영양연구 교란요인 (Confounding in Nutrition Research)
쉽게 풀면
예를 들어 커피를 많이 마시는 사람이 폐암에 더 잘 걸리는 것처럼 보일 수 있지만, 실제로는 흡연자가 커피도 많이 마시는 경향이 있어서 생긴 착시일 수 있습니다. 이때 흡연이 바로 교란요인입니다. 진짜 원인이 아닌데 두 요인과 동시에 얽혀 있어서 마치 인과관계가 있는 것처럼 보이게 만드는 숨은 변수를 가리킵니다.
왜 중요한가
교란요인을 제대로 통제하지 않으면 식이와 질병 간의 관계를 잘못 해석하여 엉뚱한 결론을 내릴 위험이 있습니다. 영양역학 연구의 신뢰성을 확보하기 위해서는 연구 설계와 통계분석 단계에서 교란요인을 식별하고 통제하는 과정이 필수적입니다.
논문에서는 이렇게 쓰입니다
주요 교란요인을 통계적으로 보정한 뒤에도 결과가 안정적으로 유지되었음을 보여주는 사례입니다.
연구 결과 해석 시 주의해야 할 교란요인의 존재를 명시적으로 논의한 사례입니다.
조금 더 깊게 보면
교란요인을 다루는 방법에는 연구 설계 단계에서의 무작위배정, 매칭, 제한(restriction) 등과, 분석 단계에서의 다변량 회귀분석, 층화분석, 성향점수 매칭 등이 있습니다. 다만 미처 측정되지 않았거나 알려지지 않은 교란요인(unmeasured confounding)은 통계적으로 완전히 통제하기 어려운 한계가 있습니다. 영양역학에서는 특정 식품을 많이 섭취하는 사람이 전반적으로 건강한 생활습관을 함께 가지는 경우가 많아, 이른바 '건강한 사용자 편향'이 교란의 대표적 사례로 자주 언급됩니다. 총 에너지 섭취량 자체도 다른 여러 식이 요인과 함께 변하는 경향이 있어, 영양역학 연구에서는 총 에너지 섭취량을 통계적으로 보정한 뒤 특정 영양소의 순수한 효과를 살펴보는 영양밀도 보정 방법이 흔히 사용됩니다.
주의할 점
모든 교란요인을 완벽하게 통제하는 것은 사실상 불가능하기 때문에, 관찰연구에서 나온 연관성 결과를 인과관계로 곧바로 해석하는 것은 신중해야 합니다.
교란요인을 보정하는 통계 모형 자체가 잘못 설정되면 오히려 실제 연관성을 과대 또는 과소 추정하는 새로운 왜곡을 낳을 수 있어, 보정 변수 선택에도 신중함이 필요합니다.