Menopause in the All of Us Research Program: A Descriptive Summary of Electronic Health Record and Survey Response across Sociodemographic Characteristics

이 논문은 'All of Us' 연구 프로그램의 약 39 만 명 여성 참가자를 대상으로 설문조사, 전자의무기록 (EHR), 유전체 데이터를 분석하여 폐경 관련 데이터의 분포와 EHR 진단 코드와 자기 보고식 설문 간의 일치성을 평가함으로써 폐경 연구의 표본 추출 전략 및 연구 설계에 필요한 기초 정보를 제공했습니다.

핵심

📚 비유: 거대한 도서관과 두 가지 기록장

상상해 보세요. 미국 전역의 여성 40 만 명 이상의 건강 정보가 담긴 **거대한 도서관 (All of Us 프로젝트)**이 있다고 가정해 봅시다. 연구자들은 이 도서관에서 '폐경'이라는 주제를 찾기 위해 두 가지 다른 기록장을 열어봤습니다.

1. 의사 기록장 (EHR): 병원에서 의사가 진료할 때 작성하는 공식적인 진료 기록입니다.
2. 질문지 기록장 (Survey): 참여자들이 직접 작성한 건강 설문지입니다.

연구자들은 이 두 기록장을 비교하며 "폐경 정보를 찾는 데 어떤 기록장이 더 잘 쓰이는가?"를 확인했습니다.

---

🔍 주요 발견 1: "의사 기록장"은 너무 비어있었다!

가장 놀라운 사실은 질문지 기록장에 폐경 정보가 의사 기록장보다 7 배나 더 많았다는 것입니다.

• 상황: 19 만 명의 여성이 "네, 생리가 멈췄어요"라고 설문지에 적었습니다. 하지만 같은 여성들 중 병원에서 공식적으로 '폐경' 진단을 받은 기록은 고작 2 만 8 천 명뿐이었습니다.
• 비유: 마치 친구들이 "오늘 배고파"라고 7 번이나 말했는데, 식당 주인은 그중 1 번만 메모장에 적어둔 것과 같습니다.
• 이유: 여성들이 병원에 갔을 때, 폐경 자체를 주된 이유로 진료를 받지 않았거나, 의사가 진료 기록에 '폐경'이라는 단어를 공식적으로 적지 않았기 때문입니다. (예: 고혈압 치료하러 갔는데 폐경은 그냥 지나간 이야기로만 남음)

🔍 주요 발견 2: "의사 기록장"의 이상한 패턴

의사 기록장에는 흥미로운 패턴이 하나 있었습니다. 65 세에 기록이 갑자기 폭증했습니다.

• 이유: 미국에서는 65 세가 되면 **메디케어 (노인 건강보험)**에 가입하게 됩니다. 연구자들은 이것이 보험 처리를 위해 나이가 들면 폐경 기록을 더 꼼꼼히 적기 때문일 수도 있다고 추측했습니다. 마치 "65 세가 되면 도서관 사서가 갑자기 모든 책을 다시 정리하기 시작하는 것"과 비슷합니다.

🔍 주요 발견 3: 데이터의 교차점 (유전 정보까지!)

이 연구는 단순히 기록만 본 게 아니라, **유전 정보 (DNA)**와도 연결해 봤습니다.

• 약 25 만 명의 여성이 DNA 데이터도 가지고 있었지만, 이 중 의사 기록과 설문지 기록을 모두 가진 사람은 9% 정도뿐이었습니다.
• 의미: 앞으로 유전자가 폐경 시기에 어떤 영향을 미치는지 연구하려면, 이 세 가지 정보 (의사 기록 + 설문지 + 유전자) 가 겹치는 부분을 찾아야 한다는 뜻입니다.

🔍 주요 발견 4: "모르는 척"하는 사람들도 있었다

설문지를 보면, **70 세가 넘었는데도 "아직 폐경 안 했어요"라고 답한 여성들이 약 4% (약 1,700 명)**나 있었습니다.

• 비유: 이는 마치 할머니가 "나는 아직 20 대야"라고 말하는 것과 비슷합니다.
• 원인: 기억이 안 나거나, 질문을 잘못 이해했거나, 단순히 답하기 귀찮아서일 수 있습니다. 연구자들은 이를 '응답 편향'이라고 부릅니다.

---

💡 이 연구가 우리에게 주는 메시지 (결론)

1. 설문지가 더 신뢰할 만하다: 폐경 연구나 건강 분석을 할 때, 병원 기록만 믿으면 많은 정보를 놓치게 됩니다. 직접 물어보는 설문지가 훨씬 더 많은 정보를 줍니다.
2. 기록을 더 잘해야 한다: 의사들이 진료 기록에 폐경 상태를 더 명확하게 적어주면, 앞으로의 연구와 환자 관리가 훨씬 수월해질 것입니다.
3. 다양한 데이터의 중요성: 유전자, 생활 습관, 병원 기록, 설문지 등 여러 정보를 하나로 합쳐야만 폐경이 우리 건강 (심장, 뼈 등) 에 미치는 영향을 제대로 이해할 수 있습니다.

🌟 한 줄 요약

"거대한 건강 도서관에서 폐경 정보를 찾으려니, 의사가 쓴 공책보다 여성들이 직접 쓴 편지 (설문지) 에 정보가 훨씬 더 많았어요. 앞으로는 이 두 가지를 잘 섞어서 더 정확한 건강 연구를 해야 합니다!"

이 연구는 앞으로 폐경과 관련된 건강 연구를 할 때, 어떤 데이터를 어떻게 써야 하는지에 대한 중요한 지도 (가이드) 를 제공해 줍니다.

기술 요약

논문 요약: All of Us 연구 프로그램 내 폐경 데이터 특성 분석

1. 연구 배경 및 문제 제기 (Problem)

• 폐경의 중요성: 폐경은 여성 생리학의 중요한 전환기이며, 심혈관 및 대사 질환, 골다공증 등 다양한 건강 결과에 영향을 미칩니다.
• 데이터의 한계: 임상 연구에서 폐경 상태는 종종 간과되거나 불일치하게 측정됩니다. 특히 전자의무기록 (EHR) 은 구조화된 진단 코드가 부족하여 폐경 상태를 포착하는 데 한계가 있으며, 설문 조사 데이터도 누락되거나 불완전할 수 있습니다.
• 연구 필요성: 대규모 정밀의학 코호트 (All of Us Research Program, AoURP) 를 활용하여 다양한 사회인구학적 특성을 가진 여성 집단에서 EHR 진단 코드와 자가 보고 설문 응답 간의 일치성, 데이터 분포, 그리고 유전체 데이터와의 교차점을 체계적으로 분석할 필요가 있었습니다.

2. 연구 방법론 (Methodology)

• 데이터 소스: All of Us 연구 프로그램의 통제된 계층 (Controlled Tier) v8 및 v7 데이터셋을 사용했습니다.
• 대상: 약 396,000 명의 여성 참가자 (성별이 여성으로 정의된 참가자).
• 데이터 수집 및 정의:
  • EHR 데이터: SNOMED CT 용어를 기반으로 한 폐경 관련 진단 코드 (예: 폐경 존재, 조기 폐경, 난소 부전 등) 를 추출했습니다.
  • 설문 데이터: '전반적인 건강 (Overall Health)' 설문지 중 여성 건강 섹션의 질문 (월경 영구 중단 여부, 중단 원인, 자궁/난소 제거 수술 이력 등) 을 분석했습니다.
  • 유전체 데이터: 전체 엑솜 시퀀싱 (srWGS) 데이터와 교차 분석을 수행했습니다.
• 분석 기법:
  • 사회인구학적 변수 (인종, 민족, 교육, 소득, 연령 등) 에 따른 데이터 분포를 요약 통계 (중앙값, 사분위수) 로 계산했습니다.
  • EHR, 설문, 유전체 데이터 간의 중첩 (Intersection) 및 일치성을 평가했습니다.
  • 연령대별 (40 세 미만, 40-60 세, 60 세 초과) 폐경 상태 분포를 분석했습니다.
  • AoURP 데이터 공유 정책에 따라 표본 크기가 20 이하인 경우를 비공개 처리하거나 반올림하여 보고했습니다.

3. 주요 결과 (Key Results)

• 데이터 포착률의 격차:
  • 자가 보고 설문 응답에서 폐경이 보고된 건수는 약 192,655 건으로, EHR 진단 코드 (약 27,975 건) 보다 약 7 배 더 많았습니다. 이는 EHR 에서 폐경 상태가 체계적으로 누락 (under-ascertainment) 되고 있음을 시사합니다.
  • EHR 에서 폐경 진단 코드가 있는 참가자의 99% 이상은 설문에서도 폐경을 보고했습니다.
• 연령 분포 패턴:
  • 설문 데이터: 40 세 미만은 대부분 폐경 전, 60 세 이상은 대부분 폐경 후로 보고하여 생물학적 기대치와 일치했습니다. 다만, 70 세 이상 중 4% (약 1,700 명) 가 폐경을 경험하지 않았다고 응답하여 응답 편향 (recall bias) 가능성이 제기되었습니다.
  • EHR 데이터: 50-80 세 사이에 분포했으나, 65 세에 뚜렷한 피크가 관찰되었습니다. 이는 메디케어 (Medicare) 가입 시기와 관련이 있을 가능성이 있으나, 보험 유형 데이터의 표본 크기가 작아 명확한 인과 관계는 규명되지 않았습니다.
• 사회인구학적 특성:
  • 백인 및 유럽계 유전적 조상을 가진 그룹은 다른 그룹에 비해 평균 연령이 다소 높았으나, 이는 전체 코호트의 인구 통계적 구성을 반영한 것으로 보이며 폐경 자체의 차이보다는 표본 편향으로 해석되었습니다.
• 다중 데이터 모달리티 교차:
  • 유전체 데이터를 가진 여성 (약 25 만 명) 중 약 9% 만이 EHR 폐경 데이터를 보유하고 있었으며, 설문과 EHR 데이터를 모두 가진 경우는 약 9% 수준이었습니다. 이는 통합 분석 시 표본 크기가 제한될 수 있음을 보여줍니다.
• 증상 기록 부재:
  • 안면 홍조 (vasomotor symptoms) 와 같은 폐경 관련 흔한 증상은 EHR 구조화 데이터에서 거의 기록되지 않았습니다 (N ≤ 20).

4. 주요 기여 (Key Contributions)

• 데이터 특성화: AoURP 와 같은 대규모 다중 모달 데이터셋에서 폐경 데이터가 어떻게 문서화되고 있는지 (EHR vs. 설문) 에 대한 포괄적인 기술적 개요를 제공했습니다.
• 연구 설계 가이드: 향후 폐경 관련 연구에서 표본 추출 전략, 통계적 검정력 (power) 계산, 표현형 (phenotype) 정의에 필요한 실질적인 지침을 제시했습니다.
• 데이터 품질 평가: EHR 의 진단 코드가 폐경 상태를 포착하는 데 한계가 있음을 확인하고, 자가 보고 설문 데이터가 더 풍부한 정보를 제공함을 입증했습니다.
• 다학제적 접근: EHR, 설문, 유전체 데이터를 통합하여 분석할 수 있는 잠재력과 한계를 명확히 했습니다.

5. 의의 및 결론 (Significance)

• 임상 및 연구적 함의: EHR 데이터만으로는 폐경 관련 건강 결과 (심혈관 질환 등) 를 연구하는 데 한계가 있으며, 자가 보고 설문 데이터를 반드시 결합해야 함을 강조합니다.
• 데이터 개선 제안: 향후 연구 및 데이터 수집 과정에서 폐경 발생 연령 (Age at menopause) 이 아닌 관측 시점의 나이를 기록하는 현재의 한계를 지적하고, 폐경 상태와 관련된 더 정확한 데이터 수집 (특히 증상 및 발생 시기) 이 필요함을 주장했습니다.
• 건강 형평성: 다양한 인종, 민족, 사회경제적 배경을 가진 여성들의 폐경 경험을 포괄적으로 이해함으로써, 건강 불평등을 해소하고 정밀의학 연구의 대표성을 높이는 데 기여할 수 있습니다.

이 연구는 All of Us 데이터셋을 활용한 폐경 연구의 기초를 마련하며, 향후 대규모 코호트 연구에서 데이터의 품질, 접근성, 상호 운용성을 개선하기 위한 중요한 통찰을 제공합니다.