On the PM2.5 -- Mortality Association: A Bayesian Model for Spatio-Temporal Confounding

기술 요약: PM2.5–사망률 연관성의 시공간적 교란에 대한 베이지안 모델

문제 정의
대기 오염과 공중 보건을 연결하는 역학 연구에서, 노출-결과 연관성을 추정하는 것은 두 가지 주요 과제로 인해 빈번히 어려움을 겪는다: 즉, 관계의 알려지지 않은 함수 형태와 노출 및 결과 모두와 공간적·시간적으로 상관관계가 있는 미측정 교란 요인의 존재이다. 이러한 문제는 노출(PM2.5)과 건강 위험(사망률)이 시공간적으로 함께 변하는 시공간 분석에서 특히 두드러진다. 전통적인 접근 방식은 일정한 선형 관계나 주기적인 계절적 효과와 같은 단순화된 가정에 의존하는 경우가 많으며, 이는 SARS-CoV-2 팬데믹, 인간 행동의 급격한 변화, 또는 오염 물질과 기상 변수 간의 상호작용과 같은 복잡한 역동성을 설명하지 못한다. 또한, 여기서 "시공간적 교란(spatio-temporal confounding)"은 시공간적 구조를 가진 미측정 요인으로부터 발생하는 누락된 교란 변수 편향으로 정의되며, 적절히 통제되지 않을 경우 잘못된 추론을 초래할 수 있다.

방법론
저자들은 모델 오지정(misspecification)과 미측정 교란을 동시에 해결하기 위해 설계된 베이지안 프레임워크인 **공간 동적 일반화 선형 모델(SDGLMC)**을 제안한다.

1. 노출 효과의 분해:
   본 방법론의 핵심은 1차 테일러 전개(first-order Taylor's expansion)를 사용하여 노출 효과를 두 개의 직교하는 성분으로 분해하는 것이다:

• 대규모 성분: $f(\hat{X}_{it})$로, 노출의 전반적인 시공간적 추세를 나타낸다.
• 소규모(국지적) 성분: $f'(\hat{X}_{it})(X_{it} - \hat{X}_{it})$로, 추세로부터의 편차를 나타낸다.
  모델은 미측정 교란 요인($Z_{it}$)이 시공간적으로 매끄럽게(smooth) 분포하며 따라서 대규모 추세인 $\hat{X}_{it}$와 높은 상관관계를 갖지만, 추정이 제거된 국지적 노출 $(X_{it} - \hat{X}_{it})$와는 상관관계가 없다고 가정한다. 이 모델은 추정이 제거된 노출에 대해 회귀함으로써, 교란 편지에 덜 민감한 진정한 국지적 연관성을 격리하는 것을 목표로 한다.

2. 동적 일반화 선형 모델(DGLM) 구조:
   선형 예측자 $\vartheta_{it} = \ln(\mu_{it})$는 다음과 같이 모델링된다:
   $$\vartheta_{it} = o_{it} + \beta_{0it} + \beta_{1it}(X_{it} - \hat{X}_{it}) + M'_{it}\alpha + \tilde{u}_{it}$$
   여기서 $o_{it}$는 오프셋이며, $M_{it}$는 측정된 교란 변수, $\tilde{u}_{it}$는 가우시안 노이즈이다.

• $\beta_{1it}$ (국지적 기울기): 노출과 사망률 사이의 국지적 연관성을 나타내는 시공간적 가변 계수이다. 이는 기저치($\delta_1$), 시간 특이적 효과($\delta_{1t}$), 그리고 공간적 효과($\tilde{\delta}_{1i}$)로 분해된다. 시간적 효과는 랜덤 워크(random walk) 과정을 따른다.
• $\beta_{0it}$ (절편): 대규모 노출 효과와 미측정 교란을 포착하는 시공간적 가변 절편이다. 이는 기저치, 시간 특이적, 공간적, 그리고 시공간 상호작용 성분을 포함한다. 상호작용 항($\delta^*_{0it}$)은 특정 구역의 이질성(예: 팬데믹 기간 중 특정 지역에서 관찰된 현상)을 포착하기 위해 다양한 구조(예: 구역별 분산을 가진 독립 랜덤 워크)를 사용하여 모델링된다.

3. 추론:
   모델은 마르코프 연쇄 몬테카를로(MCMC) 시뮬레이션을 사용하여 베이지안 방식으로 적합된다. 분산 매개변수와 초기 상태에 대한 사전 분포(priors)가 지정되며, 모델이 과적합 없이 점진적인 변화를 포착할 수 있도록 세심한 민감도 분석을 수행한다. 구역별 효과에 대한 공간 구조는 내재적 조건부 자기회귀(ICAR) 과정을 사용하여 모델링된다.

주요 기여

• 새로운 모델 명세: 미측정 교란 편향을 통한 시공간적 교란을 명시적으로 처리하기 위해 DGLM과 노출 효과의 분해를 통합한 SDGLMC를 도입하였다.
• 비선형성 및 역동성 처리: 일정한 또는 주기적인 효과를 가정하는 모델과 달리, SDGLMC는 노출-결과 연관성이 시간과 공간에 따라 매끄럽게 진화하도록 허용하여, 급격하고 비현실적인 변화 없이도 예외적인 사건(예: 팬데믹)을 수용할 수 있다.
• 분해 전략: 노출 효과를 교란된 대규모 성분과 덜 교란된 소규모 성분으로 명시적으로 분리함으로써 진정한 국지적 연관성의 형태를 회복하는 메커니ме니즘을 제공한다.
• 유연한 상호작용 모델링: 절편을 기저치, 시간, 공간 및 상호작용 효과로 분해함으로써, 취약성이 언제 어디서 변하는지에 대한 해석 가능성을 제공한다.

결과

• 시뮬레이션 연구:
  • 교란 편지 완화: 시뮬레이션 연구 1에서, SDGLMC는 미측정 교란 변수의 서로 다른 세 가지 공간적 및 시간적 자기상관 구조를 포함하는 시나리오에서 Null 모델 및 표준 GLM(시간 스플라인 포함) 모델에 비해 유의미하게 편향을 감소시켰다. 높은 빈도의 시간적 변동이 있는 시나리오에서는 일부 편향이 남아 있었으나, SDGLMC는 평균 제곱 오차(MSE)와 최대 절대 편향(MAB) 측면에서 일관되게 경쟁 모델보다 우수한 성능을 보였다.
  • 함수 형태의 회복: 시뮬레이션 연구 2는 SDGLMC가 비선형 노출-반응 함수의 1차 도함수를 회복할 수 있음을 입증하였으며, 대규모 추세를 제거하는 것이 추정이 제거되지 않은 모델에 비해 교란 편지를 줄이는 데 결정적임을 보여주었다.
• 실제 데이터 적용 (이탈리아, 2018–2022):
  • 피에몬테와 롬바르디아 지역의 65세 이상 인구의 전원 사망률(all-cause mortality)을 분석한 결과, 국지적 노출 효과에서 명확한 시간적 패턴이 나타났다. 특히 여름철(예: 2019년 6월, 2022년 7월)에 위험 증가가 정점에 달했으며, 이때 PM2.5가 10 $\mu g/m^3$ 증가할 때마다 위험도는 최대 5.50%까지 상승했다.
  • 팬데믹 기간(2020–2021) 동안, 노출 효과는 일반적으로 0에서 벗어나지 않았는데, 이는 봉쇄 조치, 마스크 착용 및 야외 활동 감소 등에 기인한 것으로 보인다.
  • Type T5 상호작용(구역별 분산을 가진 독립 랜덤 워크) 모델이 가장 좋은 적합도(가장 낮은 DIC)를 제공하였으며, 팬데믹 기간 중 베르가모(Bergamo)에서 발생한 독특한 사망률 급증을 성공적으로 포착하였다.
  • 국지적 노출 효과의 공간적 변이는 미미한 것으로 나타났는데, 이는 두 지역 간의 사회경제적 및 환경적 유사성 때문인 것으로 보인다.

의의 및 주장
본 논문은 SDGLMC가 시공간적 교란과 비선형 역동성이 존재하는 상황에서 노출-결과 연관성을 추정하기 위한 유연하고 효과적인 도구라고 주장한다. 저자들의 주장은 다음과 같다:

1. 정적 모델 대비 우월성: 복잡한 기상 조건, 인간 행동, 미측정 요인 간의 상호작용을 고려할 때 일정한 연관성을 가정하는 것은 부적절하다. SDGLMC는 일정하거나 계절별 단계 함수를 가정하는 모델보다 이러한 역동성을 더 잘 포착한다.
2. 계절성의 메커니즘: 일반적으로 PM2.5 농도가 낮은 여름에 노출 효과가 정점에 달하는 현상은, 단순한 임계값 효과보다는 PM2.5와 기온(또는 기타 미측정 교란 변수) 사이의 잠재적 상호작용을 시사한다.
3. 강건성: 측정된 교란 변수가 제외되더라도 정확한 추정치를 제공하지만, 측정된 교란 변수(온도, 습도)를 포함할 경우 특히 폭염 기간 동안 추정치가 더욱 정교해진다.
4. 한계점: 저자들은 모델이 연관성의 형태를 회복하지만, 상호작용의 정확한 함수 형태는 여전히 알 수 없다는 점을 언급하며 신중한 태도를 취했다. 또한, 본 연구가 고령층의 전원 사망률에 초점을 맞추고 있어 COVID-19 특정 결과에 대한 직접적인 인과적 주장을 하기는 어렵지만, 연구 결과가 봉쇄 조치가 노출 패턴을 변화시켰다는 가설과 일치함을 밝혔다.

이 연구는 SDGLMC를 대기 오염의 소규모 시공간적 건강 효과를 연구하는 연구자들에게 가치 있는 발전된 도구로 자리매김하며, 복잡한 교란 구조로부터 진정한 노출 효과를 분리해내는 방법을 제시한다.