📄 의학

Predictors of fertility-limiting preferences among currently married women in Bangladesh: an interpretable machine learning analysis of the 2022 Demographic and Health Survey

2022년 방글라데시 인구보건조사 데이터를 활용한 설명 가능한 머신러닝을 통해, 본 연구는 XGBoost가 기혼 여성의 출산 제한 선호도를 정확하게 예측할 수 있음을 입증하며, 연령, 생존 자녀 수, 피임 의도를 핵심 예측 요인으로 식별하는 동시에 디지털 포용성과 정신 건강은 영향력이 미미함을 밝혀냈다.

원저자: Md. Mahbub-Ur Rashid, Prayas Sur Antu, Ujjoyene Talapatra Athai, Md. Hazrat Ali

게시일 2026-10-11

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Md. Mahbub-Ur Rashid, Prayas Sur Antu, Ujjoyene Talapatra Athai, Md. Hazrat Ali

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

가족 생활의 정적인 미적분학 속에서, 여성이 또 다른 아이를 가질 것인지에 대한 결정은 실제로 다음에 어떤 일이 일어날지를 예측하는 가장 강력한 단일 지표가 되는 경우가 많습니다. '출산 선호도'라고 알려진 이 선택은 생식 행동의 나침반 역할을 합니다. 여성이 아이를 그만 낳기를 원할 때, 그녀는 임신을 영구적으로 또는 장기간 방지할 수 있는 방법을 찾을 가능성이 높습니다. 반면 아이의 간격을 조절하고 싶을 때는 일시적인 해결책을 찾습니다. 수십 년 동안 방글라데시와 같은 국가의 공중 보건 프로그램은 어떤 여성이 어느 범주에 속하는지 추측하기 위해 광범위한 통계에 의존해 왔으며, 적절한 서비스를 적절한 사람에게 매칭하기를 희망해 왔습니다. 그러나 방글라데시의 여성 1인당 총 출생아 수가 인구를 단순히 대체하는 데 필요한 수준보다 약간 높은 수준에서 안정화됨에 따라, 질문의 성격이 바뀌었습니다. 이제는 단순히 왜 출산율이 높은가가 문제가 아니라, 어떤 여성이 이미 출산을 중단하기로 결정했는지를 정확히 파악하여 보건 요원들이 그들에게 필요한 장기적인 케어를 제공할 수 있도록 하고, 또 어떤 여성이 여전히 가족을 구성하고 있으며 다른 지원이 필요한지를 파악하는 것이 핵심이 되었습니다.

마울라나 바샤니 과학기술대학교(Mawlana Bhashani Science and Technology University)의 연구팀은 머신러닝이라는 현대적인 접근 방식을 사용하여 이 문제를 해결하기로 했습니다. 모든 요인이 독립적으로 작용한다고 가정하는 전통적인 통계 방식 대신, 그들은 방대한 데이터셋에서 복잡한 패턴을 찾아낼 수 있는 컴퓨터 알고리즘을 사용했습니다. 그들은 수천 명의 여성을 인터뷰한 종합적인 국가 조사인 2022년 방글라데시 인구보건조사(Bangladesh Demographic and Health Survey)를 활용했습니다. 이 풀(pool)에서 그들은 15세에서 49세 사이의 현재 기혼 여성 17,245명을 선정했습니다. 목표는 단순하면서도 야심 찼습니다. 바로 컴퓨터가 여성의 연령, 교육, 정신 건강, 거주지 이동 이력, 심지어 디지털 기술에 대한 접근성 등 삶에 관한 폭넓은 정보를 바탕으로 여성이 더 이상의 자녀를 원하지 않는지를 정확하게 예측할 수 있는지 확인하는 것이었습니다.

연구진은 각 여성에 대한 25가지의 서로 다른 정보(예: 이미 가진 자녀 수, 현재 마을에 거주한 기간, 스마트폰 소유 여부, 불안이나 우울증 검사 양성 반응 여부 등)를 컴퓨터에 입력했습니다. 그들은 데이터를 두 그룹으로 나누어, 첫 번째 그룹으로는 컴퓨터가 패턴을 인식하도록 학습시키고, 두 번째 그룹으로는 새로운 사례에 대해 컴퓨터가 얼마나 잘 수행하는지 테스트했습니다. 여러 종류의 알고리즘을 학습시킨 결과, 그들은 XGBoost라고 알려진 하나의 모델이 이 작업에 매우 뛰어나다는 것을 발견했습니다. 이 모델은 여성이 더 이상의 자녀를 원하지 않는지를 약 84%의 확률로 정확하게 식별해 냈는데, 이는 최고의 인간 전문가와 맞먹는 정확도이며 단순한 추측을 훨씬 뛰어넘는 수준입니다.

가장 놀라운 발견은 컴퓨터가 이러한 예측을 할 수 있다는 사실뿐만 아니라, 정확히 어떤 요인들이 그러한 결정의 동력이 되는가 하는 점이었습니다. 알고리즘은 가장 강력한 신호가 여성의 생애 단계 중 가장 근본적인 측면에서 온다는 것을 학습했습니다. 여성의 연령과 이미 살고 있는 자녀의 수는 가장 강력한 지표였습니다. 네 명 이상의 자녀를 둔 30대 후반의 여성은 아이를 그만 낳기를 원할 가능성이 거의 높았고, 자녀가 없는 젊은 여성은 그렇지 않을 가능성이 높았습니다. 이러한 명백한 요인들 외에도, 여성이 현재 위치에서 거주한 기간이 놀라울 정도로 강력한 예측 변수라는 점이 밝혀졌습니다. 한 지역에서 15년 이상 거주한 여성들은 출산을 중단하고 싶어 할 가능성이 훨씬 높았던 반면, 최근에 그곳으로 이주한 여성들은 곧 또 다른 아이를 가질 가능성이 훨씬 높았습니다. 이는 장기 거주의 안정성이 가족 형성의 완결성과 밀접하게 연결되어 있는 반면, 최근의 이동은 대개 가족이 여전히 초기 성장 단계에 있음을 나타낸다는 것을 시사합니다.

또한 연구는 여성의 정신 건강이나 인터넷 접근성이 출산 욕구에 영향을 미치는지와 같이 이 맥락에서 충분히 탐구되지 않았던 몇 가지 아이디어들을 테스트했습니다. 데이터에 따르면 불안이나 우울증을 겪는 여성이나 디지털 포용성이 높은 여성들이 개별적으로 보았을 때는 서로 다른 출산 선호도를 보였지만, 컴퓨터 모델은 이러한 요인들이 독립적인 동인이 아님을 드러냈습니다. 모델이 여성의 연령, 교육, 자녀 수를 고려하고 나면, 정신 건강 증상이나 디지털 접근성의 영향은 배경 속으로 사라졌습니다. 그것들은 여성이 출산을 중단하거나 계속하기로 결정한 주요 이유가 아니라, 오히려 그녀가 처한 생애 단계의 부수적인 효과인 경우가 많았습니다. 마찬가지로 부나 지리적 위치도 약간의 영향을 미쳤지만, 여성 개인의 이력보다는 중요도가 훨씬 낮았습니다.

이 연구 결과의 함의는 가족 계획 프로그램에 있어 실질적이고 즉각적입니다. 모델이 일상적인 조사에서 수집되는 정보만을 사용하여 높은 정밀도로 출산을 중단하고자 하는 여성을 식별할 수 있기 때문에, 보건 요원들은 이와 동일한 간단한 질문들을 사용하여 서비스를 더 효과적으로 타겟팅할 수 있습니다. 보건 요원들은 특정 지역에 오래 거주하고 자녀가 여러 명인 여성들에게 장기적이고 영구적인 피임법을 집중적으로 제안함으로써, 그들이 의도하지 않은 임신을 겪지 않도록 보장할 수 있습니다. 동시에, 최근에 이주한 사람들에게는 가족 형성의 초기 단계에 있을 가능성이 높으므로 출산 간격 조절 서비스를 안내할 수 있습니다. 이 연구는 가족 생활의 풍경이 복잡할지라도, 출산을 중단하겠다는 결정은 현대 생활의 소음 속에 숨겨진 미스터리가 아니라, 여성의 연령, 자녀, 그리고 거주 이력이라는 일상의 세부 사항 속에 명확하게 기록된 신호임을 확인시켜 줍니다.

기술 요약: 방글라데시의 출산 제한 선호도 예측 요인 (2022)

문제 제기
방글라데시의 합계출산율은 2011년 이후 여성 1인당 2.3명에서 정체되어 있으며, 대체 수준을 상회하고 있습니다. 현재 기혼 여성의 약 60%가 출산을 중단하고자 하는 욕구를 표현하고 있지만, 가족 계획에 대한 미충족 수요는 여전히 상당 부분 존재합니다. 가족 계획 프로그램의 핵심 과제는 출산을 중단하고자 하는 여성(제한적 선호)과 출산 간격을 조절하고자 하는 여성(간격 조절 선호)을 구분하는 것이며, 이는 인구학적 전환 후기(late-transition) 환경에서 매우 중요합니다. 이 단계에서는 더 이상 높은 출산율을 유도하는 친출산적 규범이 생애 전반에 걸쳐 작용하지 않기 때문입니다. 기존의 로지스틱 회귀 모델은 종종 로그-오즈(log-odds)에 대한 가법적 효과를 가정하므로, 파리티(parity, 출산 횟수), 연령, 교육 등 변수 간의 복잡한 상호작용을 놓칠 수 있습니다. 또한, 기존의 머신러닝(ML) 연구는 주로 고출산 지역인 아프리카나 소규모 클리닉 기반 표본에 집중되어 왔으며, 해석 가능한 프레임워크가 부족하고 내부 이주, 디지털 포용성, 정신 건강과 같은 최신 설문 영역을 통합하지 못했다는 한계가 있습니다.

연구 방법론
본 연구는 2022년 방글라데시 인구보건조사(BDHS)의 이차 데이터를 활용하여, 15~49세의 기혼 여성 17,245명을 대상으로 분석을 수행하였습니다. 종속 변수는 출산 선호의 이진 분류인 "제한(출산을 원하지 않음, 불임 수술 포함)" 대 "비제한(다른 아이를 원하거나 결정하지 못함)"으로 설정되었습니다.

분석 파이프라인은 TRIPOD+AI 지침을 준수하였으며, 다음 단계로 진행되었습니다:

특성 공학(Feature Engineering): 사회인구학적, 생식적, 이주, 디지털 포용성, 정신 건강 영역에 걸쳐 25개의 후보 예측 변수를 선정하였습니다. 이들은 38개의 특성으로 인코딩되었습니다(서열 변수는 순서 보존 정수를 사용하고, 명목 변수는 원-핫 인코딩을 적용).
데이터 분할: 종속 변수에 따라 층화 추출하여 데이터셋을 80%의 훈련 세트( $n=13,796$ )와 20%의 홀드아웃 테스트 세트( $n=3,449$ )로 나누었습니다.
특성 선택: 훈련 세트에 Boruta 알고리즘을 적용하여 모든 관련 특성을 식별하였으며, 그 결과 38개 인코딩 특성 중 27개를 확정하고 10개(분모, 종교, 미디어 노출 등 포함)를 제외하였습니다.
모델 훈련 및 튜닝: 10-겹 층화 교차 검증(10-fold stratified cross-validation)을 통해 5가지 분류기를 훈련하고 튜닝하였습니다: L2 규제 로지스틱 회귀, 서포트 벡터 머신(SVM), 랜덤 포레스트, XGBoost, CatBoost. 클래스 불균형 문제는 범주형 데이터의 결합 분포를 왜곡할 수 있는 합성 오버샘플링 대신, 균형 잡힌 클래스 가중치 또는 scale_pos_weight를 사용하여 해결하였습니다.
평가 및 해석: 모델은 홀드아웃 테스트 세트를 사용하여 AUC, 정밀도(precision), 재현율(recall), 특이도(specificity), F1-스코어로 평가되었습니다. 가장 우수한 성능을 보인 모델은 TreeExplayer 알고리즘을 통한 SHAP(Shapley Additive Explanations)을 사용하여 특성 중요도와 방향성을 해석하였습니다.

주요 결과

예측 성능: 5가지 모델 모두 높은 판별력을 보여주었습니다. XGBoost가 테스트 AUC 0.926 (95% CI: 0.917–0..934), 민감도 84.1%, 특이도 84.3%로 가장 우수한 성능을 기록했습니다. CatBoost(AUC 0.925)와 로지스틱 회귀(AUC 0.919)도 거의 동일한 성능을 보였는데, 이는 주요 관계들이 주로 단조적(monotonic)이며 앙상블 방법론을 통한 비선형적 이득이 완만함을 시사합니다.
특성 중요도: 예측 신호는 "생애 경로 핵심(life-course core)"에 집중되었습니다. SHAP 값의 대부분을 차지하는 상위 예측 변수는 다음과 같습니다:
- 연령대 (중요도의 24.3%)
- 생존 자녀 수 (13.1%)
- 피임 행태 (특히 사용 의사가 없는 피임 미사용 상태)
- 거주 기간 (장기 거주 대 최근 이주)
- 이상적인 가족 규모
- 결혼 연령 및 가구 규모
방향성: 연령이 높고 출산 횟수가 많을수록 출산 제한 선호 확률이 강력하게 증가했습니다. 반면, 최근 이주, 높은 교육 수준(배우자 모두 포함), 큰 이상적 가족 규모, 그리고 피임을 시작하려는 의도는 비제한적 선호 쪽으로 예측을 이동시켰습니다.
새로운 변수: 이변량 분석에서는 연관성을 보였으나, 디지털 포용성과 정신 건강 증상(불안 및 우울)은 연령, 출산 횟수, 교육 수준을 통제했을 때 최종 모델의 예측에 기여하는 바가 매우 적었습니다. 마찬가지로 자녀 손실(child loss) 역시 SHAP 중요도에서 최하위를 기록했습니다.

의의 및 주장
저자들은 본 연구가 문헌에 다음과 같은 세 가지 주요 기여를 한다고 주장합니다:

맥락적 참신함: 방글라데시 또는 남아시아의 인구학적 전환 후기 집단에 설명 가능한 ML 프레임워크를 적용한 첫 번째 연구로서, 초점을 "왜 출산율이 높은가"에서 "누가 중단을 원하는가"로 전환하였습니다.
방법론적 엄밀성: 특성 선택을 훈련 세트로 제한하고 클래스 가중치를 사용하는 경우, 합성 오버샘플링 없이도 높은 판별력(AUC > 0.91)을 달달성할 수 있음을 입증하였습니다. 이는 보고된 성능이 평가 설계의 오류가 아닌 견고한 결과임을 시사합니다.
예측 범위: 광범위한 예측 변수를 테스트함으로써, 디지털 포용성과 정신 건강이 이변량 분석에서는 연관성이 있을지라도, 이 특정 맥락에서는 표준 사회인구학적 및 생식적 변수 이상의 유의미한 독립적 예측 가치를 제공하지 못한다는 점을 밝혀냈습니다.

결론
본 연구는 일상적으로 수집되는 설문 특성을 통해 출산 제한 선호를 정확하게 예측할 수 있다고 결론짓습니다. 저자들은 프로그램 적용 시 "거주 기간"과 "피임 의도"를 활용하여 여성을 계층화할 수 있다고 제안합니다. 즉, 출산 횟수가 많은 장기 거주자는 장기 지속형 또는 영구적 피임법의 대상이 될 수 있고, 출산 횟수가 적은 최근 이주자는 간격 조절 서비스를 받는 것이 더 적합할 수 있습니다. 저자들은 본 연구 결과가 횡단적 데이터에서 도출된 예측적 연관성임을 강조하며, 이를 인과적 효과로 해석해서는 안 된다고 명시하였습니다. 또한 개별 수준의 서비스 전달에 구현하기 전, 향후 설문 조사 차수에서의 외부 타당성 검증이 필요함을 언급하였습니다.

기술 요약: 방글라데시의 출산 제한 선호도 예측 요인 (2022)

유사한 논문