Spatial and Machine Learning Analysis of Breast and Cervical Cancer Screening Uptake in Ghana: Evidence from the 2022 Ghana Demographic and Health Survey

세계 여러 지역에서 암을 조기에 발견하는 것은 생사와 직결되는 문제입니다. 가나의 여성들에게 유방암과 자궁경부암이라는 두 종류의 암은 주요한 건강 문제입니다. 이들을 조기에 발견하는 가장 효과적인 방법은 스크리닝(검진)입니다. 이는 의사가 유방을 검사하거나 자궁경부를 테스트하는 간단한 검진입니다. 그러나 이러한 서비스를 받는 것은 모두에게 평등하지 않습니다. 과거 연구들은 부와 교육이 문턱 역할을 한다는 것을 보여주었습니다. 돈이 더 많고 교육을 더 많이 받은 여성일수록 검진을 받을 가능성이 훨씬 높았습니다. 이러한 패턴은 잘 알려져 있지만, 대개는 전체 지역이나 국가 전체를 바라보는 넓은 관점에서 다루어져 왔습니다. 이러한 접근 방식은 지역을 하나의 단색 블록처럼 취급하여, 불과 몇 마일 떨어진 곳에서도 상황이 급격히 변할 수 있다는 사실을 숨깁니다. 또한, 관계가 단순하고 직선적이라고 가정하는 표준 통계 방법론에 의존하기 때문에, 다양한 요인들이 상호작용하는 복잡한 방식을 놓칠 가능성이 있습니다.

가나의 한 연구팀은 더 자세히 들여다보기로 했습니다. 그들은 표준적인 지역 지도가 놓치는 특정적이고 작은 구역에서도 누가 검진을 받는지에 대한 패턴이 변하는지 질문했습니다. 또한, 현대적인 컴퓨터 학습 도구가 모든 여성의 정확한 위치를 알 필요 없이, 전통적인 방식보다 누가 검진을 받을 가능성이 높은지 더 잘 예측할 수 있는지 알고 싶어 했습니다. 상세한 지도와 고급 컴퓨터 모델을 결ç합함으로써, 그들은 보건 당국이 노력을 더 정밀하게 집중할 수 있도록 돕는, 건강 불평등에 대한 더 선명한 그림을 그려내고자 했습니다.

연구진은 2022년 가나 인구 보건 조사라는 방대한 데이터셋을 활용했습니다. 이 조사는 수천 명의 여성을 대상으로 인터뷰하며 그들의 건강, 주거 환경, 그리고 유방 검사나 자궁경부 테스트를 받은 적이 있는지에 대해 질문했습니다. 연구팀은 암 위험이 가장 높은 집단인 25세에서 49세 사이의 여성들에게 집중했습니다. 그들은 설문 답변을 인터뷰가 진행된 특정 지리적 위치와 연결했습니다. 참가자들의 개인정보를 보호하기 위해 정확한 좌표는 약간 이동되었지만, 이는 소규모 공동체 단위인 '클러스터(군집)' 수준의 패턴을 보여주기에는 충분히 정밀했습니다.

먼저, 연구팀은 데이터가 무작위로 발생하는지 아니면 특정 지점에 뭉쳐 있는지를 확인하기 위해 데이터를 매핑했습니다. 그 결과, 데이터가 확실히 뭉쳐 있다는 것을 발견했습니다. 여성들이 자주 검진을 받는 지역은 종종 검진이 흔한 다른 지역들에 둘러싸여 있었습니다. 반대로, 검진율이 낮은 지역은 검진율이 낮은 다른 지역들과 이웃하고 있었습니다. 이러한 군집 현상은 유방암과 자궁경부암 모두에서 유의미하게 나타났으나, 유방 검사에서 더 강하게 나타났습니다. 세부적으로 살펴보았을 때, 수도인 아크라(Accra)와 중부 및 남부 지역 주변에 높은 검진 활동이 집중된 '핫스팟(hotspots)'을 발견했습니다. 대조적으로, 검진이 드문 '콜드스팟(coldspots)'은 가나 북부 지역에 밀집되어 있었습니다. 이는 남북 간의 격차가 실재함을 확인시켜 주었을 뿐만 아니라, 넓은 지역적 평균이 숨겨버릴 수 있는 특정 필요 구역들이 존재한다는 것을 드러냈습니다.

다음으로, 연구진은 개인의 상황을 바탕으로 어떤 여성이 검진을 받을 가능성이 높은지 예측하는 컴퓨터 모델을 구축했습니다. 그들은 연령, 교육, 부, 거주지, 건강보험 가입 여부에 대한 정보를 모델에 입력했습니다. 결정적으로, 그들은 컴퓨터에 여성의 구체적인 위치를 알려주지 않았습니다. 대신, 모델이 개인의 세부 사항만을 통해 패턴을 학습하도록 했습니다. 모델이 단순히 데이터를 암기하는 것이 아니라 실제로 학습하고 있는지 확인하기 위해, 그들은 영리한 테스트 방법을 사용했습니다. 그들은 데이터를 개인이 아닌 공동체를 기준으로 나누었습니다. 이는 컴퓨터가 테스트될 때, 한 번도 본 적 없는 공동체의 여성들의 검진 습지 습관을 예측해야 함을 의미했습니다. 이를 통해 모델이 가져서는 안 될 지역적 지식을 사용하는 것을 방지했습니다.

컴퓨터 모델은 AUC 0.71에서 0.73의 수치를 기록하며, 검진을 받을 가능성이 높은 여성과 그렇지 않은 여성을 적절히 구분해 내며 준수한 성능을 보였습니다. 이러한 예측을 이끄는 가장 중요한 요인은 교육과 부였습니다. 교육 수준이 높고 자산이 많은 여성은 일관되게 높은 검진율을 보일 것으로 예측되었습니다. 연령 또한 역할을 했는데, 그룹 내 연령이 높은 여성일수록 검진을 받을 가능성이 약간 더 높았습니다. 흥란하게도, 여성의 교육과 부를 고려하면 그녀가 거주하는 특정 지역은 큰 영향을 미치지 않았습니다. 이는 어떤 지역이 지도상에서 다르게 보이는 이유가 그 지역 자체의 독특하고 설명되지 않은 특성 때문이라기보다, 그곳에 사는 사람들의 교육과 소득 수준 차이 때문임을 시사합니다.

연구는 또한 검진에 대한 접근성이 실제로 얼마나 불평등한지도 살펴보았습니다. 부유한 층과 가난한 층 사이의 격차를 계산했을 때, 측정 방식에 따라 놀라운 반전이 나타났습니다. 자궁경부암의 경우, 전체적인 검진율 자체가 매우 낮았기 때문에 부유한 층의 이점이 매우 커 보였습니다. 그러나 연구진이 전체 숫자가 매우 낮다는 점을 고려하여 수학적으로 조정하자 그림이 바뀌었습니다. 조정된 수치는 유방 검사의 격차가 자궁경부 테스트의 격보다 부유한 여성들에게 더 밀집되어 있음을 보여주었습니다. 즉, 두 서비스 모두 부유층에 치우쳐져 있지만, 유방 검진의 불평등은 가장 부유한 여성들에게 더 촘촘하게 집중되어 있다는 것입니다.

이러한 상세한 결과에도 불구하고, 연구진은 자신들이 문제를 해결했다거나 자신들의 지도가 보건 당국을 위한 최종 가이드로 사용될 준비가 되었다고 주장하지 않도록 주의를 기울였습니다. 컴퓨터 모델은 개인의 세부 사항을 바탕으로 예측하는 데는 유능했지만, 설문 데이터 외부의 완전히 새로운 지역에 대해서는 테스트되지 않았으므로 다른 곳에 적용했을 때 완벽하게 작동하지 않을 수도 있습니다. 핫스팟과 콜드스팟을 보여주는 지도 또한 탐색적인 성격으로 취급되었습니다. 이는 필요가 예상되는 구역을 가리키기는 하지만, 연구진이 수많은 작은 구역을 동시에 테스트하면서 엄격한 보정 과정을 거치지 않았기 때문에 최고 수준의 통계적 확신을 가지고 입증된 것은 아닙니다. 더욱이, 이 연구는 가난한 지역에 사는 것이 여성이 검진을 거르는 직접적인 원인임을 증명한 것이 아니라, 단지 두 현상이 함께 나타난다는 것을 보여준 것뿐입니다.

이 연구의 궁극적인 가치는 공중 보건 문제의 숨겨진 층위를 보여주는 능력에 있습니다. 광범위한 지역 평균을 넘어 복잡한 패턴을 처리할 수 있는 도구를 사용함으로써, 연구진은 가나의 암 검진 이야기가 단순한 남북 격차보다 훨씬 더 미묘하다는 것을 보여주었습니다. 그들은 부와 교육이 검진 여부를 결정하는 주요 동력이지만, 이러한 요인들이 지형 전체에 고르게 분포되어 있지는 않다는 것을 입증했습니다. 부유한 지역 내에서도 소외되고 있는 특정 공동체가 존재하며, 가난한 지역 내에서도 기대보다 더 나은 성과를 보이는 특정 구역이 존재합니다. 이러한 수준의 상세함은 자원 배분을 목표로 하는 새로운 사고방식을 제공하며, 보건 계획가들이 단순히 큰 지역의 평균치가 아니라 작은 공동체의 구체적인 구성 요소를 살펴봐야 할 수도 있음을 시사합니다. 이 연구는 공간 매핑과 현대적 예측 도구를 결합하는 것이 건강 불평등의 세부 사항을 드러내는 데 데모(proof of concept)로서 기능할 수 있음을 보여주며, 도움의 손길이 가장 절실한 곳에 대한 더 명확하지만 여전히 불완전한 시각을 제공합니다.