Global variation in cardiometabolic risk structures: A 48-country comparative Bayesian network analysis in 146,000 participants using WHO STEPS data

본 연구는 48 개국의 146,000 명 참가자를 베이지안 네트워크를 통해 분석하여 심대사 위험 구조의 유의미한 지역적 변이를 규명함으로써, 일반화된 모델에 의존하기보다 특정 지리적 맥락에 맞춰 공중보건 전략을 수립해야 함을 입증하였다.

핵심

심장병과 당뇨병 (이 논문에서는 '심대사 질환'이라고 부름) 이 단일 스위치가 켜지는 것이 아니라, 복잡하게 얽힌 실의 그물망에 의해 발생한다고 상상해 보세요. 어떤 실들은 나이, 출생지처럼 바꿀 수 없는 것들입니다. 다른 실들은 식습관, 운동량, 흡유 여부처럼 바꿀 수 있는 것들입니다.

이 논문은 48 개 국가에서 이 실들이 어떻게 서로 연결되어 있는지 정확히 파악하려는 형사 팀과 같습니다. 한 번에 하나의 실만 보는 대신, **베이지안 네트워크 (Bayesian Network)**라는 특수한 컴퓨터 도구를 사용하여 전체 그물망을 한 번에 파악했습니다. 이 도구는 어떤 요인이 다른 어떤 요인을 당기는지 보여주는 '관계 지도'라고 생각하시면 됩니다.

여기서 그들이 발견한 내용을 간단히 설명해 드리겠습니다.

1. 지도는 동네마다 다릅니다

연구자들은 '위험의 그물망'이 세계의 어느 위치에 있느냐에 따라 다르게 보인다는 사실을 발견했습니다.

• 비유: 교통 체증이 왜 발생하는지 이해하려고 상상해 보세요. 한 도시에서는 교통 체증이 주로 나쁜 교차로 (특정 도로 배치) 때문에 발생할 수 있습니다. 반면 다른 도시에서는 너무 많은 사람이 동시에 퇴근하기 때문에 발생할 수 있습니다. 결과 (교통 체증) 는 같지만, 원인과 원인 간의 연결은 완전히 다릅니다.
• 발견: 같은 지역 (예: 유럽 또는 남아시아) 에 있는 국가들의 컴퓨터 지도는 서로 매우 유사하게 보였습니다. 하지만 유럽의 지도는 남아시아의 지도와 매우 달랐습니다. 이는 병에 걸리는 '레시피'가 모든 곳에서 동일한 것이 아니라는 뜻입니다.

2. 같은 재료도 맛은 다를 수 있습니다

이 연구는 같은 요인이 지역에 따라 반대되는 효과를 가질 수 있음을 보여주었습니다.

• 비유: '교육'을 향신료라고 생각해 보세요. 한 국가에서는 교육 수준을 높이는 것이 '비만 찌개'의 맛을 더 좋게 만들어 (비만 위험을 증가시켜) 줄 수 있습니다. 다른 국가에서는 같은 향신료를 넣는 것이 찌개의 맛을 더 나쁘게 만들어 (비만 위험을 감소시켜) 줄 수 있습니다.
• 발견:
  • 남아시아에서는 교육 수준이 높을수록 비만, 당뇨병, 고혈압에 걸릴 확률이 높아지는 것과 연관이 있었습니다.
  • 중동 및 북아프리카에서는 교육 수준이 높을수록 이러한 모든 문제의 위험이 낮아지는 것과 연관이 있었습니다.
  • 나이는 모든 곳에서 큰 요인이었지만, 유럽과 중앙아시아에서는 나이가 들수록 비만 위험이 다른 지역보다 훨씬 더 극적으로 증가했습니다.

3. '숨겨진' 상호작용

연구자들은 두 가지 요인이 팀처럼 함께 작용하는 방식도 살펴보았습니다.

• 비유: 시소를 상상해 보세요. 때로는 한 사람의 무게 (나이) 가 다른 쪽에 누가 앉아 있는지 (성별) 를 알지 못하면 크게 중요하지 않을 수 있습니다.
• 발견: 유럽과 중앙아시아에서는 사람의 나이와 성별의 조합이 비만의 매우 강력한 예측 요인이었습니다. 예를 들어, 그 특정 지역에서 나이가 들면서 체중이 늘어나는 위험은 남성과 여성에게 다르게 나타나며, 이는 세계 다른 지역과 비교했을 때 다릅니다.

4. 크게 변하지 않은 것들

일부 요소는 놀랍도록 일관적이었습니다.

• 비유: 어디를 가든 중력은 항상 당신을 아래로 당깁니다.
• 발견: 나이가 들면 당뇨병과 고혈압의 위험이 거의 항상 높아지는 것은 국가와 관계없이 거의 항상 연관되어 있었습니다. 또한 놀랍게도, 모든 지역에서 현재 흡연하거나 음주하는 사람들보다 절대 흡연하거나 음주하지 않은 사람들이 비만일 가능성이 더 높았습니다. (이 논문은 이것이 과학계의 알려진 수수께끼라고 지적하며, 아마도 흡연이 체중 조절 방식에 영향을 미치기 때문일 수 있다고 덧붙였습니다.)

핵심 교훈

이 논문의 주요 메시지는 심장병을 이해하기 위해 "만능" 지도를 사용할 수 없다는 점입니다.

만약 보건 당국이 유럽에서 작동했던 전략과 정확히 같은 전략으로 남아아시아의 문제를 해결하려 한다면 실패할 수 있습니다. 그물망의 '실'들이 서로 다르게 묶여 있기 때문입니다. 이 논문은 이러한 건강 문제를 효과적으로 해결하기 위해서는 세계가 모든 곳에서 동일하게 작동한다고 가정하기보다, 각 지역의 구체적인 연결망 (그물망) 을 살펴봐야 한다고 주장합니다.

이 논문이 말하지 않는 것:

• 의사가 특정 환자를 어떻게 치료해야 하는지 알려주지 않습니다.
• 남아시아에서 교육이 비만을 유발한다고 주장하지 않습니다 (단지 연관성을 발견했을 뿐입니다).
• 특정 새로운 약물이나 식단을 제안하지 않습니다.
• 단순히 전 세계적으로 이러한 위험 요인들이 어떻게 연결되어 있는지에 대한 차이를 지도로 그려낼 뿐입니다.

기술 요약

기술적 요약: 심대사 위험 구조의 글로벌 변이

문제 제기
심대사 기반 만성질환 (CMBCD) 은 사회인구학적, 행동적, 대사적 요인 간의 복잡하고 다층적인 상호작용에서 비롯됩니다. 전 세계적으로 합의된 위험 요인 세트가 존재하지만, 기존 역학 연구들은 주로 개별 위험 요인이나 인구집단 귀속분율 (PAF) 에 초점을 맞추었으며, 다양한 인구집단 간에 이러한 변수들 간의 구조적 상호의존성을 충분히 모델링하지 못했습니다. 이전 연구는 특정 위험 요인의 영향력이 지역과 소득 수준에 따라 달라진다고 지적했으나, 전 세계적으로 이러한 위험 요인 상호작용의 위상 (topology) 이 어떻게 다른지를 분석하기 위해 네트워크 기반 접근법을 활용한 연구는 없습니다. 본 연구는 인구집단 맥락이 CMBCD 결과를 주도하는 구조적 관계와 상호작용에 어떻게 영향을 미치는지에 대한 이해의 공백을 해소합니다.

방법론
본 연구는 세계보건기구 (WHO) 의 '비전염성 위험 요인 감시를 위한 단계적 접근 (STEPS)' 조사 (2009~2024 년) 에 참여한 48 개국의 국가 대표성 횡단면 데이터를 활용한 비교 베이지안 네트워크 (BN) 분석을 수행했습니다. 총 표본 크기는 30 세 이상 146,086 명입니다.

• 데이터 조화 및 변수: 14 개의 변수가 데이터셋 간에 조화되어 계층적 구조로 분류되었습니다: 수정 불가능한 사회인구학적 변수 (연령, 성별, 도시/농촌 거주지), 수정 가능한 사회인구학적 변수 (교육, 가구 소득), 행동적 변수 (담배, 알코올, 식이, 신체 활동), 심대사 유발 요인 (비만, 당뇨병, 고혈압, 고지혈증), 그리고 심혈관 질환 (CVD) 병력입니다. 국가별 결측률이 40% 초과인 변수는 제외되었으며, 나머지 결측 데이터는 랜덤 포레스트 알고리즘을 사용하여 대체되었습니다.
• 네트워크 학습: 각 국가별로 등산 알고리즘 (hill-climbing algorithm) 을 사용하여 국가별 BN 을 학습하였으며, 조사 가중치를 반영하도록 수정된 부트스트랩 리샘플링 (n=1,000) 을 적용했습니다. 인과적 타당성을 보장하기 위해 하위 계층 변수에서 상위 계층 변수로의 간선, 그리고 수정 불가능한 사회인구학적 변수 간의 간선을 허용하지 않도록 간선 블랙리스트를 적용했습니다. 각 국가에 대해 부트스트랩 네트워크의 50% 이상에 존재하는 간선을 유지하는 평균 합의 네트워크를 도출했습니다.
• 위상 비교: 국가 간 네트워크의 구조적 차이는 구조적 해밍 거리 (SHD) 를 사용하여 정량화했습니다. SHD 값은 세계은행 지역별 및 소득 수준별 비교를 위해 비동일 쌍체 윌콕슨 검정을 사용하여 비교되었습니다.
• 추론 및 상호작용 분석: 학습된 BN 을 사용하여 조건부 확률 질의를 수행하여 위험 요인이 심대사 결과에 미치는 상대적 영향을 평가했습니다. 또한, BN 에서 파생된 시뮬레이션 데이터셋에 적합된 '완전' 및 '축소' 다항 로지스틱 회귀 모델을 비교하는 우도비 검정을 사용하여 위험 요인 쌍 (예: 연령과 성별) 간의 상호작용 효과를 평가했습니다.
• 민감도 분석: 대체 학습 알고리즘 (tabu search), 대체 유사성 지표 (곱적 상관관계), 대체 대체 방법 (MICE) 을 사용하여 견고성을 검증했습니다.

주요 결과

• 지역적 구조적 유사성: 네트워크 구조는 지역에 따라 유의하게 변이되었으며 (p = 0.023), 동일한 지역의 네트워크가 서로 다른 지역의 네트워크보다 구조적으로 더 유사했습니다. 국가 소득 수준 (p = 0.91) 이나 데이터 수집 연도에 따른 유의한 차이는 발견되지 않았습니다.
• 차별화된 위험 요인 영향: 사회인구학적 및 행동적 요인이 심대사 결과에 미치는 영향은 지역에 따라 달랐습니다.
  • 연령: 유럽 및 중앙아시아에서 고령 (60 대 이상 대 30~44 세) 은 다른 지역에 비해 비만 확률이 현저히 높게 (+80%) 연관되었습니다.
  • 교육: 남아시아에서는 고등 교육이 비만, 당뇨병, 고혈압 확률 증가와 연관된 반면, 중동 및 북아프리카 (MENA) 지역에서는 이러한 질환 및 고지혈증 확률 감소와 연관되었습니다.
  • 성별 및 거주지: 여성은 모든 지역에서 비만 확률의 상대적 증가가 가장 컸으며, 특히撒哈拉 이남 아프리카 (+175%) 에서 두드러졌습니다. 도시 거주지는撒哈拉 이남 아프리카와 동아시아 및 태평양 지역에서 비만 증가와 강하게 연관되었습니다.
  • 행동적 요인: 모든 지역에서 현재 흡연자나 음주자보다 비흡연자 및 비음주자가 비만 확률이 더 높았습니다. 신체 활동은 MENA 지역에서 가장 강력한 보호 효과를 나타냈습니다.
• 상호작용 효과: 비만을 예측하는 연령과 성별 간의 상호작용은 유럽 및 중앙아시아 내 국가들에서 가장 높은 비율로 유의했습니다. 고혈압을 예측하는 연령과 성별 간의 상호작용은 동아시아 및 태평양 지역에서 가장 광범위하게 나타났습니다.

주요 기여

1. 최초의 글로벌 비교 네트워크 분석: 본 연구는 48 개국의 심대사 위험 요인에 대한 국가별 베이지안 네트워크를 학습하고 비교한 최초의 연구로, 개별 위험 요인 분석을 넘어 복잡하고 다층적인 상호의존성을 모델링합니다.
2. 방법론적 발전: 본 연구는 구조 학습 (가중 부트스트랩 리샘플링을 통해) 과 매개변수 학습 단계 모두에 조사 가중치를 통합하여, 이전 BN 연구에서 종종 간과된 복잡한 표본 설계의 한계를 해결했습니다.
3. 지역 맞춤화의 증거: 연구 결과는 CMBCD 의 구조적 동인이 전 세계적으로 균일하지 않음을 보여줍니다. 네트워크 위상 및 위험 요인 상호작용의 유의한 지역적 변이는 일반화된 예방 모델로는 충분하지 않을 수 있음을 시사합니다.

의의 및 주장
본 논문은 그 결과가 다층적 심대사 위험 구조의 특정 지역적 패턴을 드러낸다고 주장합니다. 합의된 위험 요인 세트가 CMBCD 를 주도하지만, 이러한 요인들이 임상 결과에 영향을 미치는 상호관계와 구조적 경로는 지역에 따라 다르다는 점을 강조합니다. 따라서 저자들은 일반화된 증거 기반 모델의 적용보다는 "지역에 맞춤화된 공중보건 전략"의 필요성을 주장합니다. 본 연구는 이러한 구조적 동인을 이해하는 것이 문화적 및 환경적 차이를 존중하는 임상 지침을 적응시키는 "초문화화 (transculturalization)"의 핵심 요소라고 제시합니다. 저자들은 BN 이 확정적인 인과 메커니즘보다는 강력한 통계적 연관성을 반영하지만, 고위험군 식별 및 개입을 위한 지역적 관련 동인 파악을 위한 견고한 프레임워크를 제공한다고 지적합니다.

저자가 지적한 한계
저자들은 횡단면 데이터의 성격 (종단적 인과 추론 불가), 제 1 형과 제 2 형 당뇨병의 구분 부재, 자기 보고식 CVD 병력에 대한 의존 (저자원 환경에서 정확성 저하 가능성), 그리고 결측으로 인한 특정 변수 제외 등의 한계를 인정합니다. 또한, BN 구조 학습 알고리즘이 강한 관계를 우선시하여 약한 연관성을 제외할 수 있으며, 본 연구가 PAF 나 오즈비와 같은 정밀한 지표를 생성하기보다는 경향을 설명하기 위해 조건부 확률 질의를 사용한다는 점을 지적합니다.