Using Explainable Machine Learning to Examine Community, Food-Access, and Built-Environment Factors Associated with Census-Tract Diabetes Prevalence in Collin and Denton Counties, Texas

건강의 보이지 않는 지도

당신의 동네를 거대하고 살아있는 퍼즐이라고 상상해 보세요. 오랫동안 의사들은 왜 어떤 사람들은 병에 걸리고 다른 이들은 건강을 유지하는지 이해하기 위해, 개인이라는 조각들—그 사람의 나이, 식습al, 가족력 등—을 살펴보았습니다. 하지만 퍼즐에는 또 다른 층위가 있습니다. 바로 그 조각들이 서로 맞물렸을 때 만들어내는 전체 그림입니다. 이것이 바로 **건강의 사회적 결정 요인(social determinants of health)**의 세계입니다. 이것을 공동체의 "날씨"라고 생각해 보세요. 폭풍우 치는 하늘이 정원을 가꾸기 어렵게 만드는 것처럼, 특정 지역의 조건들—예를 들어 식료품점에 얼마나 쉽게 걸어갈 수 있는지, 근처에 공원이 얼마나 많은지, 혹은 평균 가구 소득이 얼마인지 등—은 개인의 선택과 상관없이 사람들이 건강을 유지하는 것을 어렵게 만들 수 있습니다.

과학자들은 컴퓨터를 이용해 질병에 대한 "일기 예보"를 만들기 위해 노력해 왔습니다. 그들은 **머신러닝(machine learning)**을 사용하는데, 이는 인간보다 훨씬 빠르게 방대한 데이터 속에서 숨겨진 패턴을 찾아내도록 컴퓨터를 가르치는 것과 같습니다. 그들이 던지는 핵심 질문은 이것입니다. "우리가 동네의 지도, 식품 매장, 학교 등을 살펴보고 당뇨병(몸이 혈당을 조절하는 데 어려움을 겪는 심각한 상태)이 가장 흔하게 발생할 곳을 예측할 수 있을까?" 만약 우리가 가능하다면, 우리는 단순히 비에 젖은 사람들을 치료하는 대신, 폭풍이 닥치기 전에 "날씨"를 고칠 수 있을지도 모릅니다.

---

동네 탐정: 지도, 모델, 그리고 실수의 이야기

텍사스주 콜린(Collin) 카운티와 덴턴(Denton) 카운티의 북적이는 교외 지역에서, 에샨 니디(Eshaan Nidee)라는 고등학생 연구자는 탐정 놀이를 하기로 결심했습니다. 사건의 내용은 무엇일까요? 바로 바로 옆 동네(센서스 트랙이라 불리는 단위)임에도 불구하고 왜 당뇨병 발병률이 동네마다 극명하게 차이가 나는지를 밝혀내는 것이었습니다.

에샨은 단순히 의료 기록만을 들여다본 것이 아니라, 오직 공개된 정보만을 사용하여 디지털 탐정 키트를 구축했습니다. 그들은 공동체 생활(대학 졸업자 수나 가구 소득 등), 식품 접근성(식품 사막을 확인하기 위한 USDA의 특별 지도 활용), 그리고 건축 환경(OpenStreetMap이라는 거대한 오픈 소스 지도를 사용하여 단위 면적당 식료품점, 클리닉, 공원의 개수 측정)에 관한 데이터를 수집했습니다.

그들은 이 정보를 네 가지 서로 다른 컴퓨터 "두뇌"(알고리즘)에 입력하여, 412개의 동네별 당뇨병 발병률을 가장 잘 추측해 내는 모델이 무엇인지 확인했습니다. 목표는 다른 건강 문제들을 먼저 고려하지 않고도, 이러한 "실행 가능한" 공동체 요인들만으로 동네의 건강 상태를 예측할 수 있는지 확인하는 것이었습니다.

두 가지 모델: "실제" 테스트 vs "쉬운" 기준점

컴퓨터가 단순히 운이 좋았던 것이 아님을 확인하기 위해, 에샨은 두 단계의 챌те지를 설정했습니다.

모델 A는 "실제" 테스트였습니다. 이 모델은 오직 공동체, 식품, 공원 데이터만을 사용했습니다. 이는 마치 학생이 공부를 했는지 혹은 잠을 잘 잤는지는 모른 채, 오직 그 학생이 사는 동네의 도서관과 학교 지원금만 보고 학생의 시험 점수를 맞히려는 것과 같습니다.

모델 B는 "쉬운" 기준점이었습니다. 이 모델은 모델 A의 데이터에 비만, 신체 활동 부족, 고혈압(hypertension)이라는 세 가지 다른 건강 통계를 추가했습니다. 이는 마치 학생의 이전 시험 점수를 엿볼 수 있는 권한을 가진 채 다음 시험 점수를 예측하는 것과 같습니다.

결과:
모델 A(공동체 전용 탐정)가 당뇨병을 예측하려고 했을 때, 전체 이야기의 약 절반을 맞혔습니다. 구체적으로, 이 모델은 동네 간의 차이를 51.9% 설명해 냈습니다(이를 $R^2$라고 부릅니다). 연구진이 이 모델을 한 번도 본 적 없는 완전히 다른 카운티에 테스트했을 때, 모델은 실제로 조금 더 나은 성능을 보이며 차이의 **59.2%**를 설명했습니다. 이는 컴퓨터가 단순히 특정 마을을 암기한 것이 아니라, 동네가 작동하는 실제 규칙을 학습했음을 시사합니다.

하지만 모델 B(기준점)를 사용했을 때, 정확도는 **93.5%**로 급격히 치솟았습니다. 마치 기적처럼 보였습니다! 하지만 여기에는 반전이 있었습니다. 컴퓨터는 공원이나 식료품점을 사용하여 이 높은 점수를 얻은 것이 아니었습니다. 컴퓨터는 거의 전적으로 고혈압에 의존하고 있었습니다. 사실, 고혈압과 당뇨병은 이 데이터에서 매우 밀접하게 연결되어 있어(상관관계 0.87), 컴퓨터는 기본적으로 "고혈압이 있다면 당뇨병이 있을 것이다"라고 말하는 것과 다름없었습니다.

논문은 모델 B가 발견이 아니라 "예측의 천장(ceiling)"이라고 주장합니다. 이는 이미 내리는 비를 보고 비가 올 것이라고 완벽하게 예측하는 일기 예보 앱과 같습니다. 즉, 폭풍이 시작되기 전에 폭풍을 예측하는 것이 아니라, 이미 내리고 있는 비를 보고 있는 것입니다. 진짜 교훈은 공동체 요인들이 중요하긴 하지만, 그것들만으로는 전체 그림의 약 절반만을 설명할 수 있다는 점입니다.

"불공평한" 지도: 탐정이 실수할 때

여기서 이야기는 조금 심각해집니다. 연구진은 자신들의 "실제" 모델(모델 A)이 모두에게 공정한지 확인했습니다. 그들은 동네를 저소득, 중소득, 고소득 그룹으로 나누었습니다.

결과는 어떠했을까요? 컴퓨터는 저소득 지역에서 당뇨병을 예측하는 데 훨씬 더 서툴렀습니다.

• 고소득 지역의 평균 오차는 0.63 퍼센트 포인트에 불과했습니다.
• 저소득 지역의 오차는 1.29 퍼센트 포인트로 뛰어올랐으며, 이는 약 두 배나 더 나쁜 수치였습니다.

이는 매우 중요한 발견입니다. 만약 도시 계획가가 어떤 동네에 도움이 가장 필요한지를 결정하기 위해 이 컴퓨터 모델을 사용한다면, 모델이 그곳에서 덜 신뢰할 수 있기 때문에 실수로 가장 가난한 지역을 놓칠 수도 있다는 뜻입니다. 논문은 이것이 저소득 공동체의 경우 동네의 "규칙"이 다를 수 있거나, 혹은 데이터가 그 지역의 전체 이야기를 담아내지 못하기 때문에 발생한다고 제안합니다. 이는 똑똑한 컴퓨터조차도 편향을 가질 수 있으며, 특히 도움이 가장 절실한 사람들에게는 그럴 수 있다는 경고입니다.

마지막 단서: 동네 효과

마지막으로, 연구진은 컴퓨터가 저지른 "실수"를 살펴보았습니다. 그들은 컴퓨터가 틀렸을 때, 인접한 마을에서 비슷한 종류의 실수를 범하는 경 경향이 있다는 것을 발견했습니다. 만약 한 마을에서 당뇨병을 과대평가했다면, 바로 옆 마을에서도 과대평가할 가능성이 높았습니다. 이는 공유 버스 노선, 병원 경계, 혹은 지역적 역사와 같이 특정 블록만이 아닌 지역 전체에 영향을 미치는 보이지 않는 힘이 존재함을 시사합니다.

결론

이 논문은 우리가 공공 지도와 데이터를 사용하여 당뇨병이 발생할 가능성이 높은 곳을 예측할 수 있지만, 공동체 요인만으로는 전체 그림의 약 절반만을 볼 수 있다는 것을 가르쳐 줍니다. 나머지 절반은 고혈압과 같은 다른 건강 문제들의 복잡한 그물망 속에 숨겨져 있습니다.

가장 중요한 점은, 이 연구는 이러한 컴퓨터 모델이 완벽하지 않다는 점을 경고한다는 것입니다. 모델은 부유한 동네에서는 잘 작동하지만, 가난한 동네에서는 어려움을 겪습니다. 따라서 우리는 이러한 도구들을 더 건강한 도시를 건설하기 위한 대화를 시작하는 용도로 사용할 수는 있지만, 이를 맹목적으로 신뢰해서는 안 됩니다. 우리는 지도가 곧 영토는 아니며, 컴퓨터의 추측은 최종 답안이 아니라 하나의 출발점일 뿐이라는 사실을 기억해야 합니다.