다. 하지만 문제는 **실제로는 비가 오지 않을 사람 (심장병이 안 생길 사람) 까지 우산을 챙겨주는 '과잉 치료'**가 흑인들에게 집중되었다는 점입니다.
• 비유: "비가 올 확률이 조금만 있어도 우산을 챙겨주는" 방식이라서, 비가 안 올 사람까지 우산을 챙겨주게 되어 낭비가 생겼습니다.

2. 인종과 사회적 환경 모두 뺀 경우 (방식 C)

• 무슨 일이 일어났나요?
  • 오직 혈압, 콜레스테롤 같은 '순수 건강 수치'만 봤습니다.
  • 결과: 흑인 환자 중 실제로 심장병이 생길 위험이 높은 사람 4 명이 우산을 챙기지 못했습니다. 즉, **치료받아야 할 사람이 치료를 받지 못하는 '치료 누락'**이 발생했습니다.
• 비유: "비 예보가 아주 확실해야만 우산을 챙겨주는" 방식이라서, 위험한데도 우산을 못 챙긴 사람이 생겼습니다.

---

⚖️ 중요한 교훈: "공평함의 함정"

이 연구가 가장 강조하는 점은 다음과 같습니다.

1. 공평함의 지표는 속일 수 있습니다:

   • 인종 정보를 빼거나 사회적 정보를 넣으면, 통계적으로 "흑인과 백인 사이의 치료 격차"가 줄어든 것처럼 보입니다. 마치 두 팀의 점수 차이가 좁혀진 것처럼 보이죠.
   • 하지만 이는 진짜 공평함이 아니라, 단순히 계산 방식을 바꿨기 때문에 숫자가 비슷해진 것일 뿐입니다.

2. 누가 피해를 보는지 봐야 합니다:

   • 전체 평균만 보면 세 방식이 다 비슷해 보입니다. 하지만 구체적으로 누가 치료받지 못하고, 누가 불필요한 치료를 받는지를 자세히 들여다봐야 합니다.
   • 연구 결과, 인종 정보를 빼는 것이 "공평해 보인다"는 명분으로 진행되지만, 실제로는 **흑인 환자들에게는 더 큰 위험 (치료 누락)**을 초래할 수 있다는 사실을 발견했습니다.

3. 사회적 환경은 인종을 완벽히 대체할 수 없습니다:

   • "인종 대신 사회적 환경 (SDoH) 을 쓰자"는 제안이 많지만, 이 연구에서는 사회적 환경 데이터가 아무리 풍부해도 인종이 가진 역사적, 구조적 불평등의 모든 것을 다 담아내지는 못함을 보여줍니다.

---

💡 결론: "단순한 해답은 없습니다"

이 논문은 의사나 병원 시스템에게 다음과 같은 메시지를 전합니다:

"우리가 '인종'이라는 단어를 지우는 것만으로 모든 문제가 해결되는 것은 아닙니다. 오히려 새로운 방식이 특정 집단에게 더 큰 피해를 줄 수도 있습니다.

따라서 새로운 예측 모델을 도입할 때는 단순히 '정확도'나 '공평함 지표'만 보고 결정하지 말고, **실제 환자들이 어떤 피해를 입는지 (누가 치료받고, 누가 치료받지 못하는지)**를 꼼꼼히 살펴봐야 합니다."

한 줄 요약:

"인종 정보를 빼는 것이 무조건 좋은 게 아닙니다. 새로운 방식이 '공평해 보이는' 숫자 뒤에 숨겨진 실제 피해 (특히 흑인 환자의 치료 누락) 를 만들어낼 수 있으니, 신중하게 모든 각도를 살펴봐야 합니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 미국 심장학회 (AHA) 를 비롯한 의료 기관들은 인종 기반 예측 모델이 의료 불평등을 심화시킬 수 있다는 우려로 인해, 심혈관 질환 (CVD) 위험 예측 도구에서 '인종' 변수를 제거하는 추세입니다. 대신 인종 대신 사회 결정 요인 (SDoH, Social Determinants of Health) 을 포함하거나, 인종과 SDoH 모두를 배제하는 '인종 중립 (race-neutral)' 접근법이 제안되고 있습니다.
• 문제: 현재까지의 논의는 주로 개념적 근거나 전체적인 모델 성능 (AUC) 및 보정 (calibration) 평등에 초점을 맞추고 있습니다. 그러나 임상적 의사결정 지점 (예: 치료 시작 임계값) 에서 이러한 모델 설계 선택이 실제 치료 배분에 어떻게 영향을 미치고, 특정 인종 집단 (특히 흑인) 에게 어떤 불이익이나 혜택을 초래하는지에 대한 실증적 평가는 부족합니다.
• 목표: 인종 포함, SDoH 대체, 인종 완전 제거라는 세 가지 모델 설계가 위험 분류, 보정, 공정성 지표, 그리고 임상적 유용성 (실제 치료 결정) 에 미치는 영향을 종합적으로 평가하는 것.

2. 연구 방법론 (Methodology)

• 연구 설계: CARDIA (Coronary Artery Risk Development in Young Adults) 연구의 종단 코호트 데이터를 활용한 후향적 코호트 연구.
• 데이터: 2010 년 (Year 25) 기저선 데이터와 2021 년 (Year 35) 까지의 10 년간 심혈관 질환 발생 데이터를 사용. 최종 분석 대상은 흑인과 백인 성인 3,241 명 (흑인 46%, 백인 54%).
• 예측 모델 (3 가지 비교):
  1. Model 1 (Race): 임상 변수 + 인종 변수 포함.
  2. Model 2 (SDoH): 임상 변수 + 인종 변수를 상세한 SDoH 변수 (소득, 주거, 차별 경험 등) 로 대체.
  3. Model 3 (Clinical Only): 임상 변수만 포함 (인종 및 SDoH 모두 제외).
• 모델링 기법: LASSO 정규화 로지스틱 회귀를 사용. 클래스 불균형 해결을 위해 업샘플링 적용. 10 회 교차 검증 (cross-validation) 수행.
• 평가 지표:
  • 성능: AUC, 민감도, 특이도, 로그 손실 (Log Loss).
  • 공정성: 7 가지 그룹 기반 공정성 지표 (인구통계학적 평등, 기회 균등, 균등한 오즈 등).
  • 임상적 유용성 (Utility): ACC/AHA 가이드라인의 7.5% 위험 임계값을 기준으로 과잉 치료 (overtreatment) 와 치료 부족 (undertreatment) 을 정량화. 실제 발생된 결과를 기반으로 한 '실현된 유용성 (realized utility)' 분석 수행.

3. 주요 결과 (Key Results)

• 전체 예측 성능: 세 모델 간 전체적인 예측 성능 (AUC 0.762~0.768) 에는 통계적으로 유의미한 차이가 없었습니다.
• 임상적 의사결정의 재분배: 전체 성능은 유사했으나, 임계값 근처에서의 위험 예측치 변화로 인해 치료 대상자 선정이 크게 달라졌습니다.
  • Model 2 (SDoH 대체): 흑인 참가자의 경우 민감도는 크게 변하지 않았으나 위양성 (False Positive) 이 증가하여, CVD 가 발생하지 않을 흑인 환자들이 예방 치료를 받는 과잉 치료 (overtreatment) 가 집중적으로 발생했습니다.
  • Model 3 (인종 완전 제거): 흑인 참가자의 민감도가 감소하여 실제 CVD 환자를 놓치는 치료 부족 (undertreatment) 이 발생했습니다. 구체적으로 흑인 집단에서 4 건의 치료되지 않은 CVD 사례가 발생했으나, 이를 상쇄할 만큼의 치료 부족 감소는 없었습니다.
• 공정성 지표의 함정: 인종을 제거하거나 SDoH 로 대체할 때 공정성 지표 (평등성) 는 개선된 것으로 나타났으나, 이는 모델이 인종별 계층화를 할 수 없게 되어 ** mechanically(기계적으로) 격차가 축소된 결과**일 뿐, 실제 임상적 혜택의 공정한 분배를 의미하지는 않았습니다.
• 보정 (Calibration): SDoH 를 대체한 모델은 전반적으로 위험을 과소평가 (underprediction) 하는 경향이 있었으며, 인종만 제거한 모델은 흑인 집단에서 위험을 과대평가하는 경향이 있었습니다.

4. 주요 기여 및 시사점 (Key Contributions & Significance)

• 단일 지표의 한계 강조: 전체적인 예측 성능 (AUC) 이나 단일 공정성 지표만으로는 모델 설계 선택의 윤리적, 임상적 결과를 파악할 수 없음을 입증했습니다.
• 트레이드오프의 가시화:
  • 인종 포함 모델은 흑인 고위험군을 더 잘 식별하지만 위양성이 높음.
  • SDoH 대체 모델은 평등성 지표를 개선하지만 특정 집단 (흑인) 에 과잉 치료를 초래함.
  • 인종 완전 제거 모델은 평등성 지표를 가장 개선하지만, 흑인 집단에서 치료 부족 (실제 질병 발생) 을 초래할 수 있음.
• 실증적 근거의 필요성: 인종 제거에 대한 주장이 주로 개념적 근거에 의존해 왔다면, 본 연구는 임상적 결과 (실제 치료 배분과 질병 발생) 를 포함한 종합적 실증 평가가 선행되어야 함을 강조합니다.
• 정책적 함의: 의료 시스템이 인종 중립 도구를 도입할 때, 단순히 "인종 변수를 뺐다"는 사실만으로는 충분하지 않으며, 특정 취약 계층에게 집중될 수 있는 해악 (undertreatment 등) 을 정량적으로 평가하고 수용 가능한 트레이드오프를 결정해야 함을 시사합니다.

5. 결론

인종 변수를 SDoH 로 대체하거나 완전히 제거하는 것은 전체적인 예측 정확도를 크게 변화시키지 않지만, 임상적 임계값 근처에서 치료 자격을 재분배하여 특정 인종 집단 (특히 흑인) 에 집중된 해악 (과잉 치료 또는 치료 부족) 을 초래합니다. 따라서 의료 시스템은 성능, 보정, 공정성, 그리고 실현된 임상적 결과를 통합적으로 평가하여 책임 있는 의사결정을 내려야 합니다.