지리적 가중 회귀분석을 이용한 간암 사망률에 영향을 미치는 지역적 요인
Abstract
Objectives
This study aimed to identify the regional factors affecting liver cancer mortality using geographically weighted regression (GWR).
Methods
Data from 2017 to 2019 were utilized, including health examination statistics and regional medical utilization statistics from the National Health Insurance Corporation, regional infectious disease statistics and community health surveys from the Korea Centers for Disease Control and Prevention, mortality statistics and population census data from Statistics Korea. Spatial data were obtained from the Statistical Geographic Information Service, covering 229 cities, counties, and districts. Statistical analysis was performed using R version 4.3.2, with significant variables identified through ordinary least squares (OLS) analysis, followed by GWR to assess model improvement.
Results
The OLS analysis identified percent of population aged 40+, incidence of hepatitis C, high-risk drinking rate, and national health insurance premium as significant factors. Moran's Index showed a positive spatial autocorrelation (0.373, p <0.001). GWR analysis increased the adjusted R² from 48% to 61% and reduced the AIC from 1,062.21 to 1,038.59, indicating an improvement in the model's explanatory power and fit. In Jeollanam-do and Jeju-do, the explanatory power was high, and the percent of population aged 40+ had a strong influence in Gangwon-do. The incidence of hepatitis C had a strong influence in the southern coastal regions, the high-risk drinking rate was notably significant in the Yeongnam region, and the national health insurance premium had a strong influence in Busan.
Conclusions
As significant factors vary by region, it is considered important to establish health care policies and projects that take into account the characteristics of each region, and through this, we can expect to reduce liver cancer mortality in the region and improve community health levels.
Key words: Liver cancer mortality, Regional factors, Spatial autocorrelation, Moran's index, Geographically weighted regression
서 론
간암은 간에서 발생한 원발성 악성 종양으로[ 1] 초기에 증상이 없어 다른 암종에 비해 생존율이 낮은 암 중 하나이다[ 2, 3]. 국내에서는 7번째로 흔하게 발생하는 암으로[ 3] 주로 B형간염이나 C형간염 바이러스에 의해 발생되며, 이외에도 만성 간질환이나 흡연, 음주 등의 영향을 받는 것으로 잘 알려져 있다[ 4]. 국내에서 간암으로 인한 사망률은 2019년 기준 인구 10만 명당 20.6명으로 전체 암 중 2위를 차지하고 있다[ 5]. 간암은 특히 생산활동층인 40-50대에서 사망률 1위를 차지하며, 남성에서 2위(30.4명), 여성에서 4위(10.9명)로 여성보다 남성에서 사망률이 높게 나타난다[ 5].
사망률은 특정 질병의 위험을 나타내는 지표 중 하나로 이를 통해 인구집단이나 지역 내의 건강 수준을 파악할 수 있다[ 6]. 지역의 건강 수준은 개인의 유전적 요인이나 생활습관뿐만 아니라 사회경제적 요인, 거주하는 지역 환경에 의해서도 영향을 받는 것으로 알려져 있다[ 7- 11]. 같은 지역 내 인구집단은 유사한 환경에 장기간 노출되어 특정 질병에 대한 저항력을 가지거나 변화되는 양상이 나타난다[ 12]. 이러한 차이는 개인과 지역의 특성에 따라 다르게 나타나며, 이는 지역 간 건강 수준의 격차로 나타난다. 특히 간암은 지역 간의 사망률에 큰 격차를 보이는 암 중 하나로[ 13], 2019년 통계청의 사망원인통계에 따르면 인구 10만 명당 간암 사망률은 전국(12.1명)에 비해 부산(15.8명), 전남(15.2명), 경남(14.3명), 제주(13.7명) 등 주로 남부지역에서 평균보다 사망률이 높게 나타났다[ 2]. 지역 간의 격차는 국가 간에도 나타났으며, 주로 동아시아, 동남아시아 등에서 높은 간암 사망률을 보였다[ 14]. 이는 인접 지역일수록 유사한 속성을 갖는 공간적 특성이 영향을 미친 것으로 보이며[ 15], 이러한 특성을 반영하는 공간 단위의 분석을 통해 지역별로 요인을 규명하는 연구가 필요하다.
최근 보건 의료분야에서는 심혈관질환, 만성질환, 암 등 특정 질병을 대상으로 한 공간 단위의 분석이 다양하게 이루어지고 있다. 지리정보시스템(Geographic Information System, GIS)을 활용하여 인접 지역에서 공간적 유사성 여부를 파악하는 전역적(global), 국지적(local) 자기상관 분석과 지리적 가중 회귀분석(geographically weighted regression, GWR) 등 다양한 공간회귀분석을 이용하여 지역적 차원에서 원인을 규명하려는 연구가 진행되고 있다. 국내 연구로는 주로 만성질환의 사망률이나[ 16, 17] 암의 발생률에 영향을 미치는 요인을 파악하기 위해 공간회귀분석을 이용하였으며[ 15, 18], 국외 연구에서는 GWR을 이용하여 특정 암의 사망률에 영향을 미치는 요인을 파악하였으나[ 19- 21] 이를 국내의 간암 사망률에 적용하기에는 제한적이다. 간암과 관련된 기존 연구는 주로 질병의 진단이나 치료 방법 등에 관한 효과성을 평가하는 개인 단위의 임상 연구나 역학이 대부분이며, 지역의 특성을 고려한 공간 단위 분석은 이루어지지 않고 있다. 이에 본 연구에서는 지역별 간암 사망률의 분포가 공간적으로 유사한 특성을 가지는지 파악하고, 공간적 특성을 고려한 공간회귀분석을 통해 간암 사망률에 영향을 미치는 지역적 요인을 파악하고자 한다.
연구 방법
연구자료 및 연구대상
본 연구에서의 연구변수는 국민건강보험공단의 건강검진통계와 지역별의료이용통계, 질병관리청의 지역별감염병통계와 지역사회건강조사, 통계청의 사망원인통계와 인구총조사, 통계지리정보서비스의 2019년 시·군·구 센서스용 행정구역경계 자료에서 수집하였으며, 2017년부터 2019년까지 3년간의 평균값을 산출하였다. 각 자료의 행정구역을 통합하기 위해 특별시·광역시를 제외한 ‘시’ 지역의 ‘구’를 하나의 관할 ‘시’로 통합하여 최종적으로 전국 229개의 시·군 ·구를 연구대상으로 선정하였다.
연구변수
종속변수
본 연구의 종속변수는 연령을 표준화한 인구 10만 명당 간암의 사망률(명)이며, 통계청의 사망원인 통계에서 사망원인이 간 및 간내 담관의 악성 신생물(C22)인 코드를 선정하였다.
독립변수
본 연구에서는 지역적 요인을 인구학적 요인, 건강 관련 요인, 사회경제적 요인, 의료체계 요인으로 구분하였다. 간암은 40세 이상의 연령과 남성에서 발생이 높은 것으로 나타나[ 2, 22] 인구학적 요인을 40세 이상 인구 비율(%)과 성비(%)로 선정하였다. 40세 이상 인구 비율(%)은 총인구수에서 40세 이상 인구수의 비율로 정의하였으며, 성비(%)는 여자 100명당 남자의 수로 정의하였다. 건강 관련 요인으로는 선행연구[ 3]에 따라 간암 발생의 대표적인 위험요인인 B형간염 발생률(%), C형간염 발생률(%), 암 검진율(%), 고위험 음주율(%), 현재 흡연율(%)을 포함하였다. B형간염과 C형간염 발생률(%)은 인구 10만 명당 발생률을 의미하며, 암 검진율(%)은 암 검진 총대상인원에서 총수검인원의 비율로 정의하였다. 고위험 음주율(%)은 1회 평균 음주량이 남자 7잔 이상, 여자 5잔 이상이며 주 2회 이상 음주하는 인구의 분율을 나타내고, 현재 흡연율(%)은 평생 5갑(100개비) 이상 흡연한 사람으로서 현재 흡연하는 인구의 분율을 나타낸다. 지역의 경제 수준 역시 개인의 건강과 사망에 영향을 미치는 것으로 나타나[ 11, 23] 사회경제적 요인으로 건강보험료(천 원)를 포함하여 직장가입자와 지역가입자의 보험료 평균으로 정의하였다. 암 사망률은 지역 내 의료기관의 접근성에 영향을 받으며[ 24], 인구당 의사 수가 많을수록 사망률은 감소하는 것으로 나타나[ 25] 의료체계 요인을 인구 10만 명당 종합병원 수(개)와 의사 수(개)로 정의하였다( Figure 1).
Figure 1.
분석방법
공간적 자기상관
공간상의 실체들은 거리가 인접할수록 서로 영향을 주고 받으며, 유사한 특성을 나타내는데 이를 공간적 자기상관이라고 한다[ 26]. Moran's Index는 공간적 자기상관을 검정하는 객관적인 방법 중 하나로 변수와 인접한 값 사이의 관계에 대한 상관 계수를 산출하며, −1에서 1 사이의 값을 가진다. 음(-)에 가까울수록 공간적으로 분산되어 있음을 의미하며, 양(+)에 가까울수록 공간적으로 군집되어 있음을 의미한다. 반면에 0은 자기상관이 없는 경우로 서로 독립적이며 무작위 분포를 나타낸다[ 27]. 본 연구에서는 Moran's Index를 이용하여 지역 전체의 공간적 자기상관 여부를 파악하였다.
지리적 가중 회귀분석
공간 데이터는 인접한 지역일수록 유사한 특성을 가지는 공간적 의존성과 지역의 특성에 따라 불균등하게 분포되는 공간적 이질성이 존재한다[ 28]. 이를 일반적인 최소자승법(ordinary least square, OLS)으로 분석할 경우 오차의 등분산성이 위배되며, 추정치의 효율성이 떨어져 왜곡된 결과가 나타날 수 있다[ 29, 30]. 이러한 경우 공간적 의존성과 이질성을 반영하는 지리적 가중 회귀분석이 주로 사용되는데 이는 각 지역마다 회귀계수를 다르게 도출하여 지역별 독립변수의 영향력 차이를 확인할 수 있는 특징이 있다[ 31]. 본 연구에서는 GWR을 이용하여 분석하였으며, OLS 분석과의 설명력과 적합도를 비교하여 모형의 개선 여부를 확인해 보고자 하였다.
통계분석
본 연구의 통계 분석은 R version 4.3.2를 이용하였으며, 모든 통계적 유의성 검정은 p <0.05로 정의하였다. 연구변수들의 일반적 특성 파악을 위한 기술통계 분석과 지역적 요인이 간암 사망률에 미치는 영향을 파악하기 위해 OLS 분석을 시행하였다. Moran's Index 검정을 통해 공간적 자기상관 여부를 확인한 후 공간적 특성을 반영하는 GWR을 추가적으로 시행하여 지역적 요인에 따른 지역별 회귀계수의 차이를 확인하였다.
연구 결과
연구대상의 일반적 특성
전국 229개 시·군 ·구의 일반적 특성에 대한 기술통계 분석 결과, 간암 사망률의 평균은 13.87±3.35명, 40세 이상 인구 비율의 평균은 59.25±8.18%, 성비의 평균은 101.34±6.71%, B형간염 발생률의 평균은 0.81±0.57%, C형간염 발생률의 평균은 22.83±22.41%, 암 검진율의 평균은 53.23±2.98%, 고위험 음주율의 평균은 14.75±2.45%, 현재 흡연율의 평균은 21.21±2.27%, 건강보험료의 평균은 91.53±20.22천 원, 종합병원 수의 평균은 0.69±0.82개, 의사 수의 평균은 186.35±194.58명으로 나타났다( Table 1).
Table 1.
Descriptive statistics of study variables
Variables |
Mean±SD |
Unit |
Min |
Max |
Mortality of liver cancer |
13.87±3.35 |
n1
|
7.2 |
25.9 |
Percent of population aged 40+ |
59.25±8.18 |
% |
43.6 |
78.3 |
Sex ratio |
101.34±6.71 |
% |
88.2 |
133.6 |
Incidence of hepatitis B |
0.81±0.57 |
% |
0.0 |
2.8 |
Incidence of hepatitis C |
22.83±22.41 |
% |
0.0 |
207.4 |
Cancer screening rate |
53.23±2.98 |
% |
45.3 |
60.9 |
High-risk drinking rate |
14.75±2.45 |
% |
6.6 |
23.8 |
Current smoking rate |
21.21±2.27 |
% |
14.1 |
27.7 |
National health insurance premium |
91.53±20.22 |
1,000 won |
58.9 |
187.5 |
Number of general hospitals |
0.69±0.82 |
n1
|
0.0 |
4.0 |
Number of physicians |
186.35±194.58 |
n1
|
42.9 |
1,773.9 |
간암 사망률에 영향을 미치는 요인 및 공간적 자기상관
간암 사망률에 영향을 미치는 지역적 요인을 파악하기 위해 OLS 분석을 시행한 결과, 40세 이상 인구 비율, C형간염 발생률, 고위험 음주율, 건강보험료에서 통계적으로 유의하게 나타났다. 변수 간 다중공선성을 나타내는 분산팽창지수는 모든 변수의 값이 최대 3.09 이하로 나타나 다중공선성의 문제가 없음을 확인하였다. 모형의 설명력을 나타내는 Adjusted R 2 값은 약 47%이며, 모형의 적합도를 나타내는 Akaike information criterion (AIC) 값은 1,071.23으로 나타났다. 공간적 자기상관을 나타내는 Moran's Index 값은 0.373 ( p <0.001)으로 통계적으로 유의한 양(+)의 자기상관을 보였다( Table 2). 이는 간암 사망률의 분포가 공간적으로 군집하고 있음을 의미하므로 본 연구에서는 공간적 특성을 반영하는 GWR 분석이 적합함을 확인하였다.
Table 2.
Results of ordinary least square regression analysis
Variables |
Coefficient |
p-value |
VIF |
Intercept |
|
0.105 |
|
Percent of population aged 40+ |
0.079 |
0.018* |
2.79 |
Sex ratio |
-0.011 |
0.709 |
1.54 |
Incidence of hepatitis B |
-0.321 |
0.274 |
1.07 |
Incidence of hepatitis C |
0.065 |
<0.001*** |
1.20 |
Cancer screening rate |
-0.052 |
0.403 |
1.30 |
High-risk drinking rate |
0.158 |
0.044* |
1.41 |
Current smoking rate |
0.087 |
0.374 |
1.88 |
National health insurance premium |
-0.035 |
0.014* |
3.09 |
Number of general hospitals |
0.142 |
0.568 |
1.58 |
Number of physicians |
<-0.001 |
0.777 |
1.80 |
F-value |
21.25 |
|
|
Adjusted R2
|
0.47 |
|
|
Akaike Information Criterion |
1,071.23 |
|
|
Moran's Index |
0.373 |
<0.001 |
|
지리적 가중 회귀분석
Table 3은 OLS 분석 결과 유의한 변수들을 이용하여 OLS와 GWR 분석을 시행한 결과이다. GWR 결과를 OLS 결과와 비교하여 보면, 40세 이상 인구 비율, C형간염 발생률, 고위험 음주율에서는 회귀계수의 방향이 OLS와 대체로 유사한 경향을 보이고 있으나 건강보험료에서는 음(-)과 양(+)의 방향이 혼재되어 나타났다. Adjusted R 2값은 약 61%로 모형의 설명력이 높아졌으며, AIC 값은 1038.59로 낮아져 적합도 역시 개선되었음을 확인하였다. Figure 2는 GWR 분석 결과에 따른 회귀계수의 분포를 지도에 도식화한 것이며, Table 4는 회귀계수가 높은 상위 5개의 지역과 낮은 하위 5개의 지역을 나타낸 것이다. 지역별 회귀계수의 설명력은 전라남도 신안군(0.644)에서 가장 높게 나타났으며, 그 외에도 전라남도 진도군(0.641), 전라남도 목포시(0.632), 제주도 제주시(0.630), 서귀포시(0.629)에서 상대적으로 높은 설명력을 보였다. 40세 이상 인구 비율은 강원도 양구군(0.143)에서 가장 높게 나타났으며, 그 외에도 강원도 인제군(0.142), 홍천군(0.139), 고성군(0.138), 속초시(0.138)에서 상대적으로 높게 나타났다. C형간염 발생률은 울산광역시 울주군(0.080)에서 가장 높게 나타났으며, 그 외에도 경상남도 양산시(0.079), 울산광역시 중구(0.079), 남구(0.078), 경상남도 밀양시(0.077)에서 상대적으로 높게 나타났다. 고위험 음주율은 경상남도 합천군(0.428)에서 가장 높게 나타났으며, 그 외에도 경상남도 창녕군(0.426), 경상북도 고령군(0.415), 경상남도 의령군(0.410), 경상남도 함안군(0.408)에서 상대적으로 높게 나타났다. 건강보험료는 부산광역시 사상구(-0.053)에서 가장 낮게 나타났으며, 그 외에도 부산광역시 동구(-0.053), 중구(-0.052), 서구(-0.052), 남구(-0.051)에서 상대적으로 낮게 나타났다.
Figure 2.
Regional distribution of geographically weighted regression (GWR) coefficients. (A) Local R2. (B) Percent of population aged 40+. (C) Incidence of hepatitis C. (D) High-risk drinking rate. (E) National health insurance premium.
Table 3.
Analysis of regional factors affecting liver cancer mortality: A com-parison of ordinary least square (OLS) and geographically weighted regression (GWR)
Variables |
OLS |
GWR |
Coefficient |
Median |
Min |
Max |
Percent of population aged 40+ |
0.089 |
0.079 |
0.016 |
0.143 |
Incidence of hepatitis C |
0.063 |
0.056 |
0.018 |
0.080 |
High-risk drinking rate |
0.190 |
0.202 |
0.048 |
0.428 |
National health insurance premium |
-0.033 |
-0.026 |
-0.053 |
0.013 |
F-value |
53.14 |
|
|
|
Adjusted R2
|
0.48 |
0.61 |
|
|
Akaike Information Criterion |
1,062.21 |
1,038.59 |
|
|
Table 4.
Top 5 and bottom 5 regions based on geographically weighted regression coefficients
Variables |
|
Top 5 regions |
Coef. |
Bottom 5 regions |
Coef. |
Local R2
|
1 |
Shinan-gun, Jeonnam |
0.644 |
Dangjin-si, Chungnam |
0.352 |
2 |
Jindo-gun, Jeonnam |
0.641 |
Pyeongtaek-si, Gyeonggi |
0.386 |
3 |
Mokpo-si, Jeonnam |
0.632 |
Asan-si, Chungnam |
0.393 |
4 |
Jeju-si, Jeju |
0.630 |
Gongju-si, Chungnam |
0.409 |
5 |
Seogwipo-si, Jeju |
0.629 |
Yesan-gun, Chungnam |
0.418 |
Percent of population aged 40+ |
1 |
Yanggu-gun, Gangwon |
0.143 |
Yeonggwang-gun, Jeonnam |
0.016 |
2 |
Inje-gun, Gangwon |
0.142 |
Hwaseong-si, Gyeonggi |
0.018 |
3 |
Hongcheon-gun, Gangwon |
0.139 |
Shinan-gun, Jeonnam |
0.019 |
4 |
Goseong-gun, Gangwon |
0.138 |
Buan-gun, Jeonbuk |
0.020 |
5 |
Sokcho-si, Gangwon |
0.138 |
Gochang-gun, Jeonbuk |
0.021 |
Incidence of hepatitis C |
1 |
Ulju-gun, Ulsan |
0.080 |
Pyeongtaek-si, Gyeonggi |
0.018 |
2 |
Yangsan-si, Gyeongnam |
0.079 |
Anseong-si, Gyeonggi |
0.020 |
3 |
Jung-gu, Ulsan |
0.079 |
Osan-si, Gyeonggi |
0.023 |
4 |
Nam-gu, Ulsan |
0.078 |
Hwaseong-si, Gyeonggi |
0.023 |
5 |
Miryang-si, Gyeongnam |
0.077 |
Icheon-si, Gyeonggi |
0.024 |
High-risk drinking rate |
1 |
Hapcheon-gun, Gyeongnam |
0.428 |
Chuncheon-si, Gangwon |
0.048 |
2 |
Changnyeong-gun, Gyeongnam |
0.426 |
Hongcheon-gun, Gangwon |
0.053 |
3 |
Goryeong-gun, Gyeongbuk |
0.415 |
Hwacheon-gun, Gangwon |
0.068 |
4 |
Uiryeong-gun, Gyeongnam |
0.410 |
Yanggu-gun, Gangwon |
0.068 |
5 |
Haman-gun, Gyeongnam |
0.408 |
Inje-gun, Gangwon |
0.070 |
National health insurance premium |
1 |
Geochang-gun, Gyeongnam |
0.013 |
Sasang-gu, Busan |
-0.053 |
2 |
Gurye-gun, Jeonnam |
0.008 |
Dong-gu, Busan |
-0.053 |
3 |
Seongju-gun, Gyeongbuk |
0.008 |
Jung-gu, Busan |
-0.052 |
4 |
Hamyang-gun, Gyeongnam |
0.008 |
Seo-gu, Busan |
-0.052 |
5 |
Namwon-si, Jeonbuk |
0.007 |
Nam-gu, Busan |
-0.051 |
고 찰
본 연구는 전국 229개의 시·군·구를 대상으로 2017년부터 2019년까지 3년간의 자료를 이용하여 지역적 요인이 간암 사망률에 미치는 영향을 파악하고자 하였다. OLS 분석 결과 40세 이상 인구 비율, C형간염 발생률, 고위험 음주율, 건강보험료에서 유의하게 나타났으며, Moran's Index 검정을 통해 간암 사망률에 공간적 자기상관이 있음을 확인하였다. 이를 토대로 추가적인 GWR 분석을 통해 OLS 분석과 비교하여 모형의 설명력과 적합도가 개선되었음을 확인하였다.
GWR 분석 결과, 회귀계수의 지역별 결정계수(R 2) 값은 최소 0.352, 최대 0.644의 분포를 보였는데 이는 본 연구에서 제시한 지역적 요인의 설명력이 지역별로 차이가 있음을 의미한다. 그중 전라남도 신안군, 진도군, 목포시와 제주도 전역에서는 0.629 이상의 값을 보여 설명력이 높은 지역으로 나타났다. 40세 이상 인구 비율이 높을수록 간암 사망률에 영향을 크게 받는 지역은 강원도 양구군, 인제군, 홍천군, 고성군, 속초시 등 강원도 일대로 나타났다. 선행연구에 따르면 간암은 40세 이상, 고령일수록 발생 위험이 높은 것으로 알려져 있다[ 2, 22]. 특히 강원도는 고령층의 비중이 높고 폐암, 간암 등에 의한 사망률이 높은 것으로 나타나[ 32] 이를 고려하여 해당 지역에서는 40대 이상의 중장년층과 고령층에 대한 효과적인 건강관리를 위한 정책이 필요할 것으로 사료된다. C형간염 발생률이 높을수록 간암 사망률에 영향을 크게 받는 지역은 울산광역시 울주군, 중구, 남구, 경상남도 양산시, 밀양시 등 주로 남부 해안지역으로 나타났다. 선행연구에 따르면 전라남도, 경상남도 해안지역이 C형간염 발생의 위험지역으로 나타났으며[ 33], 주로 해안가, 오염된 강 유역, 도서 지역에서 간암 사망률이 높은 것으로 나타났다[ 13]. 이는 물과 관련된 식습관이 영향을 미쳤을 가능성이 높기 때문에 해당 지역에서는 우선적으로 C형간염 발생의 예방 및 관리를 위한 정책이 필요하며, 이를 통해 지역의 간암 사망률 감소에도 기여할 수 있을 것으로 사료된다. 고위험 음주율이 높을수록 간암 사망률에 영향을 크게 받는 지역은 경상남도 합천군, 창녕군, 의령군, 함안군, 경상북도 고령군 등 주로 영남권으로 나타났다. 선행연구에 따르면 음주는 개인의 생활습관과 거주하고 있는 지역사회의 환경적인 특성에 의해 결정되는 것으로 알려져 있으므로[ 31] 이를 고려하여 해당 지역에서는 절주 및 금주에 대한 교육이나 보건 사업 등을 통해 고위험음주에 대한 예방 및 지속적인 관리가 필요할 것으로 사료된다. 반면에 강원도 춘천시, 홍천군, 화천군, 양구군, 인제군 등 강원도에서는 고위험 음주율의 영향이 상대적으로 낮게 나타났다. 선행연구에 따르면 강원도는 고위험 음주율이 높은 지역으로 알려져 있으나[ 34, 35], 본 연구를 통해 간암의 사망에는 상대적으로 큰 영향을 미치지 않는 것으로 나타났다. 건강보험료는 다른 요인들과 달리 회귀계수의 방향이 음(-)과 양(+)으로 혼재되어 지역별로 간암 사망률에 미치는 영향이 다른 것으로 나타났다. 건강보험료가 낮을수록 간암 사망률에 영향을 크게 받는 지역은 부산광역시 사상구, 동구, 중구, 서구, 남구 등 부산광역시 일대로 나타났다. 선행연구에 따르면 저소득층일수록 간암으로 인한 사망 위험이 높으며[ 36], 특히 소득수준은 의료이용을 제한하는 요인으로 지역 간의 건강 수준 격차를 심화시킬 수 있다[ 37, 38]. 이를 고려하여 소득수준에 영향을 많이 받는 지역에서는 소득수준이 낮은 계층에서의 의료서비스나 보건 사업 등의 정책적인 지원이 필요한 것으로 사료된다. 반면에 경상남도 거창군, 함양군, 전라남도 구례군, 전라북도 남원시, 경상북도 성주군 등 16개의 지역에서는 건강보험료가 높을수록 간암 사망률에 영향을 받는 것으로 나타나 해당 지역에서는 본 연구에서 제시한 건강보험료 요인 외에 다른 요인을 고려할 필요가 있음을 의미한다.
본 연구의 제한점은 다음과 같다. 첫째, GWR 분석의 경우 각 지역별 회귀계수에 대한 통계적 유의성 검정이 어렵다는 한계점이 있다. 본 연구에서는 OLS 분석을 통해 유의성 검정을 실시하였고, 결과적으로 유의한 변수들에 한정하여 GWR 분석을 시행하였다. 이외의 변수들은 유의성 검정의 한계로 영향력을 평가하는 데 어려움이 있었다. 둘째, 선행연구에 따라 B형간염과 C형간염의 유병률, 간경변증, 만성 간질환 등 간암의 위험요인으로 알려진 변수들은 시·군·구 자료의 수집 한계로 인해 본 연구에 활용되지 못하였다. 향후 연구에서는 이를 대체할 수 있는 다양한 변수들을 고려한 추가적인 분석이 필요할 것으로 사료된다.
이러한 제한점에도 불구하고 본 연구에서는 간암 사망률에 영향을 미치는 지역적 요인을 파악하기 위해 공간 단위 분석을 시도했다는 점에서 기존의 선행연구와 차별성을 가진다. 특히 GWR 분석을 이용하여 지역별 영향력을 파악함으로써 간암 사망률 관리 및 예방을 위한 지역 단위 사업 수립에 우선순위를 제시하였다는 점에서 의의가 있다.
결 론
본 연구는 지역별 간암 사망률의 분포를 파악하고, 공간적 특성을 고려하여 간암 사망률에 영향을 미치는 지역적 요인을 규명하고자 하였다. 이를 위해 OLS 분석으로 각 요인이 간암 사망률에 미치는 영향을 파악하였으며, Moran's Index 검정을 통해 간암 사망률에 공간적 자기상관이 있음을 확인한 후 GWR 분석을 시행하여 지역적 요인의 영향력이 지역별로 차이가 있음을 파악하였다. 이를 토대로 각 지역의 특성과 관련 요인들을 고려하여 지역별 맞춤형 간암 예방정책을 수립함으로써 사업의 효과성 향상과 지역사회의 건강 수준 향상도 기대해 볼 수 있을 것이다.
REFERENCES
2. Choi JH, Park JH, Lee JK, Cho KH. Occurrence of liver cancer in peo-ple without traditional risk factors. Korean J Geriatr Gerontol 2023;24(1):41-47. (Korean). DOI: 10.15656/kjcg.2023.24.1.41.
3. Korea Central Cancer Registry, National Cancer Center, Ministry of Health and Welfare. Annual report of cancer statistics in Korea in 2019. Seoul: Korea Central Cancer Registry, National Cancer Center, Ministry of Health and Welfare; 2021. (Korean).
4. The Korean Liver Cancer Association, National Cancer Center. 2018 Clinical practice guidelines for hepatocellular carcinoma. Seoul: The Korean Liver Cancer Association, National Cancer Center; 2018. (Korean).
5. Korea National Statistical Office. 2019 Annual report of causes of deaths. Daejeon: Korea National Statistical Office; 2019. (Korean).
6. Park KA. Cause-specific mortality at the provincial level. Korea J Popul Stud 2003;26(2):1-32. (Korean).
10. Nelson MC, Gordon-Larsen P, Song Y, Popkin BM. Built and social environments associations with adolescent overweight and activity. Am J Prev Med 2006;31(2):109-117. DOI: 10.1016/j.amepre.2006.03.026.
12. Chi TK, Kwag KH, JeKarl J, Park MS, Kim KK. An ecological study on factors associated with community mortality rates. Korean J Health Educ Promot 2015;32(3):11-22. (Korean). DOI: 10.14367/kjhep.2015.32.3.11.
13. Lee DH, Kim JH, Han BH, Lee SO, Shin HR, Jung IC. Geographical variation of liver cancer mortality in Korea (1992-1998). Cancer Res Treat 2001;33(5):420-426. DOI: 10.4143/crt.2001.33.5.420.
15. Jung KJ. A study on the spatial characteristics of lung cancer incidence in Korea: Focused on the spatial autocorrelation [dissertation]. Kangwon National University; Korea: 2017.
16. Yoon AR. A spatial analysis study on the effect of hospital access time on mortality of time sensitive disease: Focused on cardiovascular disease mortality [dissertation]. Hanyang University; Korea: 2022.
17. Lee NR. The relation with a character of communities and stroke mortality [dissertation]. Seoul National University; Korea: 2014.
18. Lee SH. Analysis of association between cancer incidence and geography· environmental characteristics using spatial statistical methods [dissertation]. Kyungpook National University; Korea: 2019.
19. Yeh HL, Hsu SW, Chang YC, Chan TC, Tsou HC, Chang YC, et al. Spatial analysis ambient PM2.5 exposure and bladder cancer mortality in Taiwan. Int J Environ Res Public Health 2017;14(5):508. DOI: 10.3390/ijerph14050508.
22. Ann SH, Han KH, Han KJ, Lee CG, Moon YM, Kim DG, et al. Analysis of risk factors for liver cancer incidence in Koreans. Korean J Med 2001;60(2):123-130. (Korean).
23. Yen IH, Kaplan GA. Neighborhood social environment and risk of death: multilevel evidence from the Alameda county study. Am J Epidemiol 1999;149(10):898-907. DOI: 10.1093/oxfordjournals.aje.a009733.
24. Yim J, Hwang SS, Yoo KY, Kim CY. Contribution of income-related inequality and healthcare utilisation to survival in cancers of the lung, liver, stomach and colon. J Epidemiol Community Health 2012;66(1):37-40. DOI: 10.1136/jech.2009.104554.
25. Lee HG. An ecological study on the regional variance of total mortality in Korea [dissertation]. Hallym University; Korea: 2011.
26. Kim KG. Exploration of spatial autorrelation and application of spatial regression analysis. Korean J Policy Anal Eval 2003;13(1):273-294. (Korean).
27. Goodchild MF. Spatial Autocorrelation. Norwich: Geo Books; 1986. p. 56.
28. Lee SH. Understanding spatial dependence and using spatial regression analysis. Korean Policy Sci Rev 2014;18(3):39-79. (Korean).
29. Joo YH, Lee HY. Exploratory study of the relationship between regional environmental characteristics and regional mortality rates. J Korean Reg Sci Assoc 2013;29(4):99-121. (Korean).
30. Jo DG. GIS and geographically weighted regression in the survey re-search of small areas. Sur Res 2009;10(3):1-19. (Korean).
31. Lee JK. Social-environment factors influencing high risk alcohol con-sumption in local community. Korean J Soc Welf 2015;67(1):165-187. (Korean). DOI: 10.20970/kasw.2015.67.1.007.
32. Jeong DH, Kwon OY, Koo YD. Analysis of mortality cause and prop-erties using medical big data in Gangwon. J Korea Contents Assoc 2018;18(9):149-155. (Korean). DOI: 10.5392/JKCA.2018.18.09.149.
33. Chung DH. Scan statistics analysis of hepatitis c in Korea. J Korean Data Anal Soc 2018;20(1):163-175. (Korean). DOI: 10.37727/jkdas.2018.20.1.163.
34. Kim YE, Park JH. Spatio-temporal patterns of high-risk drinking rates in Korea si-gun-gu. Health Soc Welf Rev 2021;41(3):7-22. (Korean). DOI: 10.15709/hswr.2021.41.3.7.
35. Kang SH, Park JH, Kim JH. Development of simulation model for managing high-risk drinking rate to improve the health level of local communities. J Korea Acad Industr Coop Soc 2021;22(9):575-587. (Korean). DOI: 10.5762/KAIS.2021.22.9.575.
36. Lee SI. A study on cancer inequality by income class using health insurance data. Seoul: National Health Insurance Service; 2005. (Korean).
37. Mckinlay JB. Some approaches and problems in the study of the use of services. J Health Soc Behav 1972;13(2):115-152. DOI: 10.2307/2136896.
38. Song EC, Kim CY, Shin YJ. The effect of health care expenditure on income inequality. Health Policy Manag 2010;20(3):36-57. (Korean).
|
|