Assessing medication-related burden and medication adherence among older patients from Central Nepal: A machine learning approach

이 연구는 중앙 네팔의 고령 환자를 대상으로 머신러닝 기법을 활용해 약물 관련 부담과 순응도를 분석한 결과, 약물 관리 지원 필요성과 다약제 복용이 주요 영향 요인임을 규명하고 이를 통해 적절한 임상 개입의 필요성을 제시했습니다.

핵심

🎒 1. 연구의 배경: "약이 약이 아니라 짐이 되다"

네팔은 급격히 고령화 사회로 변하고 있습니다. 어르신들은 당뇨, 고혈압 등 여러 만성 질환을 앓고 있어 하루에 여러 알의 약을 먹어야 합니다.

하지만 문제는 약이 질병을 고쳐주는 '구원자'가 아니라, 오히려 매일매일 짊어져야 하는 무거운 배낭이 된다는 점입니다.

• 약 복용의 부담 (MRB): 약을 언제, 어떻게 먹어야 하는지 기억하는 스트레스, 약값, 부작용에 대한 두려움, 약 때문에 일상생활이 방해받는 느낌 등을 모두 합친 것이 '약 복용 부담'입니다.
• 약 복용 불이행: 이 배낭이 너무 무거우면 사람들은 "아, 그냥 오늘 안 먹어도 되겠지"라며 약을 빼먹거나, 약이 떨어졌을 때 다시 사러 가지 않게 됩니다.

이 연구는 **"어르신들이 이 무거운 배낭을 얼마나 힘들어하는지, 그리고 왜 약을 제대로 먹지 못하는지"**를 찾아내기 위해 진행되었습니다.

🤖 2. 연구 방법: "AI 가 찾아낸 숨겨진 단서"

연구팀은 390 명의 어르신에게 두 가지 질문지를 작성하게 했습니다.

1. LMQ-3: "약 복용이 당신의 삶에 얼마나 부담스러우신가요?" (약 41 개의 질문)
2. ARMS: "약을 제때, 꾸준히 드셨나요?" (약 12 개의 질문)

그런데 여기서 재미있는 점이 있습니다. 연구팀은 단순히 "A 라는 원인이 B 라는 결과를 낳는다"라고 계산하는 전통적인 통계 방법을 쓰지 않았습니다. 대신 6 가지의 다양한 인공지능 (머신러닝) 모델을 사용했습니다.

비유: 기존의 통계가 "비밀번호가 1234 라면 문이 열린다"라고 단순하게 예측한다면, **인공지능 (AI)**은 "비밀번호가 1234 일 수도 있지만, 날씨가 비 오고, 사용자가 지쳤고, 문이 낡았을 때는 다른 패턴이 나타날 수 있다"는 복잡하고 미묘한 관계까지 찾아내는 탐정과 같습니다.

🔍 3. 주요 발견: "무엇이 배낭을 더 무겁게 만드는가?"

AI 가 분석한 결과, 예상과 달리 나이, 성별, 교육 수준 같은 기본적인 요소보다는 두 가지 핵심 요인이 약 복용 부담과 불이행의 가장 큰 원인인 것으로 드러났습니다.

① "약이 너무 많다" (다약제, Polypharmacy)

• 상황: 하루에 먹는 약의 종류가 많을수록 배낭은 무거워집니다.
• 결과: 약이 많을수록 어르신들은 약을 잊어버리거나, "이거 다 먹기 힘들어"라고 느껴 약을 끊는 경우가 많았습니다.

② "혼자서 하기 힘들다" (도움 필요)

• 상황: 약을 직접 챙겨 먹거나 병원에 가기 위해 누군가의 도움이 필요한 경우입니다.
• 결과: 스스로 약을 관리할 수 없는 어르신들은 부담감이 훨씬 컸고, 약을 제때 먹지 못할 확률도 높았습니다.

💡 흥미로운 발견 (상호작용):
AI 는 아주 섬세한 부분까지 찾아냈습니다. **"약이 많아서 힘들어하는 사람"**에게 **"누군가 도와주는 사람"**이 있으면, 그 부담이 조금은 줄어들 수 있다는 것입니다. 하지만, **"약은 적는데도 혼자서 못 하는 사람"**은 오히려 가장 큰 위험에 처해 있었습니다. 이는 약이 적어도 인지 기능 (기억력) 이나 신체 기능이 떨어졌을 때 가장 큰 문제가 된다는 뜻입니다.

💡 4. 연구의 결론 및 제안: "배낭을 가볍게 만드는 법"

이 연구는 네팔의 의료 시스템이 앞으로 어떻게 변해야 하는지 중요한 힌트를 줍니다.

1. 약의 양을 줄이세요 (Deprescribing): 무조건 약을 더 추가하는 것이 아니라, 정말 필요한 약만 남기고 불필요한 약을 줄이는 '감량 치료'가 필요합니다.
2. 도움을 주세요: 약을 혼자 챙기기 힘든 어르신들에게 가족이나 간병인, 혹은 약사의 도움을 체계적으로 제공해야 합니다.
3. AI 를 활용하세요: 이 연구처럼 인공지능을 사용하면, "어떤 환자가 약을 끊을 위험이 높은지"를 미리 예측하여 선제적으로 도와줄 수 있습니다.

📝 한 줄 요약

"네팔의 어르신들은 약이 너무 많고, 혼자서 챙기기 힘들어서 약 복용을 포기하고 있습니다. 인공지능이 분석한 결과, '약의 양을 줄이고' '도움을 주는 것'이 이 무거운 배낭을 가볍게 만드는 가장 확실한 방법입니다."

이 연구는 단순히 통계를 나열하는 것을 넘어, 실제 환자들의 삶 (삶의 질) 을 어떻게 개선할 수 있는지에 대한 데이터 기반의 해결책을 제시했다는 점에서 매우 의미 있습니다.

기술 요약

논문 요약: 중부 네팔 고령 환자의 약물 관련 부담 및 순응도 평가: 머신러닝 접근법

1. 연구 배경 및 문제 제기 (Problem)

• 인구 고령화 및 만성질환 증가: 네팔을 포함한 저소득 및 중산층 국가에서 고령화 인구가 급증하고 있으며, 이로 인해 만성질환과 다약제 사용 (Polypharmacy) 이 증가하고 있습니다.
• 약물 관련 부담 (MRB) 과 순응도 문제: 고령 환자는 복잡한 약물 요법으로 인해 '약물 관련 부담 (Medication-Related Burden, MRB)'을 경험하며, 이는 치료 순응도 저하, 임상 결과 악화, 삶의 질 저하로 이어집니다.
• 연구의 공백: 네팔을 포함한 개발도상국에서는 고령 환자의 MRB 와 재충전 순응도 (Refill Adherence) 를 사회인구학적, 임상적, 약물학적 요인과 연계하여 종합적으로 평가한 연구가 부족합니다. 또한, 기존 통계 방법론은 이러한 변수들 간의 복잡한 비선형 상호작용을 포착하는 데 한계가 있습니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 중부 네팔 바라트푸르 병원 (Bharatpur Hospital) 에서 수행된 단면 연구 (Cross-sectional study).
• 대상자: 65 세 이상 외래 환자 390 명 (만성질환 치료 목적으로 최소 1 년 이상 약물 복용 중). 정신질환 또는 인지 장애 환자는 제외.
• 측정 도구:
  • MRB 평가: '약물과 함께 살기' 질문지 (Living with Medications Questionnaire, LMQ-3). 41 개 항목, 8 개 도메인, 총점 41~205 점 (높을수록 부담 큼).
  • 순응도 평가: '재충전 및 약물 순응도 척도 (Adherence to Refills and Medications Scale, ARMS)'. 12 개 항목, 총점 12~48 점 (높을수록 순응도 낮음).
  • 데이터 수집: 면대면 인터뷰 및 처방전 검토를 통해 사회인구학적, 임상적, 약물 관련 17 가지 예측 변수 수집.
• 머신러닝 모델링:
  • 사용된 알고리즘: 6 가지 모델 비교 (Ordinary Least Square, Penalized Linear Regression, Random Forest, XGBoost, LightGBM, SVM).
  • 평가 지표: RMSE, MAE, MAPE, Huber loss, R² (분산 설명력). 10 회 반복 10 교차 검증 (10x10 repeated cross-validation) 수행.
  • 해석 가능성 (Explainability): SHAP (Shapley Additive exPlanations) 값을 사용하여 각 예측 변수의 중요도와 비선형 상호작용을 시각화 및 정량화.

3. 주요 결과 (Key Results)

• 기초 통계:
  • MRB (LMQ-3): 중앙값 110.0 (IQR 14.0) 으로 '중등도' 수준의 약물 부담을 보임.
  • 순응도 (ARMS): 중앙값 21.0 (IQR 6.0) 으로 '중등도' 수준의 비순응 (Non-adherence) 을 보임.
• 모델 성능:
  • Random Forest (RF) 가 MRB 와 순응도 예측 모두에서 가장 우수한 성능을 보임 (RMSE 및 MAE 최소화, R² 최대화).
  • 기존 선형 회귀 (OLS) 모델보다 RF 모델이 변수 간의 복잡한 상호작용을 더 잘 포착하여 예측 정확도가 높았음.
• 주요 예측 인자 (SHAP 분석):
  • 가장 강력한 예측 인자: '약물 관리에 대한 도움 필요 (Requires assistance)'와 '다약제 사용 (Polypharmacy)'이 MRB 와 비순응 모두를 설명하는 가장 중요한 요인임.
  • 상호작용 효과:
    • 다약제 사용은 일반적으로 순응도를 저하시키지만, 환자가 물리적/인지적 도움을 받는 경우 그 위험이 부분적으로 완화됨.
    • 반면, 단순한 처방을 받았음에도 불구하고 도움이 필요한 환자는 기능적/인지적 저하로 인해 순응도 위험이 극대화됨.
    • 자비 부담 (Out-of-pocket payment) 과 고용 상태 (Employment) 도 중요한 예측 인자로 작용함 (고용 상태는 순응도 저하와 연관됨).
  • 사회인구학적 요인: 연령, 성별, 거주지 등 전통적인 인구통계학적 요인은 예측력이 낮았음.

4. 주요 기여 (Key Contributions)

• 최초의 지역 연구: 남아시아 (네팔) 에서 LMQ-3 와 ARMS 를 사용하여 고령 환자의 약물 부담과 순응도를 체계적으로 평가한 최초의 연구 중 하나.
• 머신러닝의 임상 적용: 전통적인 통계 분석을 넘어 머신러닝 (특히 Random Forest) 을 활용하여 고령 환자의 복잡한 약물 관리 행태를 예측하고, 비선형 상호작용 (예: 다약제 + 도움 필요) 을 규명함.
• 정책적 통찰: 단순한 인구통계학적 접근이 아닌, '도움 필요성'과 '복약 복잡성'에 초점을 맞춘 맞춤형 개입의 필요성을 데이터 기반으로 제시.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 함의: 고령 환자의 약물 부담과 순응도 문제를 해결하기 위해서는 단순한 약물 감량 (Deprescribing) 을 넘어, 환자가 약물 관리를 위해 얼마나 많은 도움이 필요한지 평가하고, 이를 바탕으로 복약 계획을 단순화하거나 환자 중심 상담을 강화해야 함.
• 정책적 제안: 네팔과 같은 자원 제한적 환경에서 의료 시스템은 고령 환자의 자비 부담 구조와 복약 지원 체계 (Caregiver 지원) 를 개선해야 하며, 머신러닝 기반 예측 모델을 통해 고위험 환자를 선별하여 선제적으로 개입할 수 있어야 함.
• 한계: 단일 센터 연구로 일반화에는 주의가 필요하며, LMQ-3 도메인의 일부 내적 일관성 (Cronbach's α) 이 낮아 문화적 검증이 추가로 필요함.

이 연구는 고령 환자의 약물 관리 문제를 이해하는 데 있어 데이터 기반의 머신러닝 접근법이 기존 방법론보다 우월한 통찰력을 제공할 수 있음을 입증하였으며, 네팔을 포함한 개발도상국의 고령화 대응 전략 수립에 중요한 근거를 제공합니다.