Distortion in Risk Estimation Driven by Study Period Adjustment and Young-Age Event Sparsity: A Critical Evaluation of Secondary Analyses on the Nagoya City HPV Vaccination Survey

공중 보건의 세계에서 연구자들은 의료적 처치가 해를 끼치는지 아니면 이득을 제공하는지를 이해하기 위해 대규모 집단의 패턴을 탐색하곤 합니다. 이 작업의 핵심적인 과제는 치료의 효과와 사람들이 나이가 들면서 자연스럽게 발생하는 변화를 분리하는 것입니다. 예를 들어, 십 대 청소년들을 수년간 추적 조사하는 연구라면, 그들이 아동기에서 청소년기로 넘어가면서 경험하는 건강 문제의 유형은 자연스럽게 변화할 것입니다. 백신의 안전성을 정확하게 파악하기 위해 과학자들은 이러한 연령 관련 변화를 고려하도록 계산을 신중하게 조정해야 하며, 이를 통해 십 대에게 나타난 증상이 몇 년 전 맞은 주사 때문이라고 잘못 몰아세우거나, 혹은 정상적인 성장통이라는 소음에 의해 실제 부작용이 가려지는 일이 없도록 해야 합니다. 이러한 조정이 올바르게 이루어질 때, 데이터는 백신과 건강 결과 사이의 진정한 관계를 드러냅니다. 그러나 조정이 잘못될 경우, 숫자는 완전히 다르고 잠재적으로 오해를 불러일으킬 수 있는 이야기를 들려줄 수 있습니다.

나고야 시립 대학교의 명예 교수인 스즈키 사다오는 나고야 시의 인유두종바이러스(HPV) 백신에 관한 주요 설문 조사의 데이터를 분석하는 데 사용된 특정 통계적 방법을 면밀히 검토했습니다. 2015년에 실시된 원래의 설문 조사는 백신이 위험을 증가시키는지 확인하기 위해 젊은 층을 대상으로 24가지의 서로 다른 증상을 추적했습니다. 원래의 분석은 백신이 이러한 증상을 유발한다는 증거를 찾지 못했지만, 이후 야주와 츠바키 연구진의 연구가 그 결과에 이의를 제기했습니다. 그들은 첫 번째 백신 접종과 설문 조사가 실시된 시점 사이의 기간인 '연구 기간'에 대한 특정한 조정을 포함하는 새로운 데이터 분석 방식을 제안했습니다. 스즈키의 논문은 이 새로운 방법이 존재하지 않는 위험을 만들어내는 근본적인 수학적 결함을 포함하고 있다고 주장합니다.

문제의 핵심은 연구자들이 증상의 타이밍을 어떻게 처리했느냐에 있습니다. 원래의 설문 조사에서는 일부 젊은이들이 백신을 맞기도 전에 증상을 보고했습니다. 이후의 연구는 백신 접종 전에 시작된 증상은 백신에 의해 발생할 수 없다는 논리로 이 초기 사례들을 접종군에서 제외하기로 결정했습니다. 스키는 이것이 표면적으로는 논리적으로 보이지만, '연구 기간' 조정과 결합되면서 숨겨진 함정을 만들었다고 지적합니다. 이 방법은 접종군과 비접종군을 다르게 취급했습니다. 접종군의 경우 관찰 창(observation window)은 첫 번째 접종 후에 시작되었습니다. 반면 비접종군의 경우, 설문 조사가 언제 수행되었는지와 상관없이 12세에 시작되었습니다. 이는 비접종군이 접종군보다 그들의 어린 시절 초기에 더 긴 기간 동안 관찰되었음을 의미하며, 불균형한 운동장을 만들었습니다.

이러한 구조적 불균형은 '어린 연령대의 사건 희소성(young-age event sparsity)'이라 불리는 자연 현상 때문에 결정적인 문제가 되었습니다. 설문 조사에서 추적된 많은 증상은 아주 어린 아이들에게는 드물지만, 십 대가 되면서 더 흔해집니다. 비접종군은 12세부터 관찰되었기 때문에, 관찰 기간이 더 길다는 이유만으로 이들의 데이터에는 이러한 희귀한 초기 생애 사건들이 더 많이 포함되었습니다. 접종군은 시계가 더 늦게 시작되었기에 많은 초기 발생 사례를 놓쳤습니다. 통계 모델이 두 그룹을 비교하려고 할 때, 모델은 이 타이밍의 차이를 위험의 차이로 해석했습니다. 그 결과, 이는 수학적 인공물(artifact)이 되어 어린 시절에는 드문 증상들에 대해 위험 수치를 인위적으로 부풀렸으며, 실제로는 백신이 원인이 아니라 단지 계산 방식이 동일한 사건들을 다르게 세고 있었을 뿐임에도 불구하고 마치 백신이 그 증상들을 유발하는 것처럼 보이게 만들었습니다.

스키의 분석은 오류가 어떻게 누적되는지 보여주기 위해 이후의 연구를 세 가지 모델로 나누어 설명합니다. 첫 번째 모델은 단순히 초기 증상을 제거한 것으로, 이미 편향을 보였으나 수치는 여ยัง 원래의 결과와 어느 정도 유사성을 유지했습니다. 두 번째 모델은 '연구 기간' 조정을 도입했는데, 이로 인해 원래의 신뢰할 수 있는 데이터와의 상관관계가 급격히 떨어졌습니다. 이 단계에서 해당 방법은 희귀한 초기 생애 증상에 대한 위험은 체계적으로 과대평가하는 반면, 흔한 증상에 대한 위험은 과소평가하기 시작했습니다. 마지막 모델은 위험이 시간에 따라 꾸준히 변한다고 가정하는 복잡한 상호작용 항을 추가했습니다. 이 단계는 수학적 결과가 데이터가 매우 희박하고 신뢰할 수 없는 지점인 연구 기간의 맨 처음 부분에서 정점을 찍도록 강제했습니다. 이 최종 버전에서, 원래 연구가 접종군에서 더 낮다고 발견했던 한 특정 증상의 위험도는 6배 이상 높게 계산되었습니다.

논문은 이러한 극적인 변화가 새로운 위험의 발견이 아니라, 고장 난 수학적 도구의 필연적인 결과라고 결론짓습니다. 저자의 연구는 자신의 새로운 방법이 높은 위험을 보여준 몇몇 증상에만 집중했으며, 동일한 방법이 흔한 질환에 대해서는 백신이 보호 효과가 있는 것처럼 보이는 등 모순된 결과를 냈다는 사실을 무시했습니다. 자신의 가설을 뒷받침하는 결과만을 선택하고 모순을 무시함으로써, 이후의 연구는 왜곡된 관점을 제시했습니다. 이 평가는 원래의 설문 조사 결과가 여전히 유효하며, 대안적인 분석은 진실을 왜곡하는 구조적 편향에 의존하고 있음을 확인해 줍니다. 여기서의 교훈은 역학에서 시간을 측정하고 집단을 정의하는 방식은 데이터 자체만큼이나 중요하다는 것입니다. 측정 도구가 결함이 있다면, 아무리 정교한 수학을 사용하더라도 그 도구가 그려내는 그림은 거짓일 수밖에 없습니다.