한 연구자가 흡연과 폐암의 연관성을 평가하는 환자-대조군 연구를 수행하였다. 연구 결과, 흡연율이 높은 음주 집단에서 폐암 발생 위험이 더 높게 나타나는 경향을 발견했다. 이때 음주가 연구 결과에 미칠 수 있는 영향으로 가장 적절한 용어는?

교란 변수는 연구하고자 하는 위험 요인(흡연) 및 질병(폐암)과 모두 관련되어 있어, 두 변수 간의 연관성을 왜곡하는 제3의 변수이다. 이 문제에서 음주는 흡연과 관련이 있고 독립적으로 폐암 발생에도 영향을 줄 수 있어 교란 변수로 작용할 수 있다.

보건행정 핵심 해설 이 문제는 역학 연구에서 흔히 발생하는 편견(bias)의 유형을 구분하는 문제예요. 연구자가 밝히고자 한 것은 '흡연과 폐암의 연관성'인데, 제3의 변수인 '음주'가 이 관계를 왜곡할 가능성을 보여주는 상황입니다. 이처럼 독립변수(흡연)와 종속변수(폐암) 모두에 연관되어 있어, 두 변수 간의 진짜 연관성을 과대평가하거나 과소평가하게 만드는 변수를 찾는 것이 핵심이에요. 핵심 개념 분석 (Key Concept) 환자-대조군 연구(Case-control study)에서 위험 요인과 질병의 연관성을 평가할 때, 교란(Confounding)은 가장 주의해야 할 타당도 저해 요인 중 하나입니다. 핵심! 교란 변수(Confounding variable)는 다음 세 가지 조건을 반드시 충족해야 해요. 1. 질병(폐암)의 독립적인 위험 요인일 것 2. 연구 대상 위험 요인(흡연)과 연관성이 있을 것 3. 위험 요인과 질병의 중간 단계가 아닐 것 문제에서 음주는 폐암의 위험 요인일 수 있으며, 흡연율이 높은 집단에서 음주율도 높은 경향이 있으므로(연관성), 흡연과 폐암의 관계를 왜곡할 수 있는 전형적인 교란 변수의 조건을 만족합니다. 정답 근거 (Answer Rationale) ⑤번 '교란 변수'가 정답입니다. 핵심! 연구 결과에서 "흡연율이 높은 음주 집단에서 폐암 발생 위험이 더 높게 나타나는 경향"이라고 했어요. 이는 흡연의 효과인지, 음주의 효과인지, 아니면 두 요인의 복합 효과인지 분리하기 어렵다는 뜻입니다. 즉, 음주라는 변수가 흡연과 폐암의 관계를 혼란스럽게(confound) 만들고 있으므로 교란 변수에 해당합니다. 이 교란 효과를 통제하기 위해 연구 설계 단계에서는 짝짓기(Matching), 분석 단계에서는 층화 분석(Stratified analysis)이나 다변량 분석(Multivariable analysis)을 사용합니다. 오답 분석 (Distractor Analysis) 혼동 주의! 역학 연구의 다양한 편견들은 용어가 비슷해 자주 혼동되므로 반드시 개념을 구별해야 해요. ① 선택 편견(Selection bias): 연구 대상자를 선정하는 과정에서 발생하는 편견입니다. 예를 들어, 병원 기반 환자-대조군 연구에서 대조군을 병원 내 다른 질환자로 선정했을 때, 그 질환이 흡연이나 음주와 관련이 있다면 선택 편견이 발생할 수 있어요. 이 문제는 대상자 선정 과정이 아닌, 이미 수집된 자료의 변수 간 관계를 다루므로 틀렸습니다. ② 비차별적 오분류(Non-differential misclassification): 정보 편견의 한 종류로, 노출(흡연)이나 질병(폐암)을 잘못 분류할 확률이 비교 집단 간에 동일한 경우를 말해요. 이 문제는 변수의 분류 오류가 아니라 변수 간의 관계 왜곡을 다루므로 오답입니다. ③ 효과 변형인자(Effect modifier): 혼동 주의! 교란 변수와 가장 헷갈리는 개념입니다. 효과 변형인자는 제3의 변수에 따라 위험 요인과 질병의 연관성 '크기'가 달라지는 현상을 말해요. 예를 들어 '남성에서는 흡연의 폐암 위험도가 5배, 여성에서는 2배'라면 성별이 효과 변형인자입니다. 문제는 음주가 결과를 '왜곡'하는 상황을 묻고 있으므로 교란 변수가 더 적절합니다. 교란은 '왜곡(distortion)'이 핵심이고, 효과 변형은 '상호작용(interaction)'이 핵심이에요. ④ 정보 편견(Information bias): 노출이나 질병에 대한 정보를 수집하는 과정에서 발생하는 편견입니다. 대표적으로 회상 편견(Recall bias), 면접자 편견(Interviewer bias) 등이 있어요. 문제 상황은 정보 수집 방식의 오류가 아니라 변수 자체의 속성에서 기인한 혼란을 다루므로 오답입니다. 연관 개념 정리 (Related Concepts) 보건행정 및 역학 연구에서 연구 결과의 타당도(Validity)를 위협하는 요소는 크게 세 가지로 나눕니다. 개념 정리

구분	선택 편견(Selection bias)	정보 편견(Information bias)	교란(Confounding)
발생 원인	대상자 선정 및 추적 관찰 단계	자료 수집 및 측정 단계	변수 간 복잡한 구조적 연관성
핵심 기전	비교 집단 간 비교성 상실	측정 도구 또는 대상자의 체계적 오류	제3의 변수가 독립-종속 변수 관계를 혼합
통제 방법	무작위 배정, 적절한 대조군 선정	표준화된 도구 사용, 눈가림법(Blinding)	제한(Restriction), 짝짓기(Matching), 층화/다변량 분석

한눈에 비교! 교란 변수 vs 효과 변형인자 이 두 개념은 국가고시에 단골로 출제되니 반드시 구분하세요. - 교란 변수(Confounder): '왜곡'이 핵심. 제거하거나 통계적으로 통제해야 할 '방해꾼'입니다. 흡연과 폐암 관계에서 음주는 제거하거나 통제해야 올바른 흡연의 위험도를 추정할 수 있어요. - 효과 변형인자(Effect Modifier): '상호작용'이 핵심. 통제의 대상이 아니라, '계층별로 나누어 분석하여 기술'해야 하는 정보입니다. "흡연과 폐암의 관계가 음주 여부에 따라 어떻게 달라지는가?"를 층화 분석을 통해 확인하는 것이 중요해요. 실무 포인트 병원 행정이나 보건 정책 평가 시 특정 건강증진 프로그램(예: 금연 클리닉)의 효과를 분석할 때, 참가자들의 연령, 성별, 기저 질환 유무 등이 교란 변수로 작용하여 프로그램의 순수한 효과를 왜곡할 수 있어요. 따라서 건강보험공단의 빅데이터를 활용한 코호트 연구 등에서는 성향 점수 매칭(Propensity Score Matching, PSM) 같은 고급 통계 기법을 활용하여 이러한 교란 요인들을 통제한 '순수 효과'를 산출합니다. 이는 보건의료 정책 수립의 근거가 되는 중요한 과정이에요. 암기 팁 "흡-폐 관계에 술이 껴서 헷갈리게 한다!" → 교란(Confounding) 변수. "성(性)별에 따라 흡연이 폐암에 미치는 영향 크기가 변한다!" → 효과 변형(Effect Modification). '왜곡(Confound)'과 '변화(Modify)'라는 영문 단어 뜻을 떠올리면 쉽게 기억할 수 있어요. 국시 빈출 포인트 보건의료정보관리사 및 병원행정사 시험의 보건역학 파트에서 매년 출제되는 핵심 개념입니다. 단순히 용어를 묻는 것을 넘어, 특정 연구 시나리오(사례형)를 주고 "이 상황에서 발생한 편견은 무엇이며, 이를 통제하기 위한 방법으로 가장 적절한 것은?" 식의 2단계 문제로 출제되는 경향이 있어요. 편견의 종류별 통제 방법까지 함께 묶어서 학습해야 합니다. 기출 변형 주의! 동일한 시나리오에서 "음주의 효과를 제거하고 흡연의 순수한 영향을 평가하기 위해 연구자가 취할 수 있는 가장 적절한 분석 방법은?"이라고 물으며, '짝짓기(Matching)', '다변량 로지스틱 회귀분석' 등을 보기로 제시할 수 있어요. 교란 변수의 '통제 방법'까지 완벽하게 학습해두세요.

보건행정 실무 가이드 실무 시나리오 (Clinical Scenario) 원무과에서 근무하는 보건의료정보관리사 A씨는 의료 질 향상(QI) 팀의 요청으로 '수술 부위 감염(Surgical Site Infection, SSI) 발생률'에 대한 데이터를 분석하게 되었습니다. 수술 시간이 길수록 감염률이 높다는 초기 분석 결과가 나왔지만, QI 팀장은 "길고 복잡한 수술을 받는 환자는 대부분 고령이거나 당뇨병 같은 기저 질환을 가지고 있을 텐데, 이 요소들 때문에 수술 시간과 감염의 관계가 과장되어 보이는 것 아니냐"고 질문했습니다. A씨는 이 순간 연령과 기저 질환이라는 변수가 수술 시간과 수술 부위 감염 사이에서 교란 변수(Confounding variable)로 작용하고 있음을 직감적으로 파악해야 합니다. 단순히 두 변수의 상관관계를 보여주는 대신, 연령과 기저 질환을 통제한 다변량 분석 결과를 제시해야 올바른 의료의 질 평가와 정책 결정을 도울 수 있습니다. 만약 교란 변수를 통제하지 못한 상태에서 "수술 시간이 긴 의사는 감염 관리가 허술하다"는 식의 잘못된 결론을 내릴 경우, 의료진 사기 저하 및 잘못된 자원 배분으로 이어질 수 있는 심각한 보건행정적 오류를 범하게 됩니다. 행정 중재 전략 (Admin Intervention) 1. 상황 파악: QI 지표 분석 시 단순 빈도나 교차 분석 결과만으로는 왜곡된 결론에 도달할 위험이 높음을 인지합니다. 2. 법적/규정 검토: 의료기관 인증 평가 기준 및 QI 활동 지침에서는 결과 지표의 타당도를 높이기 위해 위험도 보정(Risk-adjustment)을 요구합니다. 3. 대응 및 처리: 전자의무기록(EMR)에서 환자의 나이, 수술 전 당화혈색소(HbA1c) 수치, ASA score 등 잠재적 교란 변수를 추가로 추출합니다. 통계 프로그램을 이용해 다변량 로지스틱 회귀분석(Multivariable logistic regression)을 시행하여, 이러한 변수들의 영향을 통제한 '수정된 수술 시간의 오즈비(Adjusted Odds Ratio)'를 산출합니다. 4. 사후 기록/보고: 보고서에는 '보정 전(Crude) 오즈비'와 함께 '보정 후(Adjusted) 오즈비'를 반드시 병기하고, 어떤 변수들을 통제했는지 명시하여 데이터의 투명성과 신뢰성을 확보합니다. 업무 프로토콜

단계	행정 프로세스	필요 서식/데이터	주의사항
1단계	QI 지표 모니터링 및 이상 신호 감지	감염 관리 보고서, EMR 원시 데이터	단순 수치 비교만으로 원인을 단정하지 말 것
2단계	교란 변수 가능성 평가 및 문헌 고찰	관련 연구 논문, 임상 지침	의료진 및 해당 부서와의 면담을 통해 상황적 맥락 이해
3단계	다변량 분석을 통한 위험도 보정 실시	통계 패키지(SPSS, SAS, R 등), 분석 계획서	통계적 유의성뿐 아니라 임상적 유의성도 함께 고려
4단계	분석 결과 보고 및 개선 활동 권고	QI 활동 결과 보고서	보정 전후 결과를 모두 제시하여 투명한 의사 결정 지원

선배의 한마디 "보건의료 데이터를 다루는 우리의 손끝에서 병원의 중요한 의사 결정이 시작된다고 해도 과언이 아니에요. 데이터를 있는 그대로 보는 것이 아니라, 숨어 있는 교란 변수를 찾아내고 통제할 수 있는 분석력을 갖춘 보건행정가야말로 진정한 병원 경영의 파트너입니다. 단순 코딩과 통계 돌리기를 넘어, '이 데이터가 진실을 말하고 있는가'를 항상 고민하는 습관을 길러보세요!"