Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

만성 질환을 관리하는 고요한 리듬 속에서, 가장 중요한 단계는 종종 의사의 진료실이 아니라 환자의 사적인 가정 내에서 일어납니다. 처방된 대로 정확하게 약을 복용하는 것은 진단과 잘 가꾸어진 삶 사이를 잇는 가교이지만, 전 세계 수백만 명의 사람들에게 그 가교는 여전히 미완성 상태로 남아 있습니다. 의사가 처방한 것과 환자가 실제로 복용하는 것 사이의 이 간극을 '약물 비순응(medication non-adherence)'이라고 합니다. 이는 망각, 혼란스러운 지침, 치료의 부작용 등으로 형성된 복잡한 문제이지만, 많은 개발도상국에서는 훨씬 더 실질적인 것, 즉 약값과 공급망의 신뢰성에 의해 좌우됩니다. 환자가 약을 재처방받을 여력이 없거나 선반에서 약을 찾을 수 없을 때, 치료 계획은 무너지고 예방 가능한 합병증과 조기 사망으로 이어집니다.

이를 해결하기 위해 의사들과 연구자들은 컴퓨터를 활용하기 시작했으며, 인간의 눈이 놓칠 수 있는 환자 데이터의 패턴을 포착하기 위해 머신러닝을 사용하고 있습니다. 이러한 시스템은 누가 약을 잘 복용하고 있고 누가 그렇지 않은지에 대한 기록을 검토하며, 복용을 거르게 만드는 구체적인 요인들의 조합을 찾아냅니다. 그러나 대부분의 컴퓨터 모델은 보험이 비용을 부담하고 약국에 항상 재고가 갖춰져 있는 부유한 국가들을 기반으로 구축되었습니다. 이러한 모델들이 가나와 같이 건강보험이 보편적이지 않고 본인 부담금이 큰 짐이 될 수 있는 곳에 적용될 때, 그들은 자주 실패합니다. 그들은 사람이 치료를 지속할 수 있는지 여부를 결정짓는 지역적 현실을 놓칩니다. 가나의 한 새로운 연구는 환자의 실제 삶을 반영하는 데이터를 사용하여, 이상적인 의료 버전이 아닌 그들의 실제 삶을 이해하는 모델을 구축함으로써 이 문제를 해결하고자 합니다.

가나 아고고에 위치한 프레스비테리언 병원(Presbyterian Hospital)의 연구진은 고혈압이나 당뇨병 같은 만성 질환에 대해 환자들이 약 복용을 중단할 가능성이 높은 이들을 예측할 수 있는 도구를 만들기 위해 나섰습니다. 그들은 6개월 동안 병원을 방문한 1,772명의 성인 환자 기록을 수집했습니다. 환자에게 약을 몇 알 먹었는지 기억하도록 의존하는 대신, 연구팀은 '복용 일수 비율(Proportion of Days Covered)'이라는 정밀한 방법을 사용했습니다. 이 방식은 모든 처방전 재처방 날짜를 검토하여 환자가 정확히 며칠 동안 약을 보유했는지를 계산합니다. 만약 환자가 최소 80%의 기간 동안 약을 충분히 보유했다면 순응한 것으로 간주되었고, 그 미만은 위험군으로 분류되었습니다.

연구팀은 먼저 컴퓨터 프로그램에 환자에 대한 표준 정보인 연령, 성별, 건강보험 유무, 처방된 약의 개수, 그리고 해당 약들의 추정 비용을 입력했습니다. 그들은 단순한 통계 방법부터 더 복잡한 신경망에 이르기까지 다섯 가지 유형의 컴퓨터 알고리즘을 테스트하여, 누가 약물을 순응하고 누가 그렇지 않은지를 가장 잘 예측할 수 있는지 확인했습니다. 결과는 유망했습니다. 가장 우수한 개별 모델들은 약물 순응 패턴을 약 88%의 정확도로 식별해 냈습니다. 하지만 연구진은 표준 데이터만으로는 가나에서의 삶을 온전히 포착하기에 부족하다는 것을 알고 있었습니다.

모델을 더 똑똑하게 만들기 위해, 연구팀은 현지 환경의 특수한 과제들을 반영하는 여섯 가지의 새로운 맞춤형 정보를 추가했습니다. 그들은 환자의 연령과 복용하는 약의 개수를 곱하여 고령 환자가 더 복잡한 처방 체계에 어려움을 겪는지 확인하는 등, 서로 다른 요인들을 결합한 특징(features)들을 만들었습니다. 또한 보험이 없는 환자들을 위해 특별히 '가격 부담(price burden)'을 계산하여, 약값이 보험 미가입자에게 훨씬 더 가혹하게 다가온다는 점을 인식했습니다. 이러한 상호작용을 컴퓨터가 학습하게 함으로써, 연구팀은 높은 비용이 보험 가입자에게는 문제가 되지 않을 수 있지만, 자비로 지불해야 하는 사람에게는 결정적인 걸림돌이 될 수 있음을 모델이 이해하도록 했습니다.

이러한 맥락을 고려한 새로운 특징들을 '스택 앙상블(stacked ensemble)' 기법—여러 컴퓨터 모델이 협력하여 최종 답변에 투표하는 방식—과 결합했을 때, 예측 정확도는 향상되었습니다. 가장 우수한 모델은 환자를 89.5%의 확률로 정확하게 분류했습니다. 더 중요한 것은, 연구진이 SHAP이라는 방법을 사용하여 컴퓨터의 의사결정 과정인 '블랙박스'를 열었다는 점입니다. 이를 통해 그들은 어떤 요인이 예측을 주도하는지 정확히 볼 수 있었습니다. 그들은 가장 강력한 예측 인자가 단순히 연령이나 성별이 아니라, 환자의 보험 상태, 연령과 약물 복잡성 사이의 상호작용, 그리고 다른 만성 질환 보유 여부라는 것을 발견했습니다. 이는 금융 접근성과 치료의 복잡성이 이 공동체의 순응도를 결정짓는 주요 동력임을 확인시켜 주었습니다.

또한 이 연구는 자원이 제한된 병원에서 이 도구를 어떻게 실용적으로 사용할 수 있을지 탐구했습니다. 연구진은 클리닉이 환자에 대한 모든 세부 정보를 가지고 있지 않을 수 있는 시나리오를 가정하여, 더 적은 양의 데이터로 모델이 작동할 수 있는지 테스트했습니다. 그들은 단 7개의 핵심 특징만을 사용하는 모델이 전체 모델과 거의 대등한 성능을 보였으며, 심지어 보험 상태, 연령-약물 상호작용, 만성 동반 질환 상태라는 단 3개의 특징만 있는 버전도 대부분의 예측력을 유지한다는 것을 발견했습니다. 이는 자원이 부족한 환경에서 의사들이 위험군 환자를 식별하기 위해 방대한 데이터베이스를 가질 필요는 없으며, 작고 집중된 정보 세트만으로도 충분하다는 것을 시사합니다.

하지만 연구진은 자신들의 연구 결과에 대한 한계를 주의 깊게 언급했습니다. 데이터는 단 하나의 병원에서 왔으며, 모델이 다른 지역이나 국가의 환자들에게도 적용될 수 있는지는 아직 테스트되지 않았으므로 어디서나 작동할 것이라고 단정할 수 없습니다. 또한, 데이터를 균형 있게 맞추는 기술을 사용하는 것이 모델이 비순응 환자를 더 잘 찾아내는 데 도움을 주기는 했지만, 전체적인 예측 정확도는 약간 떨어뜨린다는 점도 발견했습니다. 결국, 연구진은 전반적인 신뢰도가 가장 높았던 원래의 불균형 데이터를 사용한 모델을 선택했습니다. 이 연구는 머신러닝이 가나의 보건을 개선하는 데 큰 잠재력을 가지고 있지만, 이러한 도구들은 반드시 현지의 현실을 염두에 두고 구축되어야 한다고 결론짓습니다. 비용과 보험이라는 구체적인 장벽에 집중하고, 제한된 데이터로도 사용할 수 있도록 모델을 단순하게 유지함으로써, 연구진은 환자들이 생명을 구하는 약 복용을 중단하기 전에 그들을 지원할 수 있는 길을 만들어냈습니다.