Population Attributable Mortality Associated with Respiratory Viruses in Ontario

본 연구는 1993 년부터 2025 년까지 온타리오주의 데이터를 분석한 결과, 백신과 항바이러스제가 널리 보급되었음에도 불구하고 SARS-CoV-2 가 계절성 인플루엔자 A 보다 3~4 배 높은 인구 사망률을 야기했으며, 팬데믹 이후 호흡기 바이러스 관련 사망 부담이 팬데믹 이전 수준으로 완전히 회복되지 않았음을 규명했습니다.

핵심

📜 연구의 핵심: "사망 원인 카드"는 믿을 수 있을까?

우리가 누군가의 사망 원인을 기록할 때, 의사나 병원은 보통 "폐렴", "심장마비" 같은 구체적인 병명을 적습니다. 하지만 연구자들은 "사망 원인 카드 (사망 증명서)"는 바이러스의 위력을 제대로 보여주지 못한다고 말합니다. 마치 폭풍우가 불어와 나무가 쓰러졌는데, 기록에는 '나무가 병에 걸려서 쓰러졌다'고 적힌 것과 비슷합니다. 실제로는 바람 (바이러스) 이 불어서 쓰러진 건데 말입니다.

그래서 연구자들은 **통계라는 '수학의 망원경'**을 통해, 바이러스가 돌아다니는 양과 전체 사망자 수의 변화를 연결해 보았습니다.

🔍 주요 발견 1: 전염병 이전 (1993~2019) - "인플루엔자 A 가 유일한 악당"

전염병 (코로나) 이 오기 전, 호흡기 바이러스 중 **인플루엔자 A (A 형 독감)**만이 사망자 수를 눈에 띄게 늘리는 '주범'으로 확인되었습니다.

• 비유: 당시에는 인플루엔자 A 가 '죽음의 피라미드' 꼭대기에 서 있는 유일한 괴물처럼 보였습니다. 전체 사망자의 약 **1.8%**를 차지했습니다.
• RSV (호흡기세포융합바이러스) 의 비밀: 흥미롭게도, 계절성 보정 (계절적 요인) 을 적용한 모델에서는 RSV 가 오히려 사망을 줄이는 것처럼 보였습니다. 하지만 이는 통계적 착시였습니다. 마치 비 (RSV) 가 내는데 우산 (계절적 요인) 을 씌워서 비가 안 온 것처럼 보이는 것과 같습니다. 계절적 요인을 빼고 보면, RSV 도 실제로는 약 1.9% 의 사망 원인이었습니다.

🦠 주요 발견 2: 전염병 시대 (2020~2025) - "새로운 괴물 SARS-CoV-2 의 등장"

코로나 (SARS-CoV-2) 가 등장한 후, 상황은 완전히 뒤바뀌었습니다.

• 비유: 인플루엔자 A 가 작아진 '작은 괴물'이었던 반면, 코로나는 **거대한 '괴물'**로 등장했습니다.
• 결과: 코로나는 전체 사망자의 약 **6.1%**를 차지했습니다. 이는 전염병 이전의 인플루엔자 A 보다 약 4 배나 더 큰 영향을 미쳤습니다.
• 놀라운 사실: 우리는 백신, 치료제, 마스크 등 강력한 '방어 무기'를 다 갖췄음에도 불구하고, 코로나는 여전히 인플루엔자보다 훨씬 더 많은 생명을 앗아갔습니다.

📉 주요 발견 3: 전염병이 끝난 후 (2023~2025) - "괴물은 여전히 살아있다"

공식적인 '비상사태 (PHEIC)'가 종료된 후에도, 코로나 바이러스는 여전히 사망의 주요 원인으로 남아있었습니다.

• 비유: 전쟁이 끝났다고 해서 적군이 완전히 사라진 것이 아닙니다. 코로나는 여전히 은밀하게 활동하며 사망자의 약 9.8% 를 차지하는 것으로 추정됩니다.
• 반면, 인플루엔자는 다시 예전 (전염병 이전) 수준으로 돌아갔습니다. 즉, 인플루엔자는 다시 '작은 괴물'이 되었지만, 코로나는 여전히 '큰 괴물'로 남았습니다.

🧩 연구의 교훈: "모델링의 선택이 결과를 바꾼다"

이 연구는 통계 모델을 어떻게 짰느냐에 따라 결과가 달라질 수 있음을 보여줍니다.

• 비유: 같은 사진을 보는데, **여름 필터 (계절 보정)**를 씌우면 RSV 가 안 보이게 되고, 필터를 없애면 RSV 가 선명하게 보입니다.
• 연구자들은 "계절적 요인 (겨울에 추워서 죽는 것 등) 과 바이러스의 영향을 어떻게 분리할 것인가"가 매우 중요하다고 강조합니다. 특히 RSV 나 인플루엔자 같은 계절성 바이러스는 이 선택에 따라 그 위험도가 크게 달라져 보일 수 있습니다.

💡 결론: 우리가 무엇을 배웠나요?

1. 코로나는 여전히 위험합니다: 백신과 치료제가 있음에도 불구하고, 코로나는 인플루엔자보다 훨씬 더 많은 생명을 앗아갔으며, 비상사태가 끝난 후에도 여전히 큰 위협입니다.
2. RSV 도 무시할 수 없습니다: 계절적 요인을 제대로 보정하지 않으면 RSV 의 위험을 과소평가할 수 있습니다.
3. 지속적인 감시가 필요합니다: 바이러스는 변하고, 우리의 방어 체계도 변합니다. "비상사태가 끝났다"고 해서 방심하면 안 되며, 지속적인 감시와 예방 (백신 등) 이 필요합니다.

한 줄 요약:

"우리는 과거의 '작은 괴물 (인플루엔자)'만 두려워했는데, 알고 보니 '거대한 괴물 (코로나)'이 훨씬 더 무서웠고, 지금도 여전히 우리 곁에 남아있다는 사실을 통계라는 거울을 통해 확인했습니다."

기술 요약

논문 요약: 온타리오 호흡기 바이러스의 인구 집단 사망률 평가

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 호흡기 바이러스는 개인 및 의료 시스템에 막대한 부담을 주며, 특히 사망률에 큰 영향을 미칩니다. 하지만 사망 원인 코딩 (cause-of-death coding) 의 오류와 누락으로 인해 실제 바이러스로 인한 사망 건수가 과소평가되는 경향이 있습니다.
• 문제: 기존의 원인별 사망 데이터만으로는 호흡기 바이러스 (인플루엔자, RSV, SARS-CoV-2 등) 의 실제 인구 집단적 영향을 정확히 파악하기 어렵습니다.
• 목적: 1993 년부터 2025 년까지 온타리오주의 데이터를 활용하여 인플루엔자 A/B, 호흡기 세포융합바이러스 (RSV), SARS-CoV-2 로 인한 **인구 집단 귀속 사망률 (Population Attributable Fraction, PAF)**을 추정하고, 팬데믹 전환기 (Pre-pandemic vs. Pandemic) 에 따른 바이러스 귀속 사망률의 시계열적 변화를 규명하는 것입니다.

2. 연구 방법론 (Methodology)

• 데이터 소스:
  • 사망 데이터: Statistics Canada 및 온타리오 사망 등록부 (1991~2025 년 2 월). 월별 집계 데이터 사용.
  • 바이러스 감시 데이터: FluWatch(인플루엔자, RSV, SARS-CoV-2 양성률) 및 온타리오 사례 관리 시스템 (CCM, SARS-CoV-2 조정 사례 수).
• 통계 모델:
  • 회귀 분석: 월별 전체 사망자 수를 종속 변수로 하는 Negative Binomial 회귀 모델을 사용 (과분산 확인 후 Poisson 모델 대신 채택).
  • 보정 변수: 장기적 추세 (secular trends), 인구 규모 (로그 오프셋), 그리고 **푸리에 급수 (Fourier seasonal terms)**를 포함한 계절성 보정.
  • 기간 구분:
    • 팬데믹 이전: 1993 년 1 월 ~ 2020 년 2 월
    • 팬데믹 기간: 2020 년 3 월 ~ 2025 년 2 월 (PHEIC 기간: 2020.32023.4, PHEIC 종료 후: 2023.52025.2 로 세분화 분석)
• PAF 추정:
  • 관측된 바이러스 순환 조건과 대조군 (counterfactual, 바이러스 계수를 0 으로 설정) 조건 하의 모델 예측 사망자 수 차이를 기반으로 PAF 계산.
• 민감도 분석 (Sensitivity Analysis):
  • 계절성 보정 제거: 푸리에 항을 제거한 모델과 비교하여 계절성 보정이 바이러스 효과 추정에 미치는 영향을 평가.
  • 초기 팬데믹 기간 제외: 2020 년 3~6 월을 제외한 모델 재추정.
  • 메타 분석: 다양한 모델링 접근법 (계절성 보정 유무) 과 기간별 PAF 추정치를 통합하여 이질성 (Heterogeneity) 평가.

3. 주요 결과 (Key Results)

• 팬데믹 이전 (1993~2020):
  • 인플루엔자 A: 전체 사망의 1.8% (95% CI 1.4~2.3%) 를 차지. 계절성 보정 모델에서 유의미한 양의 상관관계.
  • 인플루엔자 B: 사망에 미치는 영향이 통계적으로 유의하지 않음.
  • RSV: 계절성 보정 모델에서는 역상관 (부정적 연관) 이 관찰되었으나, 보정 없이 분석 시 1.9% (95% CI 1.3~2.4%) 의 양의 연관성을 보임. 이는 계절성 보정 항과 바이러스 예측 변수 간의 경쟁 (competition) 으로 인한 통계적 인공물일 가능성이 높음.
• 팬데믹 기간 (2020.3~2025.2):
  • SARS-CoV-2: 전체 사망의 6.1% (95% CI 4.2~8.0%) 를 차지. 이는 팬데믹 이전 인플루엔자 A 부담의 약 4 배 수준.
  • 모델 검증: 모델이 예측한 SARS-CoV-2 귀속 사망 건수는 온타리오 공중보건국 (Public Health Ontario) 이 보고한 COVID-19 사망 건수와 매우 밀접하게 일치함.
  • 기타 바이러스: 팬데믹 기간 중 인플루엔자 A, B 및 RSV 는 통계적으로 유의한 사망 연관성을 보이지 않음 (비약물 개입 및 SARS-CoV-2 우세로 인한 순환 억제 때문).
• PHEIC 종료 후 (2023.5~2025.2):
  • SARS-CoV-2 는 여전히 유의한 사망 원인 (PAF 9.8%) 으로 작용.
  • 인플루엔자 A 및 B 의 귀속 비율은 팬데믹 이전 수준과 유의미한 차이가 없음 (팬데믹 이후 인플루엔자 사망률의 지속적 급증은 관찰되지 않음).
• 모델링 선택의 영향:
  • 계절성 보정 (Fourier terms) 을 제거할 경우 인플루엔자 A 와 RSV 의 PAF 추정치가 크게 증가 (인플루엔자 A: 1.8% → 2.9%, RSV: 음수 → 1.9%).
  • SARS-CoV-2 는 모델링 방식에 관계없이 일관된 결과 (이질성 $I^2=5.5\%$) 를 보임. 반면 인플루엔자 A ($I^2=92.8\%$) 와 RSV ($I^2=89.1\%$) 는 모델 선택에 따라 결과가 크게 달라짐.

4. 주요 기여 및 혁신 (Key Contributions)

1. 장기 시계열 분석: 30 년 이상의 데이터 (1993~2025) 를 활용하여 팬데믹 이전, 팬데믹 기간, 그리고 팬데믹 종료 후 (Post-PHEIC) 의 호흡기 바이러스 사망 부담을 통합적으로 평가.
2. 모델링 민감도 규명: 계절성 보정 (Fourier terms) 의 포함 여부가 계절적 패턴이 강한 바이러스 (인플루엔자, RSV) 의 사망 귀속률 추정에 얼마나 큰 영향을 미치는지 정량적으로 증명. 이는 기존 연구들의 추정치 차이를 해석하는 중요한 통찰을 제공.
3. SARS-CoV-2 의 지속적 부담 확인: 공식적인 공중보건 비상사태 (PHEIC) 종료 후에도 SARS-CoV-2 가 여전히 인플루엔자보다 훨씬 높은 인구 집단적 사망 부담을 안고 있음을 규명.
4. 외부 검증: 모델 기반 추정치가 공식 보고 사망 건수와 일치함을 확인하여 방법론의 타당성을 입증.

5. 의의 및 결론 (Significance)

• 공중보건 정책: SARS-CoV-2 는 백신, 항바이러스제, 비약물 개입 (NPIs) 등 다양한 대응책이 있음에도 불구하고, 역사적 인플루엔자 계절성보다 3~4 배 높은 사망 부담을 초래했음을 보여줌. 이는 호흡기 바이러스 예방 전략의 지속적 중요성을 강조.
• RSV 및 인플루엔자: RSV 는 취약 계층 (노인, 영아) 에서 약 2% 의 사망 부담을 가지며, 인플루엔자 A 는 여전히 주요 사망 원인임. 따라서 RSV 백신 및 모노클로날 항체 등 새로운 예방 수단의 도입 필요성이 대두됨.
• 감시 체계: 호흡기 바이러스의 순환 변화를 모니터링하고 예방 가능한 사망 부담을 정량화하기 위한 장기적인 감시 및 분석 방법론 투자의 필요성을 강조.
• 결론: SARS-CoV-2 는 팬데믹 종료 후에도 여전히 주요 사망 원인으로 남아있으며, 계절성 보정 등 모델링 선택이 바이러스 귀속 사망률 추정에 결정적인 영향을 미칠 수 있으므로 해석 시 주의가 요구됨.