커피 섭취와 심근경색 발생의 연관성을 평가하는 코호트 연구에서, 연구자는 흡연이 교란 변수로 의심되어 층화 분석을 시행하였다. 흡연 여부로 층화한 후 각 층의 비차비가 전체 비차비와 크게 다르지 않다면, 어떤 결론을 내릴 수 있는가?

층화 분석에서 층별 추정값(예: 비차비)이 전체 추정값과 유사하다면, 해당 변수(흡연)는 교란 효과가 없다고 판단한다. 따라서 굳이 층화하지 않은 전체 집단의 비차비(crude OR)를 최종 결과로 제시할 수 있다.

보건행정 핵심 해설 이 문제는 역학 연구에서 교란 변수(Confounding variable)를 평가하는 층화 분석(Stratified analysis)의 핵심 원리를 묻고 있어요. 보건행정 분야에서 건강보험 빅데이터나 코호트 연구를 해석할 때 교란 변수를 통제하는 것은 인과 관계 추론의 타당도를 결정하는 매우 중요한 절차랍니다. 핵심 개념 분석 (Key Concept): 교란 변수는 '노출-질병'의 관계를 왜곡하는 제3의 변수를 말해요. 어떤 변수가 교란 변수로 작용하려면 노출과도, 질병과도 관련이 있어야 하지만, 노출-질병 관계의 중간 단계(매개 변수)여서는 안 됩니다. 여기서 흡연은 커피 섭취(노출)와도 관련이 있고 심근경색(질병)과도 관련이 있을 수 있는 변수이므로, 연구자는 이를 의심하여 층화 분석을 시행했어요. 층화 분석은 의심되는 교란 변수의 범주(예: 흡연자/비흡연자)별로 자료를 나누어 각 층 내에서 노출과 질병의 연관성을 평가하는 방법이에요. 정답 근거 (Answer Rationale): 핵심! 각 층(흡연자 층, 비흡연자 층)의 비차비(Odds Ratio, OR)가 전체 비차비(총괄 OR, Crude OR)와 크게 다르지 않다는 것은, 흡연이라는 변수가 커피 섭취와 심근경색 발생 간의 연관성에 실질적인 왜곡 효과(교란)를 미치지 않는다는 강력한 증거예요. 따라서 이 경우, 더 이상 복잡하게 층을 나누지 않고, 연구 집단 전체를 대상으로 한 전체 비차비를 최종 결과로 제시하는 것이 타당해요. 이는 연구의 단순성과 통계적 검정력을 유지하는 방법이랍니다. 오답 분석 (Distractor Analysis): ② 정보 편견(Information bias)은 노출이나 질병을 잘못 측정하거나 분류하여 발생하는 체계적 오류를 말해요. 이 문제는 층별 분석 결과가 유사한 상황을 다루며, 이는 측정 오류가 아닌 변수 간 관계의 평가와 관련됩니다. 혼동 주의! 편견(Bias)의 세 종류(선택, 정보, 교란)를 구분하는 것은 역학 문제의 단골 출제 포인트예요. ③ 효과 변형인자(Effect modifier)는 층별 효과 측정값이 통계적으로 유의하게 다를 때 고려하는 개념이에요. 문제에서는 각 층의 비차비가 '크게 다르지 않다'고 했으므로, 흡연은 효과 변형인자가 아니며, 층별 결과를 따로 제시할 필요가 없어요. 혼동 주의! 교란 변수와 효과 변형인자는 전혀 다른 개념이므로, 각 층의 결과값이 유사한지(=교란 평가) 혹은 다른지(=효과 변형 평가)를 먼저 판단해야 해요. ④ 선택 편견(Selection bias)은 연구 참여자의 선정이나 탈락 과정에서 발생하는 오류예요. 흡연이라는 변수 자체가 선택 편견의 '원인'이 될 수 없으며, 이는 연구 설계상의 문제와 관련됩니다. 문제 상황은 이미 수집된 자료 내 변수 간 관계 분석에 초점을 맞추고 있어요. ⑤ '흡연이 교란 변수이므로 층화 분석 결과를 최종 결과로 제시해야 한다'는, 층별 결과가 전체 결과와 다를 때, 즉 실제로 교란 효과가 확인되었을 때 취해야 할 결론이에요. 문제의 가정과 정반대 상황이죠. 연관 개념 정리 (Related Concepts): 교란 변수 통제를 위한 다양한 분석 방법도 함께 알아두세요. 연구 설계 단계에서는 무작위 배정(Randomization), 짝짓기(Matching), 제한(Restriction)이 있으며, 분석 단계에서는 이 문제의 핵심인 층화 분석(Stratified analysis)과 다중 회귀 분석(Multiple regression analysis) 같은 통계적 보정 방법이 사용돼요. 건강보험공단 자료를 분석할 때는 이러한 보정 없이 단순 빈도 비교만 하면 잘못된 결론에 도달할 위험이 크다는 점을 꼭 기억하세요! 개념 정리 교란 변수(Confounder) 판정의 3대 조건:
1. 노출 요인과 관련이 있어야 함.
2. 질병 발생과 관련이 있어야 함.
3. 노출-질병 관계의 중간 단계(매개 변수)가 아니어야 함. 층화 분석의 결과 해석 원칙:
- 층별 추정값이 유사하고, 전체 추정값과도 유사하면 → 교란 없음! 전체 결과 제시.
- 층별 추정값은 유사하지만, 전체 추정값과 다르면 → 교란 있음! 보정된 층별 통합 추정값(Mantel-Haenszel OR 등) 제시.
- 층별 추정값 자체가 다르면 → 효과 변형 의심! 각 층별 결과를 따로 제시. 한눈에 비교!

구분	교란 변수 (Confounding)	효과 변형인자 (Effect Modification)
핵심 질문	이 제3의 변수가 노출-질병 관계를 왜곡하는가?	노출-질병 관계가 이 제3의 변수의 수준에 따라 다른 크기를 보이는가?
판단 기준	층별 OR은 유사, Crude OR과는 다름	층별 OR이 서로 다름 (이질적임)
결과 제시 방법	교란 효과를 통제한 하나의 통합 추정값 제시	통합하지 않고 각 층별 추정값을 따로 제시
통계적 검정	층별 OR의 동질성은 가정함 (주로 시각적 비교 또는 Breslow-Day 검정으로 이질성 없음 확인 후 통합)	층별 OR의 이질성을 통계적으로 검정 (Breslow-Day 검정, Wald 검정 등)

실무 포인트 보건의료 빅데이터 분석 시, 특정 약물(노출)과 질병 발생(결과)의 연관성을 평가할 때, 기저 질환의 중증도(교란 변수 의심)를 반드시 보정해야 해요. 예를 들어, 당뇨병 약물과 심혈관 질환의 관계를 분석할 때, 당뇨병의 중증도는 약물 선택과 심혈관 질환 발생 모두에 영향을 미치는 강력한 교란 변수예요. 이러한 교란 변수를 건강보험 청구 자료에서 ICD 코드와 약물 처방 코드를 통해 추출하여 층화 분석이나 성향 점수 매칭(Propensity score matching)으로 보정하는 것이 최근 연구의 표준 방법이랍니다. 암기 팁 층화 분석 결과 해석은 "같으면 합치고, 다르면 나눈다"로 기억하세요. - 층별 OR이 같으면 (교란 평가) → 전체 또는 통합 OR로 합쳐서 제시. - 층별 OR이 다르면 (효과 변형 평가) → 각 층별 결과를 나누어서 제시. 국시 빈출 포인트 보건의료정보관리사 및 병원행정사 시험의 '보건의료통계학' 또는 '역학' 파트에서 교란 변수와 편견(Bias)의 종류를 구분하는 문제는 매년 출제되고 있어요. 특히, 연구 설계 시점의 통제 방법(무작위 배정, 짝짓기)과 분석 시점의 통제 방법(층화 분석, 다변량 분석)을 구분하는 문제와, 교란 변수와 효과 변형인자의 차이를 묻는 사례형 문제가 빈출이니 꼭 정리해 두세요. 기출 변형 주의! 같은 원리를 코호트 연구가 아닌 환자-대조군 연구에 적용하여, '층화 분석 결과 층별 오즈비가 동질하여 교란 효과가 없음을 확인했다'는 지문이 참인지 거짓인지 묻는 형태로도 출제될 수 있어요. 연구 설계가 달라져도 층화 분석의 논리는 동일하게 적용된다는 점을 기억하세요.

보건행정 실무 가이드 실무 시나리오 (Research Scenario): 당신은 종합병원 의무기록실에서 근무하는 보건의료정보관리사입니다. 심장내과 연구팀에서 당뇨병 치료제 A와 B의 심근경색 발생률을 비교하기 위해 지난 5년간의 EMR 데이터를 활용한 후향적 코호트 연구를 의뢰했습니다. 연구팀은 "약제 A를 복용한 환자군에서 심근경색 발생이 더 많았지만, 해당 군에 고령 환자가 많았다"는 중간 결과를 당신에게 보여주었어요. 당신은 즉시 나이(Age)가 강력한 교란 변수로 작용했을 가능성을 인지하고, 나이를 층화한 분석을 제안합니다. 행정 중재 전략 (Analytical Intervention): 먼저, ICD-10 코드로 심근경색(I21.x)을 진단받은 환자 목록을 추출하고, 약제 A/B 처방 데이터와 병합합니다. 이후 환자들을 60세 미만과 60세 이상의 두 개의 연령 층으로 나눕니다(층화). 각 층에서 약제 A와 B의 심근경색 발생에 대한 층별 비차비(OR)를 계산했을 때, 두 연령층의 비차비가 유사하게 1.0 근처(연관성 없음)로 산출되었지만, 층화 전 전체 비차비는 1.8로 계산되었습니다. 핵심! 이 결과는 나이가 교란 변수임을 의미하므로, 최종 보고서에는 층화된 통합 비차비(예: Mantel-Haenszel OR)를 약제 A와 B의 연관성이 없는 것으로 수정하여 제시합니다. 법적 안전 및 주의사항 (Precautions): 의무기록 기반 연구의 가장 큰 함정은 교란 변수입니다. 특히, 의사가 어떤 환자에게 어떤 약을 처방할지 결정하는 '처방 경향성(Prescription bias)'은 약물 비교 연구의 중대한 교란 요인이에요. 연구 설계 단계에서 충분한 교란 변수를 식별하고 보정하지 않으면, 특정 약제의 효과가 과대 또는 과소평가되어 잘못된 임상적 결론이나 병원 경영 전략 수립으로 이어질 수 있어 주의해야 합니다. 업무 프로토콜 1. 연구 계획 단계: DAG(Directed Acyclic Graph) 같은 인과 도식을 그려 선험적으로 교란 변수를 선정합니다. 2. 자료 추출 및 처리: 의무기록, 처방, 검사 결과 데이터를 연계하여 교란 변수 정보(나이, 성별, 기저 질환, 동반 약물 등)를 완전하게 구축합니다. 3. 통계 분석 의뢰: 층화 분석 후, 층별 OR의 동질성을 시각적(forest plot) 또는 통계적(Breslow-Day test)으로 확인합니다. 4. 결과 해석 및 보고: 교란 효과가 확인되면 반드시 보정된 결과를 제시하고, 원자료 분석 결과와 비교하여 타당성을 검증합니다. 선배의 한마디 "보건의료정보관리사가 단순히 데이터를 추출하는 역할을 넘어, 분석의 타당성을 확보하는 조력자 역할까지 수행해야 진정한 데이터 전문가라고 할 수 있어요! 의무기록 데이터를 다룰 때는 '단순 비교는 독(毒)이 될 수 있다'는 점을 잊지 말고, 항상 교란 변수라는 함정을 조심하세요. 연구 설계부터 분석까지, 역학적 사고는 병원 데이터를 가치 있게 만드는 가장 강력한 도구랍니다."