📄 공중보건 및 글로벌 헬스

Large-scale assessment of socioeconomic, demographic and health system structures with US county excess mortality, 2020-2024

미국 2,745개 카운티를 대상으로 한 이 대규모 생태학적 연구는 2020~2021년 팬데믹 기간 동안 초과 사망의 주요 동인이 의료 시스템 자원이 아니라 사회경제적 구조와 인구 통계적 특성이었으며, 이러한 상관관계는 이후 몇 년 동안 현저히 감소했음을 밝혀냈다.

원저자: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

게시일 2026-10-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

팬데믹이 닥칠 때, 그것은 모든 공동체에 동일한 힘으로 상륙하지 않습니다. 어떤 이웃들은 파괴적인 손실을 입는 반면, 불과 몇 마일 떨어진 다른 곳들은 훨씬 적은 사망자를 기록하기도 합니다. 이러한 불균형한 패턴은 무작위적인 것이 아닙니다. 이는 사람들이 어떻게 살고, 일하며, 의료 서비스를 이용하는지를 결정짓는 깊고 기존의 조건들의 결과입니다. 과학자들은 이러한 조건들을 건강의 사회적 결정 요인이라고 부릅니다. 여기에는 가족이 얼마나 많은 돈을 버는지, 대학 학위가 있는지, 건강 보험이 있는지, 그리고 거주하는 주택의 질이 어떠한지와 같은 요인들이 포함됩니다. 수년 동안 연구자들은 이러한 요인들이 중요하다는 것을 알고 있었지만, 대개 단 하나의 요소가 가장 중요한 것이 무엇인지 추측하기 위해 한 번에 몇 가지만을 살펴보았습니다. 질문은 이것이었습니다. 만약 우리가 모든 것을 한꺼번에 볼 수 있다면, 전체적인 모습은 왜 어떤 지역들이 위기 동안 더 많은 고통을 겪었는지에 대해 무엇을 밝혀낼 수 있을 것인가?

한 연구팀은 미국의 모든 카운티(county)를 조사함으로써 이 질문에 답하고자 했습니다. 그들은 조사할 몇 가지 용의자만을 선택한 것이 아니라, 미국 내 모든 카운티에 관한 약 3,000개의 서로 다른 방대한 사실 목록을 수집했습니다. 이 사실들은 의사와 병상 수부터 실업자의 비율, 빈곤층의 비중, 그리고 지역 사회의 인종 구성에 이르기까지 다양했습니다. 그런 다음 그들은 이 사실들을 2020년부터 2024년까지 각 카운티의 초과 사망자 수와 비교했습니다. 초과 사망은 팬데믹 이전 해당 카운티의 과거 기록을 바탕으로 예상되었던 것보다 얼마나 더 많은 사람이 사망했는지를 측정하는 특정 지표입니다. 이러한 비교를 실행함으로써, 연구진은 어떤 카운티의 특성이 사망자 급증과 가장 밀접하게 연결되어 있는지를 확인할 수 있었습니다.

결과는 명확하고 일관된 그림을 그려냈습니다. 사망률이 높은 것과 가장 강력하게 연결된 것은 의료 인프라가 아니라, 지역 사회의 사회적, 경제적 구조였습니다. 빈곤율이 높고, 교육 수준이 낮으며, 건강 보험이 없는 사람들이 많은 카운티에서 유의미하게 높은 초과 사망이 관찰되었습니다. 실제로 연구진은 빈곤층의 비중이 단일적으로 가장 강력한 예측 변수였으며, 대학 학위를 가진 성인의 비율과 고소득 가구의 비중이 그 뒤를 바짝 쫓았다는 것을 발견했습니다. 그러나 가장 강력한 단일 변수조차도 초과 사망의 변동성을 42% 미만으로만 설명했는데, 이는 어떤 단일 특성도 결정론적이라고 할 만큼 근접하지 않음을 의미합니다. 반면, 의사 1인당 인원수나 병상 수와 같은 의료 자원의 가용성은 사망자 수와 매우 약한 연관성을 보였습니다. 데이터는 더 많은 의사나 병상을 갖추는 것이, 인구가 경제적으로 안정되고 교육받은 상태인 것만큼 효과적으로 공동체를 보호하지 못했다는 점을 시사했습니다.

이러한 패턴은 백신이 아직 준비되지 않았고 바이러스가 가장 치명적이었던 팬데믹 초기 2년인 2020년과 2021년에 가장 강렬하게 나타났습니다. 이 시기에 가장 소외된 카운티와 가장 유리한 카운티 사이의 격차는 극명했습니다. 연구진은 가장 강력한 사회적 요인들을 결합하여 카운티를 유리함의 정도에 따라 순위를 매기는 단일 점수를 만들었습니다. 가장 불리한 하위 5분의 1의 인구 집단에서 초과 사망은 가장 유리한 상위 5분의 1보다 2.0배 높았습니다 (0.274 대 0.136). 팬데믹이 2022년, 2023년, 2024년으로 넘어가면서 전체적인 초과 사망자 수는 감소했고, 이러한 사회적 요인과의 연결 고리도 약해졌으나 완전히 사라지지는 않았습니다. 연구진은 배경 정보로 다른 연도를 사용하거나 다른 통계적 방법을 사용하는 등 데이터를 다양한 방식으로 검토하며 검증을 거쳤고, 주요 결론은 동일하게 유지되었습니다: 사회적 환경이 사망자 수의 지배적인 동인이었다는 것입니다.

연구진은 자신들의 연구가 개인이 아닌 집단을 대상으로 했으므로, 특정 개인이 가난하거나 보험이 없어서 사망했다고 증명할 수는 없다는 점을 주의 깊게 언급했습니다. 하지만 데이터 세트의 엄청난 규모와 결과의 일관성은 강력한 현실을 시사합니다. 이 결과는 의료 시스템이 생명을 구하는 능력이 사람들이 살아가는 조건에 의해 깊게 제약받는다는 점을 암시합니다. 병원은 빈곤, 교육 부족, 또는 경제적 불안정성에서 오는 위험을 쉽게 보완할 수 없습니다. 이 연구는 미래의 보건 위기를 진정으로 이해하고 예방하기 위해서는 병원 담장 너 너머를 바라보아야 하며, 일부 공동체를 더 취약하게 만드는 근본적인 경제적, 사회적 불평등을 해결해야 한다고 제언합니다. 데이터는 인구를 보호하는 가장 효과적인 방법이 더 많은 병상을 만드는 것이 아니라, 뒤처진 공동체를 일으켜 세우는 것일 수 있음을 보여줍니다.

문제 제기
COVID-19 팬데믹은 미국 카운티 전역의 사망률에서 상당한 지리적 가변성이 있음을 드러냈으며, 기존 문헌들은 빈곤, 인종, 보험 미가입, 열악한 의료 접근성을 부정적인 결과의 상관관계로 자주 지목해 왔습니다. 그러나 이전의 분석들은 대개 소수의 예측 변수만을 조사하는 파편화된 형태를 띠고 있었습니다. 이러한 파편화는 결론이 견고한 근본적 패턴보다는 특정 분석적 선택에 의해 좌우될 수 있다는 우려를 낳습니다. 나아가, 사회적, 환경적, 구조적 결정 요인에 대한 "오믹스(omics)" 패러다임을 확장하여 대규모로 역학적 노출을 포괄적으로 연구하는 동시에, 다양한 데이터 빈티지(vintages), 가중치 체계, 상관 계수 측정 방식에 대한 결과의 강건성을 테스트할 필요가 있습니다.

방법론
저자들은 2020년부터 2024년까지 미국의 카운티별 인구 가중 연령 표준 초과 사망률에 대해 2,745개의 카운티 수준 변수를 대상으로 대규모 생태학적 평가를 수행했습니다.

데이터 출처: 예측 변수는 사전 구축된 복합 지수가 아닌 원시 데이터 컬럼을 활용하여 Area Health Resources File(AHRF)에서 추출되었습니다. 결과값은 각 카운티 고유의 20172019년 연령별 사망률로부터 도출된 기대 사망자 수와 관찰된 사망자 수를 비교하여 계산된 연간 초과 사망 비율입니다. 사망 데이터는 소규모 셀 카운트(19명)에 대한 억제 규칙을 우회하기 위해 보완 쿼리(complement-query) 방법을 사용하여 CDC WONDER에서 복구되었습니다.
변수 처리: 본 연구는 "최신 연도 유지" 규칙을 적용하여 각 변수의 가장 최근 팬데믹 전 값(중앙값 2018년)을 선택했습니다. 변수들은 인구당 비율로 정규화되었으며 재조정되었습니다. 누락된 예측값은 카운티 평균값으로 채워졌습니다.
클러스터링: 변수명은 MPNet 문장 트랜스포머 모델을 사용하여 임베딩되었습니다. 이 임베딩들은 Ward의 응집형 계층 클러스터링(agglomerative hierarchical clustering)을 통해 120개의 의미론적 클러스터로 분류되었으며, 이후 11개의 "슈퍼 클러스터"(예: 사회경제적, 인구통계적, 보건 시스템 등)로 통합되었습니다.
통统计 분석: 각 연도(2020~2024)별로 각 변수와 초과 사망 결과 사이의 가중 피어슨 상관 계수(CC)를 산출했습니다. 상관관계는 약한 상관( $|CC| \le 0.30$ ), 중간 수준( $0.30 < |CC| \le 0.45$ ), 강한 상관( $|CC| > 0.45$ )으로 분류되었습니다.
강건성 검증: 본 연구는 다음을 포함한 광범위한 민감도 분석을 수행했습니다:
- 서로 다른 변수 빈티지 사용 (2015년까지의 데이터 vs 2023~2024년 데이터).
- 다양한 인구 가중치 적용 (가중치 없음, 제곱근, 0.75 승, 전체 인구).
- 피어슨(Pearson) 대 스피어만(Spearman) 상관 계수 비교.
- 경험적 영 분포(empirical null distribution)를 설정하고 허위 발견을 제어하기 위한 순열 검정(10,000회 순열).

주요 결과

상관관계의 유병률: 전체적으로 2,745개 변수 중 24.1%가 적어도 한 해 동안 중간 수준 이상의 상관관계( $|CC| > 0.30$ )에 도달했습니다. 또한 7.4%(202개 변수)가 강한 상관관계( $|CC| > 0.45$ )에 도달했습니다.
시간적 역동성: 유의미한 상관관계의 집중도는 2020년(11.4%)과 2021년(14.8%)에 가장 뚜렷했습니다. 이 신호는 이후 연도(2022년 3.3%, 2023년 1.3%, 2024년 4.1%)에 들어서며 특히 65세 미만 인구에서 크게 감소했습니다.
지배적 요인: 가장 강한 상관관계는 사회경제적 및 인구통계적 변수에서 관찰되었습니다. 상위 3개 변수는 빈곤 점유율(+0.64, 2021년), 대학 학력(-0.62, 2021년), 고소득(-0.61, 2021년)이었습니다. $|CC| > 0.30$ 인 656개 변수 중 대다수는 사회경제적 및 인구통계적 슈퍼 클러스터에 속했습니다.
보건 시스템 요인: 이와 대조적으로, 보건 시스템 변수(의사 수, 병원 용량 등) 중 중간 상관 임계값에 도달한 비율은 10.4%에 불과했던 반면, 사회경제적/인구통계적 변수는 42%에 달했습니다. 강한 상관관계( $|CC| > 0.45$ )에 도달한 보건 시스템 변수는 "16세 이상 취업자 수"(-0.50)와 "비활동 여성 의사 수"(-0.46) 단 두 개뿐이었습니다.
지리적 패턴: $|CC| > 0.45$ 에 도달한 200개의 사회경제적 및 인구통계적 변수로 구성된 "이점 지수(advantage index)"는 단조적인 구배(gradient)를 보였습니다. 가장 불리한 카운티의 초과 사망 비율은 2020~~2021년에 0.274였던 반면, 가장 유리한 카운티는 0.136이었습니다. 이 구배는 2022~~2024년에도 규모는 줄었으나 지속되었습니다.
강건성: 질적인 결과는 매우 강건했습니다. 주요 상관 변수들(빈곤, 보험, 교육)은 서로 다른 데이터 빈티지, 가중치 체계, 상관 방법(피어슨 대 스피어만) 전반에 걸쳐 일관되게 나타났습니다. 상관관계의 크기는 큰 카운티에 부여된 가중치에 따라 달라졌으나, 주요 변수의 순위와 사회경제적 요인과 보건 시스템 요인 간의 대비는 안정적이었습니다.

의의 및 주장
본 논문은 몇 가지 특정 예측 변수를 선택하는 것을 넘어 거의 3,000개에 달하는 방대한 변수 세트를 스크리닝함으로써, 초과 사망의 상관관계에 대한 포괄적인 "조감도(bird's-eye view)"를 제공한다고 주장합니다.

사회경제적 구배: 본 연구는 카운티의 사회경제적 구조와 인구통계가 기초적인 보건 시스템의 공급이나 역량보다 초과 사망과 더 밀접하게 관련되어 있다고 결론짓습니다. 저자들은 사회경제적 불리함이 전통적인 병원 수준의 개입으로는 해결할 수 없는 더 깊은 뿌리에서 작동한다고 제안합니다.
시간적 특이성: 사회경제적 요인과 초과 사망 사이의 강한 연관성은 백신 접종과 치명도가 낮은 변이의 출현 전 단계인 팬데믹 초기(2020~2021년)에 가장 두드림하게 나타났습니다.
생태학적 성격: 저자들은 데이터의 생태학적 특성(생태학적 오류)으로 인해 인과적 추론이나 개인 수준의 추론을 하는 것에 대해 명시적으로 주의를 기울입니다. 저자들은 자신의 발견을 확정적인 개인 위험 기전의 증거라기보다 생태학적 데이터로부터 생성된 가설로 규정합니다.
유용성: 저자들은 이러한 패턴이 대비 계획 수립에 유용하다고 제안합니다. 병상 수나 의사 공급량으로 카운티를 순위 매기는 것은 위험도를 효과적으로 나타내지 못하며, 대신 사회경제적 구배가 초과 사망 위험을 더 잘 예측한다는 점을 지적합니다. 저자들은 이러한 대규모 "외부 엑스포좀(external exposome)" 연구가 주요 건강 결과의 위험 구조에 대한 표적화되고 구체적인 조사를 안내할 수 있다고 제안합니다.

유사한 논문