백신의 직접 효과와 예방접종 후 행동 변화에 대한 인과 분석

초록

백신 접종이 개인의 위험 회피 행동을 바꾸어 감염 노출을 증가시킬 수 있다는 가설을 바탕으로, 연구자는 행동을 매개변수로 차단한 “자연 직접 효과”(natural direct effect)를 주요 인과 추정량으로 제시한다. 논문은 의료 이용 행태가 노출‑결과 및 매개‑결과 모두를 혼동할 가능성을 강조하고, 이러한 혼란을 최소화하기 위한 데이터 수집·분석 전략을 논의한다.

상세 분석

본 논문은 백신 효과 평가에서 흔히 간과되는 ‘행동 변화’라는 매개변수를 명시적으로 모델링한다는 점에서 인과 추론 분야에 의미 있는 기여를 한다. 전통적인 백신 효과 추정은 백신 접종 여부와 감염 발생률 사이의 직접적인 연관성을 분석하지만, 백신이 제공하는 보호에 대한 인식이 행동 변화를 유발해 실제 노출 위험을 바꿀 수 있다는 점을 무시한다. 이러한 상황을 인과 그래프(causal diagram)로 표현하면, 백신(V) → 행동(M) → 감염 위험(Y)이라는 경로와, V → Y 직접 경로가 동시에 존재한다. 연구자는 ‘자연 직접 효과(NDE)’를 “백신이 행동에 미치는 영향을 고정시킨 상태에서 백신이 감염 위험에 미치는 순수한 효과”로 정의하고, 정책 입안자가 백신 자체의 생물학적 보호 효과만을 평가하고자 할 때 적합한 추정량이라고 주장한다.

핵심 통계적 과제는 두 가지 혼란 요인이다. 첫째, ‘노출‑결과 혼란’(exposure–outcome confounding)으로, 예를 들어 보건소 방문 빈도나 의료 이용 행태가 백신 접종 여부와 감염 위험 모두에 영향을 미칠 수 있다. 둘째, ‘매개‑결과 혼란’(mediator–outcome confounding)으로, 행동 자체가 의료 이용 행태에 의해 좌우될 경우 매개 변수와 결과 사이에 추가적인 비인과적 연관이 생긴다. 특히 의료 이용 행태는 관측 가능하지만, 완전하게 측정하기 어려운 ‘잠재적 혼란 변수’가 될 가능성이 크다.

논문은 이러한 혼란을 다루기 위한 방법론적 옵션을 제시한다. (1) 사전·사후 설계 단계에서 행동 및 의료 이용 데이터를 상세히 수집하고, 시간 순서를 명확히 기록한다. (2) 구조적 방정식 모델(SEM)이나 가중치 기반 매개 분석을 활용해 교차‑시계열 데이터를 분석한다. (3) 도구 변수(instrumental variable) 접근법을 적용해 행동 변화를 외생적으로 변동시키는 변수(예: 지역별 백신 교육 캠페인)를 찾는다. (4) 민감도 분석을 통해 비관측 혼란에 대한 견고성을 평가한다. 또한, ‘전략적 차단’(strategic blocking)이라는 개념을 도입해, 백신 접종 후 행동 변화를 최소화하는 보조 정책(예: 마스크 착용 의무, 사회적 거리두기 권고)을 동시에 시행함으로써 NDE를 보다 정확히 추정할 수 있음을 강조한다.

연구자는 실제 데이터 예시로 인플루엔자 백신과 코로나19 백신을 비교한다. 인플루엔자 백신은 일반적으로 ‘위험 회피 행동 감소’ 효과가 적은 반면, 코로나19 백신은 ‘위험 보상 행동’(risk compensation) 현상이 강하게 나타난다. 이를 통해 NDE와 총 효과(total effect) 사이의 차이가 정책적 의미를 가질 수 있음을 실증적으로 보여준다.

마지막으로, 논문은 백신 정책 평가에서 NDE를 명시적으로 보고하도록 권고한다. 이는 백신 자체의 면역학적 효능을 정확히 파악하고, 동시에 행동 변화가 가져올 부정적 외부효과를 사전에 인지해 보완책을 설계하는 데 필수적이다.