ISSN : 2093-5986(Print)
ISSN : 2288-0666(Online)
The Korean Society of Health Service Management
Vol.15 No.4 pp.167-179
https://doi.org/10.12811/kshsm.2021.15.4.167

공간통계기법을 이용한 고혈압 유병률과 고혈압 치료율의 시공간분포 특성 분석

박 종호1, 김 예은2
1광주대학교 보건행정학부
2부산가톨릭대학교 병원경영학과

Spatio-temporal Patterns of Hypertension Prevalence and Treatment in Korea Using Spatial Statistical Method

Jong-Ho Park1, Yea-Eun Kim2
1Division of Health Administration, Gwangju University
2Department of Health Care Management, Catholic University of Pusan

Abstract

Objectives:

This study examines the spatial and temporal patterns of hypertension prevalence and treatment, while also suggesting a public health intervention strategy for hypertension management.


Methods:

We utilized the hypertension prevalence and treatment rate from the Community Health Survey data collected between 2011 and 2020. To analyze the spatio-temporal patterns of hypertension prevalence and treatment, spatial autocorrelation and hotspot analyses were performed.


Results:

The spatial autocorrelation analysis revealed regional hypertension prevalence clusters between adjacent regions. For the previous five years, the hotspots with a high prevalence of hypertension were 28 si-gun-gu, which were adjacent to each other, including 16 regions in Gangwon, four in Gyeonggi, two in Incheon, and six in Chungnam. The treatment rate of hypertension showed a random pattern, irrespective of regional and spatial proximity.


Conclusions:

The results highlight the cooperative approach from adjacent regions by reflecting regional and spatial effects for effective hypertension management. In addition, it is necessary to implement customized interventions for regions with a low treatment rate.



    Ⅰ. 서론

    고혈압은 뇌혈관 질환과 심장질환의 대표적인 위험인자로서 조기사망의 가장 큰 원인으로 알려 져 있다[1][2]. 고혈압은 우리나라 만성질환 중 유 병률이 가장 높은 질환이며[3], 고혈압 진단을 받 았더라도 고혈압에 대한 심각성을 인지하지 못하 면 치료를 받지 않거나 중단하는 사례가 많은 질 환이다[1]. 고혈압은 개인적으로 예방하고, 관리하 기 힘든 질환임에 따라 국가 및 지역사회의 체계 적인 개입이 이루어져야 한다[2].

    고혈압 유병률과 치료율은 지역사회의 고혈압 예방과 관리 수준을 나타내는 가장 대표적인 척도 로 지역 간 고혈압 유병률과 치료율의 변이는 국 가 및 지역사회 보건사업의 기초자료로 활용된다 [4]. 이에 질병관리청에서는 지역사회건강조사를 통해 2008년부터 우리나라 지역별 고혈압 이환 및 약물 치료와 관련된 자료를 수집하고, 지역건강통 계를 통해 시군구별 고혈압 유병률과 치료율인 30 세 이상의 고혈압 진단 경험률과 고혈압 진단 경 험자의 치료율을 지역사회 보건사업 담당자에게 제공하고, 일반 국민에게 공개하고 있다[5].

    질환의 유병 및 치료 수준은 거주하는 지역의 공간적 특성에 따라 변이가 존재함에 따라 공간통 계기법을 이용하여 지역 간 공간적 특성이 반영된 질환의 유병 및 치료 수준의 변이를 분석하는 것 이 중요하다[6]. 질병의 유병 및 치료 수준의 정보 를 지도위에 표현하고, 분석하는 공간통계기법[4] 은 질병의 유병 및 치료 수준의 지역적 변이를 분 석하는 지리정보시스템 분야의 공간과학적 방법론 [7]으로 대표적 공간통계기법에는 질병의 유병 및 치료 수준의 공간적 연관성을 분석하는 공간적 자 기상관 분석[4], 질병의 유병률 및 치료율이 통계 적으로 유의하게 높은 핫스팟 지역 또는 통계적으 로 유의하게 낮은 콜드스팟 지역을 판별하는 등 질병의 유병 및 치료 수준에 대한 공간적 분포의 특성을 분석하는 핫스팟 분석[8], 공간적 특성이 반영된 질병의 유병 및 치료의 지역적 변이요인을 규명하는 지리적 가중 회귀분석[7] 등이 있다.

    공간통계기법을 적용하여 지역 간 공간적 특성 이 반영된 고혈압 유병 및 치료 수준의 변이를 분 석한 국내외 선행연구를 살펴보면 외국의 경우 지 리적 가중 회귀분석을 이용하여 고혈압의 지역별 연관성을 분석한 연구[9]가 수행되었을 뿐 아니라 다년간의 고혈압 유병률 및 치료율 자료를 이용하 여 공간적 자기상관 분석, 핫스팟 분석 등을 통해 고혈압 유병률 및 치료율에 대한 시공간분포의 특 성을 분석한 연구[10]가 수행되었다. 국내의 경우 공간적 자기상관 분석을 이용한 고혈압 유병률의 지역적 공간적 자기상관 분석 연구[4], 지리적 가 중 회귀분석을 이용한 고혈압 유병률 및 치료율의 지역 간 변이에 영향을 미치는 지역 요인 분석 연 구[6][11]가 수행되었으나 고혈압 치료율에 대한 공 간적 자기상관 분석 연구, 핫스팟 분석 등을 통한 고혈압 유병률 및 치료율에 대한 공간적 분포의 특성을 분석한 연구는 거의 수행되지 않았다.

    공간적 자기상관 분석, 핫스팟 분석 등은 단년 도 자료를 분석하면 분석결과의 신뢰성이 높지 않 을 뿐 아니라 고혈압 유병률이 높은 핫스팟 지역 및 치료율이 낮은 콜드스팟 지역의 안정적 공간적 분포의 특성을 찾기 어렵기 때문에 다년도의 자료 를 이용하여 분석을 수행하는 것이 타당하다[12]. 또한 우리나라의 시군구별 고혈압 유병률 및 치료 율을 산출하고, 이를 공개하는 질병관리청의 지역 건강통계 자료는 설문조사 방식으로 수집된 지역 사회건강조사 자료의 특성 상 단년도 자료를 분석 하면 조사상 오류가 있을 수 있고, 성, 연령을 보 정한 표준화율에 근거하여 산출한 지표의 신뢰성 이 완전하지 않다는 한계점이 존재한다[11].

    이에 본 연구에서는 최근 10년 간의 질병관리청 지역건강통계 자료를 이용하여 공간통계기법인 공 간적 자기상관 분석, 핫스팟 분석을 통해 우리나라 시군구 지역에 대한 고혈압 유병률과 고혈압 치료 율의 시공간분포 특성을 분석하고, 분석 결과를 근 거로 국가 및 지역사회의 고혈압 관리에 대한 정 책적 방안을 제시하고자 한다.

    Ⅱ. 연구방법

    1. 연구자료

    본 연구를 위해 질병관리청 지역건강통계의 지 역별 고혈압 유병률 및 고혈압 치료율 자료인 시 군구별 30세 이상의 고혈압 진단 경험률과 고혈압 진단 경험자의 치료율 자료를 수집하였다. 수집된 시군구별 30세 이상의 고혈압 진단 경험률과 고혈 압 진단 경험자의 치료율 자료는 2011년부터 2020 년까지 최근 10년 간의 자료이며, 성, 연령 등 비 교하고자 하는 집단 간 인구구조 차이를 표준인구 로 보정한 표준화율 자료를 수집하였다[5].

    2. 변수정의

    1) 연구 대상 지역

    본 연구의 연구 대상 지역은 2020년 행정구역 기준 전국 243개 시군구 단위 지역으로 정의하였 다. 세종시의 경우 2012년 7월에 출범함에 따라 2011년의 연구 대상 지역은 세종시를 제외한 전국 242개 시군구 단위 지역이며, 2012년부터 2020년까 지의 연구 대상 지역은 세종시를 포함한 전국 243 개 시군구 단위 지역이다.

    2) 고혈압 유병률 및 고혈압 치료율

    본 연구에서는 30세 이상 고혈압 진단 경험률을 고혈압 유병률, 30세 이상 고혈압 진단 경험자의 치료율을 고혈압 치료율로 정의하였으며, 질병관리 청 지역건강통계의 변수 정의에 따라 고혈압 유병 률은 의사에게 고혈압을 진단받은 30세 이상 사람 의 분율, 고혈압 치료율은 의사에게 고혈압을 진단 받은 30세 이상 사람 중 현재 혈압조절약을 한 달 에 20일 이상 복용한 사람의 분율로 정의하였다 [5].

    3. 분석방법

    본 연구에서는 IBM의 SPSS Statistics 26 프로그 램과 ArcGIS의 ArcGIS pro 2.6.0 프로그램을 이용 하여 자료를 분석하였다.

    1) 공간적 자기상관 분석

    공간적 자기상관 분석은 고혈압 유병률, 고혈압 치료율의 공간적 연관성에 대한 탐색을 통해 연구 대상 지역에서 고혈압 유병률, 고혈압 치료율이 비 슷한 공간에 분포하는지, 서로 다른 고유한 공간에 분포하는지를 확인할 수 있게 해주는 분석 방법이 다[4].

    공간적 자기상관 분석은 선행연구의 연구 방법 에 따라 Moran’s I 지수를 활용하였다. Moran’s I 지수는 생태, 건강, 환경 등의 연구에서 가장 널리 사용되는 공간적 자기상관 척도이며, Moran’s I 지 수는 인접한 공간 단위 데이터가 갖는 공간 유사 성을 측정한다[7]. Moran’s I 지수는 -1에서 1사이 의 값을 가지는데 Moran’s I 지수가 0보다 크면 고혈압 유병률, 고혈압 치료율의 공간 분포가 연구 대상 지역에서 군집 패턴을 이룬다는 것을 의미하 며, Moran’s I 지수가 0보다 작으면 고혈압 유병 률, 고혈압 치료율의 공간 분포가 연구 대상 지역 에서 분산된 패턴을 이룬다는 것을 의미한다. Moran’s I 지수가 0에 가까울수록 특정 공간 패턴 이 나타나지 않는 즉, 고혈압 유병률, 고혈압 치료 율의 공간 분포가 연구 대상 지역에서 일정한 패 턴이 없는 무작위 패턴을 이룬다는 것을 의미한다 [8]. Moran’s I 지수의 통계적 유의성을 판단하기 위해 표준화 점수인 z-score가 사용되는데 신뢰수 준 95%에서 Moran’s I 지수가 통계적으로 유의한 지를 판단하기 위해서는 표준화 점수인 z-score가 –1.96보다 작거나 +1.96보다 커야 한다[4][7].

    본 연구에서는 연구 대상 지역인 우리나라 시군 구 지역에서 고혈압 유병률, 고혈압 치료율의 공간 적 연관성 및 연도별 공간적 연관성의 변화를 파 악하기 위해 2011년부터 2020년까지 연도별로 고 혈압 유병률, 고혈압 치료율에 대한 공간적 자기상 관 분석을 실시하였다.

    2) 핫스팟 분석

    핫스팟 분석은 고혈압 유병률, 고혈압 치료율이 평균 값보다 높은 지역끼리 인접하여 공간적 군집 을 보이는 핫스팟과 평균 값보다 낮은 지역끼리 인접하여 공간적 군집을 보이는 콜드스팟으로 표 현해주는 분석 방법이다[13]. 핫스팟 분석은 고혈 압 유병률, 고혈압 치료율의 핫스팟, 콜드스팟 등 공간적 특성이 반영된 고혈압 유병률, 고혈압 치료 율이 높은 지역과 낮은 지역을 확인할 수 있게 하 며, 고혈압 유병률, 고혈압 치료율의 공간 군집 패 턴을 가시적으로 확인할 수 있게 한다[4]. 고혈압 유병률의 경우 연구 대상 지역에서 고혈압 유병률 이 높은 지역끼리 인접하여 공간적 군집을 보이는 핫스팟으로 분류되는 지역에 대한 관리가 필요하 며, 고혈압 치료율의 경우 연구 대상 지역에서 고 혈압 치료율이 낮은 지역끼리 인접하여 공간적 군 집을 보이는 콜드스팟으로 분류되는 지역에 대한 관리가 필요하다고 할 수 있다.

    핫스팟 분석은 선행연구의 연구 방법에 따라 Getis Ord’s G i * 통계를 이용하여 분석하였다[8]. Getis Ord’s G i * 통계값은 핫스팟과 콜드스팟을 명확하게 구별해 주기 때문에 고혈압 유병률, 고혈 압 치료율이 높거나 낮은 지역을 바로 확인 할 수 있고, 지도상에 시각화하는데 용이한 장점이 있다 [13]. 핫스팟 분석 또한 통계적 유의성을 판단하기 위해 Getis Ord’s G i * 통계값의 표준화 점수인 z-score를 사용하는데 본 연구의 분석도구인 ArcGIS의 ArcGIS pro 2.6.0 프로그램에서는 신뢰 수준 90%, 95%, 99%에 대한 핫스팟(붉은색), 콜드 스팟(파란색)을 지도상에 시각화하여 가시적으로 확인할 수 있게 한다[8].

    본 연구에서는 연구 대상 지역인 우리나라 시군 구 지역에서 고혈압 유병률, 고혈압 치료율의 공간 적 군집 패턴 및 연도별 공간적 군집 패턴에 대한 변화를 파악하기 위해 2011년부터 2020년까지 연 도별로 고혈압 유병률, 고혈압 치료율에 대한 핫스 팟 분석을 실시하였다. 핫스팟 분석 시 선행연구의 연구방법[14]에 따라 지역 간 거리의 가중치는 K- 최근접 이웃(K-Nearest Neighbor, KNN) 방법을 적용하여 해당 지역과 가장 거리적으로 근접한 10 개 지역을 이웃지역으로 설정하였다.

    Ⅲ. 연구결과

    1. 기초통계

    1) 고혈압 유병률

    우리나라 시군구 지역에 대한 고혈압 유병률의 일반적 특성을 파악하기 위해 2011년부터 2020년 까지의 연도별 고혈압 유병률의 기술통계를 분석 한 결과 시군구 지역의 고혈압 유병률의 중앙값은 2011년 18.7%, 2012년, 2013년 18.8%, 2014년 19.1%, 2015년 19.3%, 2016년 19.6%, 2017년 19.8%, 2018 년%, 2019년 19.4%, 2020년 19.2%로 나타나 시군구 단위 지역의 고혈압 유병률의 중앙값은 증가하는 추세임을 알 수 있다. 고혈압 유병률이 가장 낮은 지역과 고혈압 유병률이 가장 높은 지역의 고혈압 유병률 격차는 2011년부터 2020년까지 11.0%에서 13.6%로 시군구 단위 지역에서 고혈압 유병률의 지 역 간 격차가 존재함을 알 수 있다<Table 1>.

    <Table 1>

    Characteristics of hypertension prevalence rate & hypertension medication rate

    KSHSM-15-4-167_T1.gif

    2) 고혈압 치료율

    우리나라 시군구 지역에 대한 고혈압 치료율의 일반적 특성을 파악하기 위해 2011년부터 2020년 까지의 연도별 고혈압 치료율의 기술통계를 분석 한 결과 시군구 지역의 고혈압 치료율의 중앙값은 2011년 87.8%, 2012년, 2013년 88.6%, 2014년 88.1%, 2015년 87.8%, 2016년 88.2%, 2017년 88.6%, 2018년 92.3%, 2019년 91.7%, 2020년 93.0%로 나타 나 시군구 단위 지역의 고혈압 치료율의 중앙값은 증가하는 추세임을 알 수 있다. 고혈압 치료율이 가장 낮은 지역과 고혈압 치료율이 가장 높은 지 역의 고혈압 치료율 격차는 2011년부터 2020년까 지 15.3%에서 31.0%로 시군구 단위 지역에서 고혈 압 치료율의 지역 간 격차가 높음을 알 수 있다 <Table 1>.

    2. 공간적 자기상관 분석

    1) 고혈압 유병률

    우리나라 시군구 지역에 대한 고혈압 유병률의 공간적 자기상관 변화를 파악하기 위해 2011년부 터 2020년까지의 연도별 고혈압 유병률의 공간적 자기상관 분석을 실시한 결과 시군구 지역의 고혈 압 유병률의 공간적 자기상관 지수인 Moran’s I 지수는 2011년 0.422, 2012년 0.427, 2013년 0.334, 2014년 0.384, 2015년 0.372, 2016년 0.343, 2017년 0.307, 2018년 0.326, 2019년 0.278, 2020년 0.332로 2011년에서 2020년 모두 Moran’s I 지수가 0보다 크고, Moran’s I 지수의 p값이 0.000임에 따라 우 리나라 시군구 단위 지역에서 고혈압 유병률은 서로 인접한 지역끼리 통계적으로 유의한 군집 패턴을 이루고 있음을 알 수 있다 <Table 2>.

    <Table 2>

    Spatial Autocorrelation change of Hypertension Prevalence rate & Hypertension medication rate

    KSHSM-15-4-167_T2.gif

    2) 고혈압 치료율

    우리나라 시군구 지역에 대한 고혈압 치료율의 공간적 자기상관 변화를 파악하기 위해 2011년부 터 2020년까지의 연도별 고혈압 치료율의 공간적 자기상관 분석을 실시한 결과 시군구 지역의 고혈 압 치료율의 공간적 자기상관 지수인 Moran’s I 지수는 2011년 0.030, 2012년 0.107, 2013년 0.055, 2014년 0.082, 2015년 0.057, 2016년 0.014, 2017년 0.063, 2018년 0.012, 2019년 0.044, 2020년 0.124로 2011년에서 2020년 모두 Moran’s I 지수가 0에 가 까우며, 2011년, 2016년, 2018년, 2019년의 경우 Moran’s I 지수의 p값이 통계적 유의수준인 0.05 보다 큼에 따라 우리나라 시군구 단위 지역에서 고혈압 치료율은 특정 공간 패턴이 나타나지 않는 즉, 고혈압 치료율은 지역의 인접성과 상관없이 무 작위 패턴을 이루고 있음을 알 수 있다<Table 2>.

    3. 핫스팟 분석

    1) 고혈압 유병률

    고혈압 유병률의 경우 2011년부터 2020년까지 매년 시군구 단위 지역에서 서로 인접한 지역끼리 통계적으로 유의한 군집 패턴을 이루고 있음에 따 라 공간적 특성이 반영된 고혈압 유병률이 높은 지역과 낮은 지역의 변화를 파악하기 위해 2011년 부터 2020년까지 연도별 고혈압 유병률의 핫스팟 분석을 실시하였다. 고혈압 유병률의 핫스팟 분석 결과를 지도상에 시각화한 결과 2011년부터 2020년까지 시군구 단위 지역에서 고혈압 유병률 이 높은 지역끼리 인접하여 공간적 군집을 보이는 고혈압 유병률 핫스팟 지역은 주로 북부지방에 분 포해 있음을 알 수 있으며, 고혈압 유병률이 낮은 지역끼리 인접하여 공간적 군집을 보이는 고혈압 유병률 콜드스팟 지역은 주로 남부지방에 분포해 있음을 가시적으로 확인할 수 있다<Figure 1>.

    <Figure 1>

    Hotspots and coldspots of hypertension prevalence rate

    KSHSM-15-4-167_F1.gif

    시도별 고혈압 유병률의 핫스팟 및 콜드스팟 시 군구 현황을 살펴보면 서울의 경우 2011년부터 2014년까지 매년 7개 이상의 구 지역이 고혈압 유 병률이 높은 핫스팟 지역으로 분류되었으나 2015 년을 기점으로 서울의 대부분의 구 지역이 핫스팟 지역에서 제외되었으며, 매년 1개 이상의 구 지역 이 고혈압 유병률이 낮은 콜드스팟 지역으로 분류 되는 변화가 있었다. 경기 지역 또한 2011년 23개, 2012년 22개 시, 군 지역이 고혈압 유병률이 높은 핫스팟 지역으로 분류되었으나 2013년부터 핫스팟 지역으로 분류되는 시, 군 지역의 수가 감소하였으 며, 2015년부터는 매년 1개 이상의 시, 군 지역이 고혈압 유병률이 낮은 콜드스팟으로 분류되는 변 화가 있었다. 이에 반해 인천, 강원의 경우 2011년 부터 2020년까지 대부분의 구 지역 또는 시, 군 지 역이 고혈압 유병률이 높은 핫스팟 지역으로 분류 되었다.

    충북과 충남의 경우 2011년부터 2020년까지 다 수의 시, 군 지역이 고혈압 유병률이 높은 핫스팟 지역으로 분류되었다. 이에 반해 대전의 경우 2011 년, 2015년, 2016년 각각 2개의 구 지역이 고혈압 유병률이 높은 핫스팟 지역으로 분류되었으나 2017년 이후 핫스팟으로 분류되는 구 지역이 없는 것으로 나타났다.

    부산, 울산, 경남의 경우 2011년부터 2020년까지 대부분의 구 또는 시, 군 지역이 고혈압 유병률이 낮은 콜드스팟 지역으로 분류되었다.

    대구의 경우 2011년부터 2020년까지 연도별 차 이는 있지만 대부분의 구 또는 시, 군 지역이 고혈 압 유병률이 낮은 콜드스팟 지역으로 분류되었다. 경북의 경우 2011년부터 2020년까지 3개에서 16개 시, 군 지역이 고혈압 유병률이 낮은 콜드스팟 지 역으로 분류되었으나 2013년, 2015년, 2018년, 2019 년, 2020년 각각 1개, 1개, 1개, 1개, 3개의 시, 군 지역이 고혈압 유병률이 높은 핫스팟 지역으로 분 류되었다.

    광주, 전남의 경우 2011년부터 2020년까지 대부 분의 구 또는 시, 군 지역이 고혈압 유병률이 낮은 콜드스팟 지역으로 분류되었으나 전북의 경우 2011년부터 2020년까지 2개에서 6개 시, 군 지역이 고혈압 유병률이 낮은 콜드스팟 지역으로 분류되 었으나 2016년, 2019년, 2020년 각각 1개, 2개, 1개 의 시, 군 지역이 고혈압 유병률이 높은 핫스팟 지 역으로 분류되었다<Table 3>.

    <Table 3>

    Hypertension prevalence rate Hotspot & Coldspot Si-gun-gu count by Sido

    KSHSM-15-4-167_T3.gif

    2) 고혈압 치료율

    연도별 고혈압 치료율에 대해서도 2011년부터 2020년까지 핫스팟 분석을 실시하여 핫스팟 분석 결과를 지도상에 시각화한 결과 고혈압 치료율의 경우 고혈압 유병률과 달리 서로 인접한 지역끼리 공간적 군집이 존재하지 않는 지역의 인접성과 상 관없이 무작위 패턴을 이루고 있음을 가시적으로 확인 할 수 있다<Figure 2>.

    <Figure 2>

    Hotspots and coldspots of hypertension medication rate

    KSHSM-15-4-167_F2.gif

    4. 고혈압 유병률 관리 사업 대상

    본 연구에서는 고혈압 유병률의 핫스팟 분석 결 과를 근거로 보건사업의 지속성과 장기적 관점을 반영하기 위해 2016년부터 2020년까지 최근 5년 이상 지속적으로 고혈압 유병률이 높은 핫스팟으 로 분류된 시군구 지역을 고혈압 유병률 관리 사 업의 우선 순위 대상 지역으로 정의하였다. 2016년 부터 2020년까지 최근 5년 이상 지속적으로 고혈 압 유병률이 높은 핫스팟 지역으로 분류된 시군구 지역은 강원 강릉시, 고성군, 동해시, 속초시, 양구 군, 양양군, 영월군, 원주시, 인제군, 정선군, 철원 군, 태백시, 평창군, 홍천군, 화천군, 횡성군 등 강 원의 16개 시, 군 지역, 경기 동두천시, 영주시, 연 천군, 포천시 등 경기의 4개 시, 군지역, 인천 연수 구, 옹진군 등 인천의 2개 구, 군 지역, 충남 당진 시, 보령시, 부여군, 서산시, 태안군, 홍성군 등 충남의 6개 시, 군 지역으로 나타났다<Table 4>.

    <Table 4>

    Priority Si-gun-gu name for hypertension prevalence rate

    KSHSM-15-4-167_T4.gif

    Ⅳ. 고찰

    본 연구는 공간통계기법인 공간적 자기상관 분 석, 핫스팟 분석을 이용하여 우리나라 시군구 지역 에 대한 고혈압 유병률과 고혈압 치료율의 시공간 분포 특성을 분석하고, 분석 결과를 근거로 국가 및 지역사회의 고혈압 관리에 대한 정책적 방안을 제시하고자 수행되었다. 이를 위해 질병관리청 지 역건강통계 자료로부터 2011년부터 2020년까지 최 근 10년간의 시군구별 고혈압 유병률 및 고혈압 치료율 자료를 수집하였으며, 자료 수집 시 시군구 간 직접적인 비교가 가능하도록 성, 연령 등 비교 하고자 하는 집단 간 인구구조 차이를 표준인구로 보정한 표준화율 자료를 수집하였다[5].

    우리나라 시군구 지역에 대한 고혈압 유병률의 공간적 자기상관 변화를 파악하기 위해 2011년부 터 2020년까지 연도별 고혈압 유병률의 공간적 자 기상관 분석을 실시한 결과 고혈압 유병률의 공간 적 자기상관 지수인 Moran’s I 지수는 2011년 0.422, 2012년 0.427, 2013년 0.334, 2014년 0.384, 2015년 0.372, 2016년 0.343, 2017년 0.307, 2018년 0.326, 2019년 0.278, 2020년 0.332로 2011년에서 2020년 모두 Moran’s I 지수가 0보다 크고, Moran’s I 지수의 p값이 0.000임에 따라 우리나라 시군구 지역에서 고혈압 유병률은 서로 인접한 지 역끼리 통계적으로 유의한 군집 패턴을 이루고 있 음을 알 수 있었다. 이와 같은 연구결과는 2012년 전국 230개 시군구 단위 고혈압 유병률에 대한 Moran’s I 지수를 계산한 결과 Moran’s I 지수가 0보다 크고, Moran’s I 지수에 대한 z-score 또한 1.96보다 큼에 따라 우리나라 시군구 단위에서 고 혈압 유병률이 높고 또는 낮은 지역이 95% 신뢰수 준에서 통계적 유의하게 전역적으로 군집하며, 공 간적으로 유의한 상관성이 존재한다는 선행연구 [4][7]와 일치하는 결과였다. 선행연구[4][7]의 고혈 압 유병률에 대한 공간적 자기상관 분석 결과는 2012년 단년도를 대상으로 분석한 결과임에 따라 분석결과의 신뢰성이 높지 않을 뿐 아니라, 고혈압 유병률에 대한 지역의 안정적인 패턴을 찾기 어려 운 단점이 있다[12]. 따라서 분석결과의 신뢰성을 높이고, 고혈압 유병률에 대한 지역의 안정적 패턴 을 찾기 위해 다년도의 자료를 분석하여 고혈압 유병률이 우리나라 시군구 단위 지역에서 2011년 부터 2020년까지 모두 서로 인접한 지역끼리 통계 적으로 유의한 군집 패턴을 이루고 있고, 공간적으 로 유의한 상관성이 존재한다는 것을 확인한 본 연구의 연구결과는 의미가 있다고 할 수 있다.

    우리나라 시군구 지역에 대한 고혈압 치료율의 공간적 자기상관 변화를 파악하기 위해 2011년부 터 2020년까지 연도별 고혈압 치료율의 공간적 자 기상관 분석을 실시한 결과 고혈압 치료율의 공간 적 자기상관 지수인 Moran’s I 지수는 2011년 0.030, 2012년 0.107, 2013년 0.055, 2014년 0.082, 2015년 0.057, 2016년 0.014, 2017년 0.063, 2018년 0.012, 2019년 0.044, 2020년 0.124로 2011년에서 2020년 모두 Moran’s I 지수가 0에 가까우며, 2011년, 2016년, 2018년, 2019년의 경우 Moran’s I 지수의 p값이 통계적 유의수준인 0.05보다 큼에 따 라 우리나라 시군구 지역에서 고혈압 치료율은 특 정 공간 패턴이 나타나지 않는 즉, 고혈압 치료율 은 지역의 인접성과 상관없이 무작위 패턴을 이루 고 있음을 알 수 있었다. 이와 같은 연구결과는 모 든 것은 관련되어 있지만 지리적으로 인접한 지역 이 더 높은 관련성을 보인다는 지리학 제1법칙[6] 에 따라 국가 및 시군구 단위 지역사회 차원에서 고혈압 유병률을 효과적으로 관리하기 위해서는 지역적, 공간적 특성을 반영하여 국가 또는 시군구 단위 지역사회 차원에서 서로 협업하여 고혈압 유 병률 관리 전략을 마련하는 것이 필요한 반면 국 가 및 시군구 단위 지역사회 차원에서 고혈압 치 료율을 효과적으로 관리하기 위해서는 각 시군구 단위 지역사회 맞춤형 고혈압 치료율 관리 전략을 마련하는 것이 필요함을 시사한다. 국내에서 고혈 압 치료율의 공간적 자기상관성을 분석하고, 파악 한 연구가 거의 없음에 따라 우리나라 시군구 지 역에서 고혈압 치료율은 특정 공간 패턴이 나타나 지 않으며, 지역의 인접성과 상관없이 무작위 패턴 을 이루고 있음을 확인한 본 연구의 연구결과는 의미가 있다고 할 수 있다.

    지역적, 공간적 특성이 반영된 고혈압 유병률이 높은 지역과 낮은 지역의 변화를 파악하기 위해 2011년부터 2020년까지 연도별 고혈압 유병률의 핫스팟 분석을 실시한 결과 서울, 경기의 경우 고 혈압 유병률이 높은 핫스팟 지역으로 분류되는 시 군구의 수가 감소하였으며, 2015년부터 서울, 경기 의 일부 시군구가 고혈압 유병률이 낮은 콜드스팟 지역으로 분류되는 등 변화가 있는 것으로 나타났 다. 인천, 강원의 경우 2011년부터 2020년까지 대 부분의 구 지역 또는 시, 군 지역이 고혈압 유병률 이 높은 핫스팟 지역으로 분류되었다. 충남의 경우 에도 2011년부터 2020년까지 대부분의 시, 군 지역 이 고혈압 유병률이 높은 핫스팟 지역으로 분류되 었다. 이와 같은 연구결과는 2011년부터 2020년 시 도별 고혈압 유병률의 추이를 살펴보면 인천, 강원 의 고혈압 유병률이 가장 높으며, 2011년 대비 2020년 고혈압 유병률은 경기, 서울 순으로 가장 많이 감소한 것으로 나타났다는 질병관리청의 지 역건강통계[5] 결과와 같은 맥락을 취하고 있다고 할 수 있다.

    부산, 울산, 경남, 대구, 광주, 전남의 경우 2011 년부터 2020년까지 대부분의 구 또는 시, 군 지역 이 고혈압 유병률이 낮은 콜드스팟 지역으로 분류 되었다.

    본 연구에서는 고혈압 유병률의 핫스팟 분석 결 과를 근거로 보건사업의 지속성과 장기적 관점을 반영하기 위해 2016년부터 2020년까지 최근 5년 이상 지속적으로 고혈압 유병률이 높은 핫스팟으 로 분류된 시군구 지역을 고혈압 유병률 관리 사 업의 우선 순위 대상 지역으로 정의하였다. 2016년 부터 2020년까지 최근 5년 이상 지속적으로 고혈 압 유병률이 높은 핫스팟 지역으로 분류된 시군구 지역은 강원 강릉시, 고성군, 동해시, 속초시, 양구 군, 양양군, 영월군, 원주시, 인제군, 정선군, 철원 군, 태백시, 평창군, 홍천군, 화천군, 횡성군 등 강 원의 16개 시, 군 지역, 경기 동두천시, 영주시, 연 천군, 포천시 등 경기의 4개 시, 군지역, 인천 연수 구, 옹진군 등 인천의 2개 구, 군 지역, 충남 당진 시, 보령시, 부여군, 서산시, 태안군, 홍성군 등 충 남의 6개 시, 군 지역으로 나타났다. 국가 및 시군 구 단위 지역사회 차원에서 고혈압 유병률을 효과 적으로 관리하기 위해서는 고혈압 유병률이 높은 핫스팟 지역으로 지속적으로 분류되는 강원의 16 개, 경기의 4개, 인천의 2개, 충남의 6개 시군구 지 역에 대해 고혈압 유병률 관리를 위한 인력 등 한 정된 자원을 집중하여 고혈압 유병률을 낮추는 전 략 등이 필요하다.

    본 연구의 연구목적이 공간통계기법인 공간적 자기상관 분석, 핫스팟 분석을 이용하여 우리나라 시군구 지역에 대한 고혈압 유병률과 고혈압 치료 율의 시공간분포 특성을 분석하는 것임에 따라 국 가 또한 시군구 단위 지역사회 차원의 고혈압 유 병률 및 고혈압 치료율 관리를 위해 실질적으로 필요한 공간적 특성을 반영한 지역 수준의 고혈압 유병률에 영향을 미치는 요인, 개인 및 지역 요인 이 고혈압 치료율에 미치는 영향 등을 규명하지 못하였다. 고혈압의 예방 및 관리가 중요함에 따라 국내의 선행연구에서는 성, 연령, 직업, 장애, 가족 력, 영양, 생활습관 등이 고혈압 유병 및 치료에 미치는 영향[15][16][17][18][19]을 규명하였으며, 공 간적 특성을 반영하여 거주하는 지역의 건강행태, 물리적 환경, 사회경제적 환경 등이 지역의 고혈압 유병율 및 치료율에 미치는 영향[6][11][20]을 규명 하였다. 이에 본 연구의 연구결과와 선행연구의 연 구결과 등을 기반으로 국가 및 지역사회의 고혈압 관리에 대한 정책적 방안을 종합적으로 마련하는 것이 필요하다.

    Ⅴ. 결론

    고혈압 유병률 및 고혈압 치료율의 시공간분포 특성에 근거하여 국가 및 지역사회의 고혈압 관리 에 대한 정책적 방안을 다음과 같이 제시하고자 한다. 첫째, 고혈압 유병률은 우리나라 시군구 지 역에서 지역적, 공간적으로 상관성이 존재하며, 서 로 인접한 지역끼리 통계적으로 유의한 군집 패턴 이 나타남에 따라 고혈압 유병률이 높은 서로 인 접한 시군구 간의 통합적이고, 협업적인 고혈압 유 병률 관리 정책을 수립하고, 고혈압 유병률 관리 프로그램 개발하며, 이를 적용하여 고혈압 유병률 관리에 지역적, 공간적 효과를 반영시켜야 한다. 둘째, 최근 5년 이상 지속적으로 고혈압 유병률이 높은 핫스팟 지역으로 분류된 강원의 16개, 경기의 4개, 인천의 2개, 충남의 6개 등 28개 시군구 지역 에 대해서는 고혈압 유병률 관리를 위한 인력 등 한정된 자원을 집중하여 고혈압 유병률을 낮추는 전략이 필요하다. 셋째, 고혈압 치료율은 고혈압 유병률과 달리 지역적, 공간적 인접성에 상관없이 무작위 패턴이 나타남에 따라 고혈압 치료율이 낮 은 단위 시군구 지역을 대상으로 지역 맞춤형 고 혈압 치료율 관리 정책을 수립하고, 고혈압 치료율 관리 프로그램을 개발하며, 이를 적용하여야 한다.

    Figure

    KSHSM-15-4-167_F1.gif
    Hotspots and coldspots of hypertension prevalence rate
    KSHSM-15-4-167_F2.gif
    Hotspots and coldspots of hypertension medication rate

    Table

    Characteristics of hypertension prevalence rate & hypertension medication rate
    Spatial Autocorrelation change of Hypertension Prevalence rate & Hypertension medication rate
    Hypertension prevalence rate Hotspot & Coldspot Si-gun-gu count by Sido
    Priority Si-gun-gu name for hypertension prevalence rate

    Reference

    1. J.O. Kim (2013), An Efficient Management by Analyzing Control Level of Hypertension, Journal of Digital Convergence, Vol.11(1);369-379.
    2. D.M. Chang, I.S. Park, J.H. Yang (2013), Related Factors of Awareness, Treatment, and Control of Hypertension in Korea : Using the Fourth Korea National Health & Nutrition Examination Survey, Journal of Digital Convergence, Vol.11(11);509-519.
    3. S.H. Park, B.D. Hwang (2013), The Effect of Their Sense of Depression and Suicidal Thinking for Managerial Characteristics in Hypertense and Diabetic Patients, The Korean Journal of Health Service Management, Vol.7(4);221-232.
    4. S.H. Ju, J.W. Noh, C.S. Kim, J. Heo (2017), Local Spatial Autocorrelation Analysis of 3 Disease Prevalence: A Case Study of Korea, Journal of Health Informatics and Statistics, Vol.42(4);301-308.
    5. KDCA (2021), Korea Community health at a Glance 2020: Korea Community Health Survey(KCHS), pp.1-301.
    6. H.S. Seok, S.H. Kang (2013), A Study on The Regional Variation of Hypertension Medication Rate, Journal of Digital Convergence, Vol.11(9);255-265.
    7. W.S. Oh, C.H. Nguyen, S.M. Kim, J.W. Sohn, J. Heo (2016), Spatial Autocorrelation of Disease Prevalence in South Korea Using 2012 Community Health Survey Data, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.34(3);253-262.
    8. S.E. Cha, J.S. Jo, J.E. Jo, W.K. Lee, D.C. Kim (2021), Characterizing the Spatial Distribution of COVID-19 in South Korea, Journal of Korean Society for Geospatial Information Science, Vol.27(2);17-25.
    9. B. Kauhl, W. Maier, J. Schweikart, A. Keste, M. Moskwyn (2018), Exploring the small-scale spatial distribution of hypertension and its association to area deprivation based on health insurance claims in Northeastern Germany, BMC Public Health, Vol.18(121);1-12.
    10. W. Laohasiriwong, N. Puttanapong, A. Singsalasang (2018), Prevalence of hypertension in Thailand: Hotspot clustering detected by spatial analysis, Geospat Health, Vol.13(608);20-27.
    11. Y.M. Kim, D.G. Cho, S.O. Hong, E.J. Kim, S.H. Kang (2014), Analysis on Geographical Variations of the Prevalence of Hypertension Using Multi-year Data, Journal of the Korean Geographical Society, Vol.49(6);935-948.
    12. H.J. Kim, S.W. Lee (2013), Changes in Spatial Dependence of Crime and Distribution of Crime Hot Spots in Korea, 2001-2010, Journal of The Residential Environment Institute of Korea, Vol.11(2);27-41.
    13. M.S. Yi, K.H. Yeo (2021), An Analysis on the Spatial Pattern of Local Safety Level Index Using Spatial Autocorrelation-Focused on Basic Local Governments Korea, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.39(1);29-40.
    14. H.C. Lim, Y.H. Park (2017), A Study on the Spatial Pattern of Regional Safety in Korea, The Korean Journal of Local Government Studies, Vol.21(3);385-407.
    15. D.T. Lee, Y.S. Lee (2012), The Age-Related Trend in Blood Pressure and the Prevalence of Hypertension in Korean Adults, Journal of Life Science, Vol.22(2);148-155.
    16. S. Koo, Y.O. Kim, M.K. Kim, J.S. Yoon, K. Park (2012), Nutrient Intake, Lifestyle Factors and Prevalent Hypertension in Korean Adults: Results from 2007-2008 Korean National Health and Nutrition Examination Survey, Korean Journal Of Community Nutrition, Vol.17(3);329-340.
    17. A.R. Kim, M.H. Choi (2018), Effects of Disability on the Prevalence of Hypertension and Diabetes : Using Propensity Score Matching, Journal of the Korean Data Analysis Society, Vol.20(3);1503-1517.
    18. K.Y. Kim (2019), Risk factors for hypertension in elderly people aged 65 and over, and adults under age 65, Journal of the Korea Academia-Industrial cooperation Society, Vol.20(1);162-169.
    19. L.J. Choi, K.W. Kim, S.G. Choi, S.M. Kim, S.M. Park, J.S. Son (2019), The Influence of Family History of Hypertension on Hypertension Prevalence, Management and Healthy Behaviors among Korean Adults: Results from the Korea National Health and Nutrition Examination Survey 2014-2016, Korean Journal of Health Promotion, Vol.19(1);1-8.
    20. Y.M. Kim, S.H. Kang (2015), Changes and determinants affecting on geographic variations in health behavior, prevalence of hypertension and diabetes in Korean, Journal of Digital Convergence, Vol.13(11);241-254.
    20211012
    20211124
    20211207
    downolad list view