| Home | E-Submission | Sitemap | Editorial Office |  
top_img
J Health Info Stat > Volume 41(4); 2016 > Article
공복혈당 궤적에 따른 심장병 발생 위험: 국민건강보험공단 표본 코호트 연구

Abstract

Objectives

To classify trajectories of fasting blood glucose (FBS) levels and examine each trajectory’s associations with risk of cardiovascular disease (CVD).

Methods

The National Health Insurance Service-National Sample Cohort (NHIS-NSC) sampled in the 2002 NHIS database was followed until 2010, and 13,829 participants aged 20 years and above had conducted nationwide health examinations annually. We used Cox proportional hazards models to examine the association of trajectories to risk of CVD. Four distinct trajectory groups were identified for FBS: low-stable, moderate-stable, elevated- upward, and High-upward.

Results

During 88947.9 person-years of follow-up (mean follow-up, 6.4 years), we documented 2,778 incident case of CVD. Age-standardized incidence rate were increased with FBS levels (5,296.2 in low-stable group, 6,292.6 in moderate-stable group, and 8047.9 in elevated-upward group), but not in High-upward group. In multivariate models adjusted for age and sex, FBS was a significant predictor of CVD in elevated-upward group (hazard ratio (HR)=1.6, 95% confidence interval (CI):1.4-1.8) and High-upward group (HR=1.6, 95% CI:1.3-2.1). However, further adjustment for clinical covariates, only elevated-upward group was significantly associated with CVD (HR=1.2, 95% CI:1.1-1.4).

Conclusions

Using the trajectory approach, we found that elevated-upward and High-upward FBS trajectories were associated with greater risk of CVD. These findings indicate the importance of FBS management across the lifespan, prognostic assessments and the targeting of prevention strategies to high-risk individuals.

서 론

제2형 당뇨병은 심장병에 대한 위험 증가와 관련있으며, 이는 주로 임상적 당뇨병 발생 이전에 심장병이 발생한다[1-4]. 최근의 한 인구집단을 대상으로 한 코호트 연구에 의하면 공복혈당장애 또한 당뇨병과 동일한 수준으로 사망 위험성을 증가시킨다고 보고하였다[5]. 이에 대한 기전은 명확하지 않지만, 당뇨병 환자에서 조절되지 않는 혈당 상태는 심혈관 질환으로 인한 사망 위험률 및 이로 인한 합병증과 관련된다는 보고가 널리 알려져 왔으며[6-8], 또한 이전의 많은 연구들을 통해 공복혈당장애와 심장병으로 인한 사망과의 관련성이 밝혀졌다[9-11].
전 세계적으로 당뇨 유병률은 매년 급증하고 있으며, 당뇨병으로 인한 사망 또한 매년 증가하고 있다[12,13]. 더욱이 당뇨병 발병 연령은 점차 낮아지고 있으며, 성인 초기 당뇨병 발생 위험은 증가하고 있는 가운데, 성인 초기에 공복혈당장애로 정의되는 당뇨병 전 단계 유병률 또한 꾸준히 증가하고 있다[14-16]. 최근 미국에서는 당뇨 전 단계인 사람들이 급증하는 추세에 있고[16], 국내에서도 당뇨병 유병률이 최근 몇 년 사이 소폭 증가하였으며, 공복혈당장애 유병률 또한 30세 이상의 성인에서 25%에 이르는 것으로 나타났다[17]. 당뇨 전 단계는 추후 당뇨병 및 심장병으로 발전할 가능성이 높은 잠재적인 당뇨병이므로, 국가적인 당뇨병 관리 체계에 있어 매우 중요한 예방 및 관리 대상이다. 이를 위해 당뇨병 및 심장병 발생 이전의 공복혈당에 대하여 지속적으로 추적 관리하는 것이 무엇 보다 중요하다[18]. 이에 집단중심추세모형방법론(group based trajectory modeling methods, GBTM)을 활용하면 공복 혈당 추적 관리 기간 동안 시간에 따른 특유의 변화 양상을 파악하고 각기 다른 양상에 따라 실제 심장병 발생 양상 또한 어떠한 차이를 보이는지 파악 가능하다.
따라서 본 연구에서는 국민건강보험공단 표본 코호트 자료를 통하여 공복혈당과 심장병 발생 위험과의 관련성을 집단중심추세모형방법론을 이용한 잠재계층분석(latent class growth analysis, LCGA)을 통해 알아보고자 하였다.

연구 방법

연구대상

본 연구대상자는 전 국민을 대상으로 한 국민건강보험공단 표본 코호트 자료에서 2002년부터 2010년까지 9년간 매년 건강검진을 받은 수검자를 기준으로 하였다.
2002년 이후, 9년간의 검진정보를 지닌 수검자 15,130명 중에서 20세 미만인 566명과 당뇨병, 고혈압, 심장병 및 뇌졸중 과거력이 있는 412명, 검진 이후 심혈관질환 진단 전에 이미 진단받은 자 299명 및 공복혈당, 수축기혈압, 이완기혈압, 총 콜레스테롤 변수에 결측값을 지닌 24명을 제외한 13,829명을 최종 분석 대상으로 하였다.

국민건강보험공단 표본 코호트 자료

국민건강보험공단 표본 코호트 자료의 근간은 국민건강보험공단에서 2011년에 구축한 2002년부터 2010년까지 건강보험 및 의료급여권자 전체에 대한 진료명세서와 진료내역, 상병내역, 처방전 내역 등을 기존 청구일 중심에서 진료개시일 중심으로 자료구조를 조정한 ‘국민건강정보 DB’이다. 이는 자격 DB, 진료 DB 및 검진 DB 등으로 구성되어 있으며, 사실상 장기간의 전 국민 전향적 코호트 연구 또는 중재의 효과를 검증할 수 있는 대규모 데이터베이스이다[19]. 본 연구는 국민건강정보 DB의 자격 DB로부터 추출된 표본 중 건강검진을 받은 경우에만 해당되는 건강검진 DB를 기준으로 하였다.
검진정보는 2002년에서 2010년까지 국민건강보험공단에서 국민들을 대상으로 실시한 일반검진 1차 및 2차, 생애전환기 건강진단 1차 및 2차, 암 검진 및 영유아 검진 자료 등으로 구성 되어 있다. 이러한 국가건강검진의 수검률은 본 연구2010년 기준, 국민건강보험대상자의 약 70% 정도이며[19], 2014년 현재 기준, 약 75%에 달한다[20].

연구에 사용된 변수

현재 국가검진 관련하여 당뇨병 진단에 쓰이는 대표적인 방법은 공복혈당 수치로, 식후 8-14시간 가량 지난 뒤 혈장 속에 포함된 포도당의 양을 측정한다[10]. 당뇨병 진단에는 공복혈당 수치뿐 아니라 식후 혈당 및 당화혈색소(HbA1c) 측정치를 사용하기도 하지만, 국민건강보험공단 표본 코호트 자료에서 활용 가능한 당뇨병 진단 관련 변수로서, 보다 보편적 지표인 공복혈당을 본 분석에 사용하였다[21]. 이외에 연구에 포함된 변수는 일반적 특성(성, 연령), 생활 습관(흡연, 음주, 운동), 과거력(결핵, 간염, 간장질환, 암, 기타질환), 가족력(당뇨병, 고혈압, 심장병, 뇌졸중)에 관한 정보를 수집하였으며, 건강검진결과로서 키, 체중, 수축기혈압, 이완기혈압, 총 콜레스테롤 수치를 포함하였다.
연구대상자의 심장병 진단은 본 연구 자료의 근간인 국민건강보험공단 표본 코호트 자료의 진료DB에서 상병 정보를 담고 있는 상병내역 자료 및 명세서 자료를 연계하여 확인하였으며, 상병 코드는 국제질병분류 ICD-10 기준으로 하였다. 표본 코호트 자료의 특성상 상병내역 자료와 명세서 자료는 청구일련번호로 연결되는데, 자료의 충실도 측면에서 청구를 목적으로 한 자료라는 자료의 제한점이 있다. 따라서 보다 정확한 진단 기준을 적용하기 위해 해당 질병에 대해 입원 이력이 있는 자들을 대상으로 하였다. 이를 위해 2002년 이후 명세서 자료 내에 포함된 ‘최초입원일’ 날짜 기준으로 하여 주 상병 및 부 상병 코드가 심장병인 경우, 심장병 첫 진단일 변수를 생성하였고, 해당 변수를 지닌 대상자는 심장병 발생자로 분류하였다. 본 연구의 심장병 진단 코드로는 이전 연구를 참고하여, 고혈압성 심장질환(I10–I15), 허혈성 심장질환(I20–I25), 죽상경화증 관련 심장질환(I44–I52), 동맥성 심장질환(I70–I74), 출혈성 뇌졸중(I60–I62) 및 허혈성 뇌졸중(I63–I66)을 포함하였다[4,22].

집단중심추세모형방법론

집단중심추세모형방법론은 연구대상자들 각각의 개인적 특성을 규명하고, 특정 변수에 대해 시간 또는 연령에 따른 유사한 진행 패턴을 파악하고 적합하게 분류해주는 방법이다. 본 연구에서는 집단중심추세모형방법론 중 한가지인 잠재계층분석 기법을 이용하여 분석하였다. 잠재계층분석 기법은 Nagin et al. [23]에 의해 그 이론이 발전하여 왔으며, 분석 도구로는 SAS 소프트웨어의 proc traj나 Stata 소프트웨어의 Traj이 주로 쓰인다[23,24]. 본 연구에서는 SAS 소프트웨어의 proc traj을 분석에 활용하였다. 집단중심추세모형방법론에서는 데이터의 형식에 따라 분석 시 각기 다른 모형을 적용하는데, 이분형 자료에서는 주로 로짓 기반 모형(logit-based model)을 적용하며, 심리측정식 계층 구조형 자료(psychometric scale data)의 경우 중도절단모형(censored normal (tobit) model, CNORM)을 적용한다. 집단중심추세모형방법론의 주요한 가정으로는 시간에 독립적인 공변량은 각 그룹에 속한 개인을 통해서만 관찰되는 추세와 연관되며, 시간에 의존적인 공변량은 관찰되는 추세와 직접적으로 연관된다는 것이다(Figure 1). 이러한 가정에 따라, 분석 시행 시 시간에 따라 변화하는 변수와 그렇지 않은 변수들의 효과 크기를 고려하여 각 개인별 그룹에 속할 확률값을 계산해 주게 된다. 그룹 개수에 대한 모형 적합도 비교는 베이지안 정보 척도(Bayesian information criterion)를 통해 시행되며, 그 값이 작을수록 적합하다고 판정한다[23].

잠재계층분석에 따른 공복혈당 그룹

본 연구에서는 2002년부터 2010년까지의 9년간 매년 건강검진을 받은 사람을 기준으로 하여, 공복혈당 수치에 로그를 취한 값으로 중도절단모형을 통한 잠재계층분석을 실시하였고, 각각의 상이한 궤적을 통해 적합한 그룹화를 시행한 결과 BIC값이 가장 작은 4개의 그룹으로 대상자를 분류하였다. 4개로 분류된 그룹 별로 2002년에서 2010년까지의 공복혈당 궤적의 일반적 특성을 파악한 후 각각의 그룹명을 부여하였다. 2002년 83.8 mg/dL에서 2010년 88.7 mg/dL로 80-90 mg/dL 수준에 머물러 있던 그룹은 ‘Low-stable’로, 2002년 95.4 mg/dL에서 2010년 99.3 mg/dL로 91-100 mg/dL 수준에 머물러 있던 그룹을 ‘Moderate-stable’로, 2002년 109.4 mg/dL에서 2010년 125.9 mg/dL로 이상혈당증 범위였으며, 9년 동안 약간 증가(16.5 mg/dL)한 그룹을 ‘Elevated-upward’, 2002년 150.3 mg/dL에서 2010년 179.9 mg/dL로 당뇨병 범위였으며, 9년 동안 크게 증가(29.6 mg/dL)한 그룹은 ‘High-upward’이라 명명하였다.

통계분석방법

잠재계층분석 시행 결과로 그룹화된 각 공복혈당 그룹별 일반적 특성을 파악하였으며, 9년간의 공복혈당 궤적 추세 특성에 따른 십 만인 년당 심장병 발생률과 심장병 발생에 대한 비교위험도 분석을 하였다. 또한 혼란변수를 통제한 상태에서 콕스비례위험모형(Cox proportional hazard model)을 통해 심장병 발생 위험도를 추정하였으며, 연구대상 집단 표본크기(sample size)에 대한 콕스비례위험모형 가정이 만족하는지 검토하였다. 분석도구로는 SAS 9.2 프로그램(SAS Institute, Cary, NC, USA)을 사용하였으며, 통계적 유의성은 p-value 0.05미만을 기준으로 하였다.

연구 결과

13,829명의 최종 분석 대상 중 남자가 여자보다 월등히 많았는데, 9년간 매년 검진을 받은 자를 기준으로 하여 자격 DB의 연령 그룹 변수와 성별 변수를 취한 결과, 이와 같이 매년 검진을 받은 검진 DB의 대상자 대부분은 남자였다. 전체 연구대상자의 연령대에서 20대와 30대가 각각 39.6%, 39.5%로 가장 많았으며, 남자에서는 20대(40.2%)가, 여자에서는 30대(37.2%)가 가장 많았다. 연구 대상자의 평균 공복혈당 수치는 남자가 여자에 비해 높았다(Table 1).
중도절단모형을 통하여 연구대상자들에 대하여 2002년부터 2010년까지의 9년간 공복혈당 수치에 로그를 취한 값에 대한 잠재계층분석을 실시하였다. 잠재계층분석 결과 각 그룹에 대한 확률은 모두 p-value 0.0001 미만으로 통계적인 적합 수준을 만족하였으며, 그룹 개수에 대한 BIC최소값은 63,348.8로 최종4개 그룹으로 대상자를 그룹화 하였다. 전체 연구대상자에 대한 각 그룹별 비율은 ‘Low-stable’ 47.9% (n = 6,670), ‘Moderate-stable’ 44.1% (n = 6,087), ‘Elevated upward’ 6.7% (n =189), ‘High-upward’14% (n = 883)이었다(Figure 2).
Table 2는 잠재계층분석을 통한 공복혈당 그룹별 일반적 특성을 보여주고 있다. 4개 그룹 중 ‘Low-stable’그룹에서 여성의 비율이 가장 높았고 가장 젊은 그룹이었으며, 심장병과 고혈압 가족력을 지닌 대상자 비율은 가장 높았다. 반면에 ‘High-upward’그룹에서는 남성의 비율이 월등히 높았고 30대 연령의 대상자가 가장 많았으며, 체질량지수 25 이상의 비율이 약 58%에 달하였으나, 심장병과 고혈압 가족력을 지닌 대상자 비율은 가장 낮았다.
본 연구대상자 전체 평균 추적기간은 6.4년이었고, 2010년 인구를 표준인구로 하였을 때, 각 그룹별 심장병에 대한 10만 명당 발생률은 ‘Elevated-upward’ 그룹이 가장 높았다(Table 3, Figure 3). Table 3은 공복 혈당 궤적에 따른 그룹별 심장병 발생 위험도 분석 결과를 보여주고 있다. ‘Low-stable’ 그룹을 기준으로 하였을 때, 모형1에서는 ‘Moderate-stable’ 그룹이 1.3배, ‘Elevated upward’그룹은 2.1배, ‘High-upward’ 그룹에서는 2.2배로 심장병 발생 위험이 유의하게 높았다(p for trend < 0.0001). 연령과 성을 보정한 모형2에서는 ‘Low-stable’ 그룹에 비해 ‘Moderate-stable’ 그룹은 1.1배, ‘Elevated upward’ 그룹은 1.6배, ‘High-upward’ 그룹에서는 1.6 배 심장병 발생 위험이 유의하게 높았으며, 흡연 상태, 체질량지수, 수축기 혈압, 총 콜레스테롤 변수와 심장질환, 뇌졸중, 고혈압 및 당뇨병에 대한 가족력을 추가 보정한 모형3에서는 ‘Low-stable’ 그룹에 비해 ‘Elevated upward’ 그룹만 심장병에 대한 발생 위험도가 1.2배 유의하게 높았다.

고 찰

2002년 109.4 mg/dL에서 2013년 125.9 mg/dl로 이상혈당증 범위였으며, 9년동안 약간의 증가를 보였던 ‘Elevated upward’ 그룹에서 심장병 발생 위험이 가장 높았다.
2002년부터 공복혈당이 당뇨병 수준이었다가 9년 동안 계속해서 크게 증가하였던 ‘High-upward’ 그룹에서는 심장병 발생 위험과 관련성이 보이지 않았는데, 이는 국민건강보험공단 표본 코호트 자료 대상자들의 연령대 자체가 다소 젊은 편인 것을 감안할 때, 만성질환 발생에 대한 위험도를 산출하기에는 젊은 대상자들에 대한 9년의 단기 추적으로는 충분하지 않은 결과로 반영되어 나타나게 된 것으로 생각된다. 또한, 2002년부터 당뇨병 수준의 공복혈당 수치를 지닌 대상자들은 그 만큼 심장병 및 당뇨병과 같은 만성질환에 대한 내재적 위험이 상당할 것이고, 따라서 꾸준한 건강관리를 하였을 가능성이 높다. 당뇨 전 단계에서 중요한 예방책으로는 생활습관의 변화, 특히 체중 감소와 운동량을 늘리는 것이라고 알려져 있는데, 따라서 그러한 효과의 반영으로 인해 ‘High-upward’ 그룹의 결과에서는 관련성이 나타나지 않았다고 볼 수도 있다[25]. 이와 더불어, 공복혈당과 심장병으로 인한 사망 관련된 이전의 한 연구에서 당뇨병 유병 상태인 대상자들 보다는 당뇨병 유병 상태는 아니나 비교적 높은 수준의 공복혈당 수준을 보인 대상자들에서 심장병 관련 사망에 대한 비교위험도가 더 높게 나타났는데[26], 본 연구에서도 이와 유사한 결과를 보인 점에서, 대표성을 지닌 비교적 젊은 코호트 자료를 이용하여, 잠재계층분석을 통한 9년의 짧은 추적기간 동안의 공복혈당 변화에 따른 심장병 발생 위험 추정을 하였다는 점에서 연구 자체에 의미를 부여할 수 있다고 본다.
익히 알려진 당뇨병과 심장병의 관련성 이외에 당뇨 전 단계와 심장병과의 관련성에 대해서도 지금껏 많은 연구들이 이루어져 왔다. 2010년에 시행된 한 메타분석 연구에 따르면 20개의 연구에 대해 고정효과로 결합된 결과를 추정하였을 때 유의한 관련성을 보인바 있다[27]. 이러한 이전 연구 결과들에 비추어, 당뇨 전 단계에서의 심장병 위험에 대한 중요성을 시사하는데 본 연구의 결과 또한 도움이 될 것을 기대하는 바이다. 우리나라의 당뇨병 유병률 추이를 살펴보면 지난 2005년부터 꾸준히 약 9%를 유지하다가 지난 2013년 11.0%, 2014년 10.2%로 약 1-2% 증가하였다. 만 30세 이상 당뇨병 유병률은 전체 11.1%, 공복혈당장애 유병률에서는 전체 25.0%였으며, 성별로 구분해 보았을 때 남자 30.0%, 여자 20.1%로 남자가 더 높았다[17,28,29]. 이처럼 세계적인 당뇨병 및 당뇨 전 단계 유병률 증가 추세와 더불어 우리나라 또한 증가 추세이다. 최근 한 관련자료에 의하면 2015년 기준 국내 당뇨병 및 당뇨 전 단계 유병자수는 1천 2백 30만 명에 달하는 것으로 나타났으며, 이러한 증가 추세는 노인인구 증가와 성인 초기 공복혈당장애의 유병자수 증가로 인해 계속 될 것으로 생각된다. 그러나 30-40대의 연령대에서 당뇨병에 대해 매우 낮은 인지율과 치료율을 보이고 있어, 초기 성인기에 제때 치료를 하지 못한 공복혈당장애가 중년기에 접어들어 당뇨병 및 각종 만성질환으로 계속 진행될 가능성이 있어 이에 대한 적절한 대책이 필요하다고 본다[30].
당뇨병과 심혈관질환과의 관련성을 연구한 기존 연구의, 병태생리학적 관점에서 보면, 당뇨로 인한 만성적인 고혈당, 과도한 유리지방산의 분비, 그리고 인슐린 저항성 등의 비정상적인 대사상태는 혈관내피세포 내의 대사 이상을 초래하게 되어, 내피세포의 기능 저하, 혈관의 과도한 수축, 염증의 증가 및 지속으로 인해 이상지질혈증을 일으킨다. 이는 결국 혈관 내 혈전이 생기기 쉬운 상태로 진행하게 되어 심혈관 질환과는 매우 밀접한 연관성을 가질 수밖에 없게 된다[31].
당뇨병 유병률은 남녀 모두 연령이 증가할수록 증가하는 양상을 띄는데, 최근에는 전 세계적으로 식습관 및 생활습관과 밀접한 관련이 있는 만성질환 발생의 패턴 변화로 인해 젊은 연령에서의 당뇨병 발생률이 증가하고 있다[15-17]. 이와 관련하여, 본 연구는 우리나라 국민을 대표하는 국민건강보험공단 표본 코호트 자료를 이용하여, 비교적 젊은 연령의 대상자들에 대해 이루어진 연구로서 갖는 의미가 있다.
본 연구의 장점으로는 먼저, 장기간의 전 국민 전향적 코호트 연구 또는 중재의 효과를 검증할 수 있는 대규모 데이터베이스인 공단 표본 코호트 DB를 활용하였다는 점이다. 우리나라의 국민건강보험 제도는 세계적으로도 인정받고 있으며, 전국민이 곧 가입 대상자가 되기에 국민건강보험 가입자의 진료내역, 검진결과, 거주지 및 보험료, 요양기관 정보 등을 바탕으로 층화계통추출 방법을 통해 구축된 국민건강보험공단 표본 코호트 자료는 전국민 건강정보를 대표하는 자료라 할 수 있다. 이러한 자료를 활용한 연구라는 측면에서 볼 때, 전국민 건강정보의 대표성을 지닌 자료를 활용하여 잠재계층분석을 통한 연구 모형을 적용한 연구라는 점을 장점으로 우선 꼽을 수 있다. 또한, 데이터 특유의 개별적 또는 분리적인 구조에 따라 자격 DB로부터 추출된 표본 중 2002년 건강검진 수검자를 기준으로 하여 9년간의 코호트를 새롭게 구축하여 연구하였다는 점이 있다. 마지막으로, 변수의 시간에 따른 추세와 연구 대상 인구집단의 크기를 고려하여 통계적으로 적절히 그룹화 시켜주는 집단중심추세모형방법론을 적용하여, 9년간의 공복 혈당 변화에 따른 심장병 발생 위험도를 추정하는 새로운 시도를 한 것 또한 장점으로 꼽을 수 있다. 집단중심추세모형방법론을 이용하여, 장기간의 공복 혈당 추적 관리 기간 동안의 특유의 변화 양상을 파악하여 질병 발생 이전에 예방적 대책을 수립하고, 그에 따라 실제 심장병 발생 양상 또한 어떠한 차이를 보이는 지를 파악하는 단계로 까지 나아간다면, 질병 예측 측면에서도 좋은 방향을 제시할 수 있는 방법이라 사료된다. 집단중심추세모형방법론을 역학연구에 적용한 이전의 사례들에서는 주로 일부 연령대만을 대상으로 하거나 한 시점만을 기준으로 하여 일정 기간의 궤적에 따른 그룹화를 시행하고, 각 그룹별 질병 관련 지표와의 관련성을 분석하였다면[32-34], 본 연구에서는 20대 이상 전 연령의 연구대상자에서 코호트 전체 기간 동안의 공복혈당 궤적에 따른 그룹별 심장병 발생 위험도를 추정하였다는 특징이 있다.
그러나 연구에 있어 몇 가지 제한점 또한 있는데, 첫째, 코호트 전체 기간이 모두 잠재계층분석에 이용되어 추적 기간 동안 중도 탈락한 자, 사망한 자 없이 9년간 매년 건강검진을 받은 생존자에 한하여 진행된 연구라는 가장 큰 취약점이 있다. 둘째, 연구를 위한 코호트 구축 시 처방전 데이터까지 수렴하는 데에 한계가 있어 약 복용력을 고려하지 못하였다는 연구의 제한점 또한 있을 수 있다. 따라서 이 같이 공복혈당 값에 영향을 미칠 가능성이 있는 당뇨병 치료제 복용 여부를 고려하지 못한 이유로 당뇨병 수준의 공복혈당 수치를 지니고 있던 대상자들이 시간이 지남에 따라 지속적인 건강관리의 목적으로 치료나 약 복용을 하였을 가능성이 있는데, 그러한 점이 본 연구의 ‘High-ward’ 그룹의 결과에서 드러나 꾸준히 공복혈당 수치가 증가하였음에도 불구하고 심장병 발생 위험과의 관련성이 나타나지 않았을 가능성에 대해 조심스럽게 유추해 볼 수 있을 것으로 사료된다. 셋째, 심장병을 기전 별로 세분화하였을 때, 대상자 및 발생자 수의 부족으로 인해 세분화된 위험도 추정이 곤란하였다. 이를 위해서는 심장병 기전 별 위험도 분석이 반영되고 다양한 연령대를 아우르는 더욱 세밀하고 보다 확장된 연구를 위해 대규모 코호트 자료를 통한 공복혈당 변화와 심장병 발생과의 관련성 연구가 더 필요할 것으로 보인다.
결론적으로, 국민건강보험공단 표본 코호트 자료를 활용한 본 연구에서, 공복혈당이 9년동안 이상혈당증 수준이었으며, 지속적으로 약간의 증가를 보인 20세 이상 성인에서의 심장병 발생 위험이 높았다.

CONFLICTS OF INTEREST

No potential conflict of interest relevant to this article was reported.

Figure 1.
Basic assumptions of group based trajectory modeling methods.
jhis-41-4-403f1.gif
Figure 2.
Change in log FBS levels during 9 years by trajectory groups. FBS, fasting blood sugar.
jhis-41-4-403f2.gif
Figure 3.
Age standardized rate (per 100,000 person-year) and number of CVD incidence by trajectory groups. CVD, cardiovascular disease. Age-adjusted death rate per 100,000 person-years using the 2010 standard population (Statistics Korea).
jhis-41-4-403f3.gif
Table 1.
General characteristics of study participants by sex (n=13,829)
Men (n = 11,830) Women (n = 1,999) p-value

n (%)
Age (y)
 20-29 4760 (40.2) 723 (36.2) < 0.000
 30-39 4717 (40.1) 743 (37.2)
 40-49 2129 (18.0) 503 (25.2)
 ≥ 50 200 (1.7) 30 (1.5)
Body mass index (BMI, kg/m2)
 BMI ≤ 18.5 293 (2.5) 144 (7.2) < 0.000
 18.5 < BMI < 23 4840 (40.9) 1123 (56.2)
 23 ≤ BMI < 25 3271 (27.7) 371 (18.6)
 25 ≤ BMI < 30 3209 (27.1) 341 (17.1)
 32 ≤ BMI 217 (1.8) 20 (1.0)
Family history
 Chronic heart disease (n = 12,138) 355 (3.0) 70 (3.5) 0.469
 Cerebrovascular disease (n = 12,165) 567 (4.8) 92 (4.6) 0.923
 Hypertension (n = 12,166) 735 (6.2) 153 (7.7) 0.049
 Type 2 diabetes (n = 12,172) 782 (6.6) 133 (6.7) 0.981
Mean ± SD
Fasting blood sugar (mg/dL) 92.1 ± 20.5 87.9 ± 15.0 < 0.000
Systolic blood pressure (mmHg) 123.8 ± 13.8 116.6 ± 13.8 < 0.000
Diastolic blood pressure (mmHg) 78.9 ± 10.0 74.2 ± 10.0 < 0.000
Total cholesterol (mg/dL) 192.0 ± 35.1 184.1 ± 33.2 < 0.000

SD, standard deviation.

Table 2.
General characteristics of study participants according to fasting blood sugar trajectories at baseline and 9 years (n=13,829)
Low-stable Moderate-stable Elevated-upward High-upward p-value

n (%)
Age (y)
20-29 3,207 (48.1) 2,380 (34.4) 151 (17.1) 31 (16.4) < 0.000
30-39 2,380 (35.7) 2,591 (42.6) 422 (47.8) 91 (48.2)
40-49 994 (14.9) 1,294 (21.3) 285 (32.3) 59 (31.2)
≥ 50 89 (1.3) 108 (1.8) 25 (2.8) 8 (4.2)
Sex (women) 1,367 (20.5) 566 (9.3) 56 (6.3) 10 (5.3) < 0.000
Body mass index (BMI, kg/m2)
 At baseline
  BMI ≤ 18.5 291 (4.4) 140 (2.3) 5 (0.6) 1 (0.5) < 0.000
  18.5 < BMI < 23 3,249 (48.7) 2,443 (40.1) 231 (26.2) 40 (21.2)
  23 ≤ BMI < 25 1,626 (24.4) 1,734 (28.5) 243 (27.5) 39 (20.6)
  25 ≤ BMI < 30 1,429 (21.4) 1,664 (27.3) 361 (40.9) 96 (50.8)
  30 ≤ BMI 75 (1.1) 106 (1.7) 43 (4.9) 13 (6.9)
 At endline
  25 ≤ BMI 1,864 (27.9) 2,142 (35.2) 396 (44.8) 80 (42.3) < 0.000
 Family history
  Chronic heart disease (n = 12,138) 213 (3.2) 186 (3.1) 22 (2.5) 4 (2.1) < 0.000
  Cerebrovascular disease (n = 12,165) 303 (4.5) 308 (5.1) 40 (4.5) 8 (4.2) < 0.000
  Hypertension (n = 12,166) 445 (6.7) 377 (6.2) 56 (6.3) 10 (5.3) < 0.000
  Type 2 diabetes (n = 12,172) 418 (6.3) 388 (6.4) 93 (10.5) 16 (8.5) < 0.000
 Smoking status (n = 12,029)
  Never smoker 2,844 (42.6) 2,138 (35.1) 309 (35.0) 56 (29.6) < 0.000
  Current smoker 2,637 (39.5) 2,722 (44.7) 401 (45.4) 92 (48.7)
  Former smoker 366 (5.5) 400 (6.6) 55 (6.2) 9 (4.8)
 Drinking status (per once)
  Non drinker 2,076 (31.1) 1,442 (23.7) 206 (23.3) 45 (23.8) < 0.000
  Less than half a bottle of Soju 1,655 (24.8) 1,334 (21.9) 177 (20.1) 32 (16.9)
  Half a bottle - a bottle of Soju 2,105 (31.6) 2,314 (38.0) 328 (37.2) 76 (40.2)
  A bottle - 1.5 bottle of Soju 624 (9.4) 753 (12.4) 130 (14.7) 23 (12.2)
  1.5 bottle - 2 bottle of Soju or more 210 (3.2) 244 (4.0) 42 (4.8) 13 (6.9)
 Regular exercise (per a wk) (n = 13,395)
  No exercise 3,088 (46.3) 2,623 (43.1) 369 (41.8) 81 (42.9) < 0.000
  1-2 days 2,270 (34.0) 2,215 (36.4) 337 (38.2) 57 (30.2)
  3-4 days 713 (10.7) 684 (11.2) 102 (11.6) 21 (11.1)
  5-6 days 146 (2.2) 124 (2.0) 16 (1.8) 3 (1.6)
  Everyday 253 (3.8) 228 (3.8) 41 (4.6) 17 (9.0)
Mean ± SD
Fasting blood sugar (mg/dL)
 At baseline 83.8 ± 11.0 95.4 ± 16.9 109.4 ± 24.54 150.3 ± 69.4 < 0.000
 At endline 88.7 ± 10.3 99.3 ± 12.2 125.9 ± 30.0 179.9 ± 62.4 < 0.000
Systolic blood pressure (mmHg)
 At baseline 120.6 ± 13.5 124.0 ± 13.8 129.0 ± 15.6 131.1 ± 15.5 < 0.000
 At endline 120.9 ± 12.6 124.6 ± 13.0 127.6 ± 12.9 128.7 ± 14.9 < 0.000
Diastolic blood pressure (mmHg)
 At baseline 76.8 ± 9.9 79.0 ± 9.9 82.7 ± 11.0 84.7 ± 11.0 < 0.000
 At endline 76.6 ± 9.1 78.7 ± 9.3 80.7 ± 9.1 80.8 ± 9.6 < 0.000
Total cholesterol (mg/dL)
 At baseline 186.8 ± 34.1 192.8 ± 34.6 203.0 ± 37.2 213.2 ± 36.8 < 0.000
 At endline 195.1 ± 33.5 198.5 ± 34.6 198.9 ± 39.1 195.2 ± 40.8 < 0.000

SD, standard deviation.

Table 3.
Hazard ratios (95% CI) for risk of CVD according to FBS group by trajectory (n=13,829)
No. of persons No. of CVD incidences Person years, follow-up Age-adjusted rate FBS (mmHg)
Model 1
Model 2
Model 3
At baseline At endline HR (95% CI) HR (95% CI) HR (95% CI)
Low-stable 6,670 1,086 37,297.2 5,296.2 83.8 ± 11.0 88.7 ± 10.3 1.0 1.0 1.0
Moderate-stable 6,087 1,326 43,401.1 6,292.6 95.4 ± 16.9 99.3 ± 12.2 1.3 (1.2-1.4) 1.1 (1.0-1.2) 1.0 (0.9-1.1)
Elevated-upward 883 309 1,765.1 8,047.9 109.4 ± 24.5 125.9 ± 30.0 2.1 (1.8-2.3) 1.6 (1.4-1.8) 1.2 (1.1-1.4)
High-upward 189 67 409.9 5,326.6 150.3 ± 69.4 179.9 ± 62.4 2.2 (1.7-2.8) 1.6 (1.3-2.1) 1.0 (0.8-1.3)

CI, confidence interval; CVD, cardiovascular disease; FBS, fasting blood sugar; HR, hazard ratio.

Model 1: Uunadjusted, Model 2: Adjusted for age and sex, Model 3: Adjusted for age, sex, current smoker, body mass index, systolic blood pressure, total cholesterol and family history for cardiovascular disease.

REFERENCES

1. Hu FB, Stampfer MJ, Haffner SM, Solomon CG, Willett WC, Manson JE. Elevated risk of cardiovascular disease prior to clinical diagnosis of type 2 diabetes. Diabetes Care 2002;25(7):1129-1134. Doi: 10.2337/diacare.25.7.1129
crossref pmid
2. Elizabeth LM, Paul ZZ, Timothy AW, Damien J, Dianna JM, David WD, et al. Risk of cardiovascular and all-cause mortality in individuals with diabetes mellitus, impaired fasting glucose, and impaired glucose tolerance The Australian Diabetes, Obesity, and Lifestyle Study (AusDiab). Circulation 2007;116:151-157. Doi: 10.1161/Circulationaha.106.685628
crossref pmid
3. Kim HK, Park SW, Kim CH, Yun YD, Kim EH, Baek SJ, et al. Impaired fasting glucose and risk of cardiovascular disease in Korean men and women. Diabetes Care 2013;36:328-335. Doi: 10.2337/dc12-0587
crossref pmid pmc
4. Park CS, Han EJ, Guallar E, Baek SJ, Linton JA, Yun YD, et al. Fasting glucose level and the risk of incident atherosclerotic cardiovascular diseases. Diabetes Care 2013;36:1988-1993. Doi: 10.2337/dc12-1577
crossref pmid pmc
5. Shi Z, Zhen S, Zimmet PZ, Zhou Y, Zhou Y, Magliano DJ, et al. Association of impaired fasting glucose, diabetes and dietary patterns with mortality: a 10-year follow-up cohort in Eastern China. Acta Diabetologica 2016;53(5):799-806. Doi: 10.1007/s00592-016-0875-8
crossref pmid pdf
6. Held C, Björkander I, Forslund L, Rehnqvist N, Hjemdahl P. The impact of diabetes or elevated fasting blood glucose on cardiovascular prognosis in patients with stable angina pectoris. Diabet Med 2005;22:1326-1333.
crossref pmid
7. Yang SW, Zhou YJ, Nie XM, Liu YY, Du J, Hu DY, et al. Effect of abnormal fasting plasma glucose level on all-cause mortality in older patients with acute myocardial infarction: results from the Beijing Elderly Acute Myocardial Infarction Study (BEAMIS). Mayo Clin Proc 2011;86(2):94-104. Doi: 10.4065/mcp.2010.0473
crossref pmid pmc
8. Norhammar A, Tenerz A, Nilsson G, Hamsten A, Efendíc S, Rydén L, et al. Glucose metabolism in patients with acute myocardial infarction and no previous diagnosis of diabetes mellitus: a prospective study. Lancet 2002;359:2140-2144.
crossref pmid
9. Wei M, Gibbons LW, Mitchell TL, Kampert JB, Stern MP, Blair SN. Low fasting plasma glucose level as a predictor of cardiovascular disease and all-cause mortality. Circulation 2000;101:2047-2052.
crossref pmid
10. The Emerging Risk Factors Collaboration. Diabetes mellitus, fasting glucose, and risk of cause-specific death. N Engl J Med 2011;364:9. Doi: 10.1056/NEJMoa1008862

11. Williams ED, Renwick C, Rawal L, Shaw JE, Oldenburg BF, Tapp RJ. Risk of cardiovascular and all-cause mortality: impact of impaired health-related functioning and diabetes. Diabetes Care 2012;35:1067-1073. Doi: 10.2337/dc11-1288
crossref pmid pmc
12. World Health Organization. 2015 Global report on diabetes. 2016.

13. Centers for Disease Control and Prevention. Long-term trends in diabetes. GA, USA: Centers for Disease Control and Prevention; 2016.

14. Dabelea D, DeGroat J, Sorrelman C, Glass M, Percy CA, Avery C, et al. Diabetes in Navajo youth: prevalence, incidence, and clinical characteristics: the SEARCH for Diabetes in Youth Study. Diabetes Care 2009;Suppl 2:S141-7. Doi: 10.2337/dc09-S206
crossref
15. Wilmot E, Idris I. Early onset type 2 diabetes: risk factors, clinical impact and management. Ther Adv Chronic Dis 2014;5(6):234-244. Doi: 10.1177/2040622314548679
crossref pmid pmc
16. Menke A, Casagrande S, Geiss L, Cowie CC. Prevalence of and trends in diabetes among adults in the United States, 1988-2012. JAMA 2015;314(10):1021-1029. Doi: 10.1001/jama.2015.10029
crossref pmid
17. Korea Centers for Disease Control and Prevention. The Korea National Health and Nutrition Examination Survey (KNHANES): The Korea health statistics (2014). Cheongju: Korea Centers for Disease Control and Prevention; 2015. (Korean).

18. Chun KH. Evidence-based management and treatment of high risk individuals with pre-diabetes. J Korean Med Assoc 2011;54(10):1020-1027. (Korean).
crossref
19. Lee JY, Lee JS, Park SH, Soon Shin A, Kim KW. Cohort profile: The National Health Insurance Service–National Sample Cohort (NHISNSC), South Korea. Int J Epidemiol 2015;1-8. Doi: 10.1093/ije/dyv319
crossref
20. National Health Insurance Service. National health screening statistically earbook. Wonju: National Health Insurance Service; 2015. (Korean).

21. Park TS. Medical opinion for application criteria of Health insurance service for type 2 diabetes medication. Health Poilcy Forum 2011;9(2):21-26. (Korean).

22. Park JK, Kim GS, Kim CB, Lee TY, Lee KS, Lee DH, et al. The accuracy of ICD codes for cerebrovascular diseases in medical insurance claims. Korean J Prev Med 2000;33(1):76-82. (Korean).

23. Jones BJ, Nagin DS, Roeder K. A SAS procedure based on mixture models for estimating developmental trajectories. Sociological Methods & Research 2001;29(3):374-393.
crossref
24. Wen CP, Cheng DYD, Tsai SP, Hsu HL, Wang SL. Increased mortality risks of pre-dabetes (impaired fasting glucose) in Taiwan. Diabetes Care 2005;28:2756-2761.
crossref pmid
25. Grundy SM. Pre-diabetes, metabolic syndrome, and cardiovascular risk. J Am Coll Cardiol 2012;59(7):635-643. Doi: 10.1016/j.jacc.2011.08.080
crossref pmid
26. Nagin DS, Odgers CL. Group-based trajectory modeling in clinical research. Annu Rev Clin Psychol 2010;6:109-138.
crossref pmid
27. Ford ES, Zhao G, Li C. Pre-diabetes and the risk for cardiovascular disease: a systematic review of the evidence. J Am Coll Cardiol 2010;55(13):1310-1317.
crossref pmid
28. National Health Insurance Service. Korean diabetes fact sheet. Wonju: National Health Insurance Service; 2015. (Korean).

29. Korea Centers for Disease Control and Prevention. The Korea National Health and Nutrition Examination Survey (KNHANES): main report, Phase 6, 2nd (2014). Cheongju: Korea Centers for Disease Control and Prevention; 2015. (Korean).

30. Korea Centers for Disease Control and Prevention. The Korea National Health and Nutrition Examination Survey (KNHANES): the Korea health statistics (2015). Cheongju: Korea Centers for Disease Control and Prevention; 2016. (Korean).

31. Beckman JA, Creager MA, Libby P. Diabetes and atherosclerosis: epidemiology, pathophysiology, and management. JAMA 2002;287(19):2570-2581.
crossref pmid
32. Allen NB, Siddique J, Wilkins JT, Shay C, Lewis CE, Goff DC, et al. Blood pressure trajectories in early adulthood and subclinical atherosclerosis in middle age. JAMA 2014;311(5):490-497.
crossref pmid pmc
33. Theodore RF, Broadbent J, Nagin D, Ambler A, Hogan S, Ramrakha S, et al. Childhood to early-midlife systolic blood pressure trajectories. Hypertension 2015;66:1108-1115.
crossref pmid pmc
34. Munthali RJ, Kagura J, Lombard Z, Norris SA. Childhood adiposity trajectories are associated with late adolescent blood pressure: birth to twenty cohort. BMC Public Health 2016;16:665.
crossref pmid pmc
Editorial Office
The Korean Society of Health Informatics and Statistics
680 gukchaebosang-ro, Jung-gu, Daegu, 41944, Korea
E-mail: koshis@hanmail.net
About |  Browse Articles |  Current Issue |  For Authors and Reviewers
Copyright © The Korean Society of Health Informatics and Statistics.                 Developed in M2PI