직업성 폐암과 방사선 노출의 연관성을 평가하는 연구에서, 흡연력을 통제한 후 비차비가 3.5에서 2.1로 감소하였다. 이 결과에 대한 가장 적절한 해석은?
1흡연은 양의 교란 변수로 작용하여 연관성을 과대 추정하게 했다.✓ 정답
2흡연은 방사선 노출과 폐암 사이의 매개 변수이다.
3흡연은 효과 변형인자로 작용하여 연관성을 강화시켰다.
4흡연은 음의 교란 변수로 작용하여 연관성을 과소 추정하게 했다.
5흡연은 무작위 오차를 증가시켜 신뢰구간을 넓혔다.
해설
흡연을 통제하기 전의 비차비(3.5)가 통제 후의 비차비(2.1)보다 크므로, 흡연은 방사선 노출과 폐암의 연관성을 실제보다 더 크게 보이도록 하는 양의 교란(positive confounding)을 일으켰다. 즉, 흡연은 방사선 노출군에 더 많이 분포하고 폐암의 위험도 높이므로, 이를 통제하지 않으면 연관성이 과대 추정된다.
핵심 해설
이 문제는 역학(Epidemiology) 연구에서 교란 변수(Confounding Variable)의 영향을 평가하는 방법을 묻고 있어요. 보건행정 및 의무기록 분석에서 특정 위험 요인과 질병의 연관성을 해석할 때, 제3의 변수가 그 관계를 왜곡하는지 파악하는 것은 매우 중요해요.
1. 핵심 개념 분석 (Key Concept)핵심! 어떤 변수를 통제했을 때(보정했을 때) 원래의 연관성 측정치(여기서는 비차비, Odds Ratio)가 어떻게 변하는지 보면 그 변수의 역할을 알 수 있어요.
- 비차비(Odds Ratio, OR): 특정 노출(방사선)이 있을 때 질병(폐암)에 걸릴 확률을 비교하는 지표예요.
- 흡연력을 통제: 통계적인 방법을 통해 흡연의 영향을 제거하고 방사선 노출이라는 요인만의 순수한 영향을 보겠다는 뜻이에요.
- 교란(Confounding): 제3의 변수가 원인(방사선)과도 관련이 있고 결과(폐암)와도 관련이 있어서, 원인과 결과의 관계를 왜곡하는 현상이에요.
2. 정답 근거 (Answer Rationale)
① 흡연은 양의 교란 변수로 작용하여 연관성을 과대 추정하게 했다. → 정답!
통제 전 비차비(3.5)가 통제 후 비차비(2.1)보다 큽니다. 이는 흡연을 통제하기 전에는 방사선 노출의 폐암 위험이 실제보다 더 크게 보였다는 뜻이에요. 이런 경우를 양의 교란(Positive Confounding)이라고 하며, 흡연이 연관성을 과대 추정하게 만든 거예요. 흡연은 방사선 노출 근로자에게 더 흔할 수 있고(원인과 관련), 그 자체로 폐암을 강력하게 유발하므로(결과와 관련) 전형적인 교란 변수의 조건을 충족해요.
3. 오답 분석 (Distractor Analysis)
② 흡연은 방사선 노출과 폐암 사이의 매개 변수이다. → 혼동 주의! 매개 변수(Mediator)는 원인(방사선)이 결과(폐암)에 영향을 미치는 경로 중간에 있는 변수를 말해요. 예를 들어 '방사선 노출 → DNA 손상 → 폐암'에서 DNA 손상이 매개 변수예요. 흡연은 방사선 노출로 인해 생기는 결과가 아니므로 매개 변수가 아니에요.
③ 흡연은 효과 변형인자로 작용하여 연관성을 강화시켰다. → 효과 변형인자(Effect Modifier)는 노출과 결과의 연관성 크기를 집단별로 다르게 만드는 변수예요. 예를 들어 "방사선 노출의 폐암 위험이 흡연자에서는 4배, 비흡연자에서는 1.5배"처럼 층별로 비차비가 유의하게 다를 때 효과 변형이 있다고 해요. 단순히 전체 비차비가 통제 후 감소했다고 해서 효과 변형인자라고 할 수 없어요.
④ 흡연은 음의 교란 변수로 작용하여 연관성을 과소 추정하게 했다. → 통제 전 비차비가 통제 후보다 작았다면 음의 교란(Negative Confounding)이에요. 이 문제에서는 통제 후 비차비가 감소했으므로 양의 교란에 해당해요.
⑤ 흡연은 무작위 오차를 증가시켜 신뢰구간을 넓혔다. → 교란 변수 통제는 계통적 오차(Systematic Error)인 비뚤림(Bias)을 보정하는 과정이에요. 무작위 오차는 표본 크기와 관련이 있으며, 흡연 변수를 통제한다고 해서 신뢰구간 폭이 달라지는 주된 기전은 아니에요.
4. 연관 개념 정리 (Related Concepts)한눈에 비교!
변수 유형
정의
판단 기준
예시
교란 변수 (Confounder)
원인 및 결과와 모두 관련되어 연관성을 왜곡하는 변수
통제(보정) 후 비차비가 변함
흡연 (방사선-폐암 관계에서)
매개 변수 (Mediator)
원인이 결과로 가는 인과 경로상의 중간 단계 변수
통제 시 원인-결과 연관성이 사라지거나 크게 감소
고혈압 (비만-심근경색 관계에서)
효과 변형인자 (Effect Modifier)
원인-결과 연관성의 크기가 층(strata)에 따라 달라지게 하는 변수
층별 분석 시 각 층의 비차비가 유의하게 다름
성별 (흡연-폐암 관계에서 성별로 위험도 차이)
개념 정리
- 비차비(Odds Ratio): 환자-대조군 연구에서 노출과 질병의 연관성 강도를 나타내는 지표.
- 양의 교란: 보정 후 비차비가 보정 전보다 감소하는 경우. 연관성을 과대 추정하게 함.
- 음의 교란: 보정 후 비차비가 보정 전보다 증가하는 경우. 연관성을 과소 추정하게 함.
국시 빈출 포인트
의료정보관리사 및 병원행정사 시험의 보건의료통계/역학 파트에서 교란 변수, 매개 변수, 효과 변형인자를 구분하는 문제는 매년 출제되는 High Yield 주제예요. 특히 비차비의 변화 방향을 보고 '양의 교란'인지 '음의 교란'인지 판단하는 문제에 집중하세요.
암기 팁양(陽) + 교란 = 불어난다(Over-estimation)고 생각하세요! 양의 교란이면 실제보다 위험도가 부풀려져 보여요. 통제 전 비차비가 더 크고, 통제 후 작아지는 게 핵심 포인트예요. 반대로 음(陰)의 교란은 숨는다(Under-estimation)로 기억하세요.
보건행정 실무 가이드1. 실무 시나리오 (Practical Scenario)
의무기록 분석을 통해 '특정 공장 근로자들의 폐암 발생률이 높다'는 보고가 원무과와 산업의학팀에 접수되었어요. 보건의료정보관리사로서 ICD-10 코드 C34(기관지 및 폐의 악성 신생물)로 검색된 데이터와 직종 코드를 연계해 기초 분석을 의뢰받았어요. 초기 분석 결과 해당 공장 근로자의 폐암 비차비가 일반 인구 대비 3.0으로 높았지만, 병원장님은 "흡연율이 높은 직종이라면 이 수치를 그대로 믿을 수 있겠는가?"라고 질문하셨어요.
2행정 중재 전략 (Admin Intervention)이 상황에서 여러분은 연령과 흡연력을 보정 변수로 포함한 다변량 로지스틱 회귀분석(Multiple Logistic Regression)을 추가로 의뢰하거나 통계팀과 협업해야 해요.
상황 파악초기 비차비 3.0이 흡연이라는 강력한 교란 변수에 의해 부풀려진(양의 교란) 수치일 가능성을 인지.
데이터 검토건강검진 문진표에서 근로자들의 흡연력(갑년, Pack-Year) 데이터를 추출하여 비차비를 보정.
결과 해석 및 보고보정 후 비차비가 2.0으로 감소했다면, "흡연이 양의 교란 변수로 작용하여 실제 방사선 노출의 위험은 2.0이며, 초기 3.0은 과대 추정되었음"이라고 명확히 보고.
3법적 안전 및 주의사항 (Precautions)핵심! 의무기록 데이터를 직종 등 개인 식별 가능 정보와 결합하여 분석할 때는 개인정보보호법과 생명윤리 및 안전에 관한 법률을 철저히 준수해야 해요. 연구 목적으로 활용하려면 반드시 기관생명윤리위원회(IRB)의 심의를 거쳐야 하고, 통계 산출 과정에서 개인을 특정할 수 없도록 비식별화 조치를 취해야 해요.
선배의 한마디
"보건행정에서 데이터를 다룰 때 단순한 수치 비교는 금물이에요. '이 수치 뒤에 숨은 교란 변수는 무엇일까?'를 항상 고민하는 습관이 진짜 전문가를 만들어 줘요. 통계 프로그램을 잘 다루는 것도 중요하지만, 분석 결과를 임상적·행정적 의미로 해석하는 능력이 더 중요하답니다!"
비차비 (Odds Ratio) — 환자-대조군 연구에서 특정 노출 요인과 질병 발생 간의 연관성 강도를 나타내는 지표로, 1보다 크면 위험 요인, 작으면 보호 요인으로 해석합니다.
교란 변수 (Confounding Variable) — 연구하고자 하는 노출 요인 및 결과(질병)와 모두 관련이 있어, 둘 사이의 연관성을 왜곡시키는 제3의 변수를 의미합니다.
매개 변수 — 원인 변수가 결과 변수에 영향을 미치는 인과적 경로 중간에 위치하여, 원인의 효과를 전달하는 변수입니다.
효과 변형인자 (Effect Modifier) — 노출 요인과 질병 간의 연관성의 방향이나 크기가 이 변수의 수준에 따라 달라지게 하는 요인을 말합니다. 층화 분석을 통해 평가합니다.
다변량 분석 (Multivariate Analysis) — 여러 개의 독립 변수와 종속 변수 간의 관계를 동시에 분석하는 통계 기법으로, 교란 변수를 통제하여 각 변수의 순수한 영향을 파악할 수 있습니다.