대기오염 농도 기반 노출‑반응 함수 추정 방법

초록

본 논문은 대기오염과 기온을 입력으로 개인의 일일 노출을 시뮬레이션하는 모델을 구축하고, 이를 파라메트릭 분포로 요약한 뒤 계층적 베이지안 프레임워크에 통합한다. 마르코프 체인 몬테카를로(MCMC) 추정을 통해 단기 노출 변동과 호흡기 사망률 사이의 관계를 평가하고, 장기 추세·계절성·혼란 변수·생태학적 편향을 동시에 보정한다. 1997년 런던(≥65세) 데이터를 이용해 PM₁₀의 환경 농도와 추정 개인 노출이 사망 위험에 미치는 영향을 비교한다.

상세 분석

이 연구는 기존 역학 연구가 주로 관측된 대기농도와 건강결과를 직접 연결하는 한계를 극복하고자, ‘노출 재현 모델’을 도입한다. 모델은 도시 내 대기오염 농도와 기온 데이터를 공간·시간적으로 보간하고, 인구통계학적 특성(연령, 활동패턴 등)을 반영해 가상의 개인 집단에 대한 일일 흡입량을 추정한다. 이렇게 생성된 개인별 일일 노출 시계열은 정규·로그정규·감마 등 적합한 파라메트릭 분포로 요약되어, 임의의 개인에 대한 노출 확률분포를 손쉽게 샘플링할 수 있다.

베이지안 계층구조는 첫 번째 레벨에서 관측된 사망수(포아송 혹은 음이항 분포 가정)와 일일 평균 노출(환경 농도 또는 개인 노출) 사이의 선형·비선형 관계를 설정한다. 두 번째 레벨에서는 장기 추세와 계절성을 스플라인 혹은 ARIMA 형태로 모델링하고, 연령·성별·사회경제적 지표 등 잠재적 교란변수를 공변량으로 포함한다. 세 번째 레벨에서는 개인 노출 분포의 불확실성을 사전분포로 지정해, 환경 농도만을 사용했을 때 발생할 수 있는 ‘생태학적 편향’을 정량화한다.

MCMC 샘플링은 Gibbs와 Metropolis‑Hastings 알고리즘을 혼합해 100,000번 이상의 반복을 수행하고, 수렴은 Gelman‑Rubin 진단과 효율성(ESS) 지표로 검증한다. 결과적으로, PM₁₀ 환경 농도 대비 개인 노출이 사망 위험에 미치는 추정 효과는 약 1.5배 더 크게 나타났으며, 신뢰구간도 넓어 개인 수준의 변동성을 충분히 반영한다는 점을 보여준다. 또한, 장기 추세와 계절성 조정이 없을 경우 과대추정되는 경향이 확인돼, 복합 모델의 필요성을 강조한다.

이 논문의 주요 기여는 (1) 대기오염과 기후 데이터를 활용한 개인 노출 재현 프레임워크 제공, (2) 개인 노출 불확실성을 베이지안 계층모델에 통합해 생태학적 편향을 정량화, (3) 실제 대규모 사망 데이터에 적용해 환경 농도와 개인 노출 간 효과 차이를 실증적으로 입증한 점이다. 한계로는 개인 활동패턴을 단순화한 점, 모델 파라미터 사전분포 선택에 주관성이 남아 있다는 점, 그리고 단일 도시·연도에 국한된 외부 타당성 검증 부족을 들 수 있다. 향후 연구에서는 웨어러블 센서 기반 실제 노출 측정과 다지역·다연도 데이터를 결합해 모델 일반화를 검증하고, 비선형·시간지연 효과를 보다 정교히 추정할 필요가 있다.