체중 증가가 사망률에 미치는 인과 효과 추정

초록

본 연구는 1950년대 18세 비흡연 남성에게 체중 증가를 억제하는 강제 다이어트를 적용했을 경우, 2007년까지 관찰된 실제 사망률과 비교하여 반사실적 사망률을 추정한다. 전자 의료 기록을 활용한 장기 코호트 데이터를 기반으로 구조 중첩 모델(SNM)과 g‑추정을 적용해 시간에 따라 변하는 운동·고혈압·당뇨 등 측정 가능한 교란변수와, 진단되지 않은 잠복 질환에 의한 역인과성을 동시에 보정한다. 또한 심각한 장기·심장·폐 질환군을 별도 식별함으로써 측정되지 않은 심각한 교란에 대한 민감도 분석을 수행한다.

상세 분석

이 논문은 전통적인 코호트 분석이 직면하는 세 가지 핵심 문제—시간변화 교란변수, 역인과성(잠복 질환), 그리고 심각한 미측정 교란—를 동시에 해결할 수 있는 통계적 프레임워크를 제시한다. 핵심 도구는 구조 중첩 모델(structural nested model, SNM)이며, 이는 치료(여기서는 체중 유지)와 결과(사망) 사이의 인과 관계를 시간에 따라 동적으로 정의한다. SNM은 “잠재적 결과”를 시간점 t에서의 치료 이력에 조건화시켜 표현하고, 치료 효과를 파라미터화된 함수 ψ로 요약한다.

g‑추정(g‑estimation)은 SNM 파라미터 ψ를 추정하기 위해 사용된다. 구체적으로, ψ에 대한 가설값을 설정하고, 해당 가설값이 실제 데이터와 일치하도록 “무작위화 가정”(no unmeasured confounding given observed history)을 검증한다. 여기서 무작위화 가정은 관측된 교란변수(운동량, 혈압, 당뇨 등)와 치료(체중 변화) 사이의 조건부 독립성을 의미한다. 논문은 이 가정이 위배될 경우, 잠복 질환에 의한 역인과성을 보정하기 위해 “잠복 기간 상한”(maximum latent disease duration)이라는 외부 정보를 도입한다. 즉, 일정 기간(예: 5년) 이상 체중 감소가 관찰되면 잠복 질환이 존재했을 가능성을 배제하고, 그 이하에서는 잠복 질환이 존재할 수 있음을 모델에 포함한다.

시간변화 교란변수와 역인과성을 동시에 다루기 위해, 저자는 두 단계의 가중치 함수를 설계한다. 첫 번째 가중치는 관측된 교란변수에 기반한 역확률 가중치(IPTW)이며, 두 번째 가중치는 잠복 질환 여부에 대한 베이지안 사전분포와 관측된 체중 변화를 결합한 “잠복 가중치”이다. 이 두 가중치를 곱함으로써, 각 관측치가 잠재적 반사실적 경로에 기여하는 정도를 조정한다.

특히, 심각한 장기·심장·폐 질환군을 별도 하위집단으로 식별하는 절차는 “식별 가능한 교란 집단”(identifiable confounding subgroup) 개념을 도입한다. 이 집단은 진단코드와 약물 처방 기록을 통해 정의되며, 해당 집단 내에서는 ψ의 추정이 불가능하거나 불안정하다고 판단될 경우, 해당 데이터를 분석에서 제외하거나 민감도 분석을 통해 결과에 미치는 영향을 평가한다.

모델 식별성은 크게 두 가정에 의존한다. 첫째, 잠복 질환이 체중에 미치는 영향을 일정 상한 이하로 제한한다는 “잠복 기간 상한 가정”. 둘째, 관측된 교란변수가 충분히 풍부하여 치료와 결과 사이의 조건부 독립성을 만족한다는 “완전 측정 가정”. 이 두 가정이 모두 충족될 경우, ψ̂는 일관적이며, 반사실적 사망률 곡선을 추정할 수 있다.

한계점으로는 (1) 잠복 기간 상한을 임의로 설정해야 하는 주관성, (2) 고차원 교란변수의 과적합 위험, (3) 심각한 미측정 교란이 존재할 경우 완전한 보정이 어려울 수 있다는 점을 들 수 있다. 저자는 이러한 한계를 보완하기 위해 다중 민감도 분석, 부트스트랩 기반 표준오차 추정, 그리고 시뮬레이션 기반 검증을 수행한다.

전반적으로, 이 연구는 복잡한 시간적 인과 구조를 가진 역학 데이터를 다룰 때, 구조 중첩 모델과 g‑추정을 결합한 접근법이 실용적이며, 정책 시뮬레이션(예: 강제 다이어트 정책)에도 직접 적용 가능함을 보여준다.