The Biomarker Interaction Trap: A Causal Audit of Spurious Discoveries in NHANES

현대 의학의 광활한 풍경 속에서 연구자들은 질병을 예측할 수 있는 숨겨진 패턴을 찾기 위해 종종 방대한 디지털 환자 기록 보관소로 눈을 돌립니다. 혈액 검사와 신체 검사에서 얻은 수천 가지의 측정치로 가득 찬 이 데이터베이스는 과학자들이 생물학적 표지와 건강 결과 사이의 새로운 연결 고리를 발견하기를 희망하는 거대한 지도와 같습니다. 그 논리는 간단합니다. 만약 특정 질병을 가진 사람들에게서 혈액 검사의 두 특정 수치가 일관되게 함께 오르고 내린다면, 그 관계는 질병의 새로운 원인이나 치료법을 밝혀낼 수도 있습니다. 어떤 패턴이 한 집단에서 나타난 뒤 완전히 다른 집단에서 다시 나타나면, 과학자들은 대개 이를 확인된 발견이라며 축하합니다. 그러나 이러한 확신은 잘못된 것일 수 있습니다. 패턴이 반복된다고 해서 그것이 반드시 실재한다는 의미는 아닙니다. 그것은 단지 데이터가 어떻게 수집되었는지, 혹은 연구에 누가 포함되었는지에 대한 반영일 뿐일 수 있습니다. 만약 동일한 숨겨진 요인이 서로 다른 집단 전반에 걸쳐 측정치와 질병 모두에 동일한 방식으로 영향을 미친다면, 그 패턴은 생물학과는 아무런 관련이 없을지라도 매우 동일하고 설득력 있게 보일 것입니다.

이것이 바로 제임스 브로디(James Brody)가 미국 인구를 대상으로 진행되는 거대하고 지속적인 연구인 국립 건강 영양 조사(NHANES)의 최근 감사에서 해결하고자 했던 핵심적인 수수께끼입니다. 브로디는 질병 위험의 강력한 예측 인자로 식별된 세 가지 특정 혈액 표지 간의 상호작용을 조사했습니다. 이 상호작용들은 재현성 테스트를 통과하여 여러 독립적인 집단에서 나타났음에도 불구하고, 브로디는 각각이 실제 생물학적 신호가 아니라 통계적 환상임을 입증했습니다. 그는 이 '발견'들이 세 가지 뚜렷한 방법론적 함정의 결과임을 보여주었습니다. 하나는 혈액 채취 전 체액 수치가 변하는 방식에 의한 것이고, 다른 하나는 의사가 약물을 처방하는 결정 방식에 의한 것이며, 세 번째는 인구 전체의 평균치가 남녀 간의 차이를 반영하지 못하는 방식에 의한 것입니다. 이러한 인공물들의 층을 벗겨냄으로써, 이 연구는 복잡한 생물학적 춤처럼 보였던 것이 사실은 데이터 자체가 만들어낸 단순한 신기루였음을 드러냅니다.

첫 번째 함정은 탈수 상태이거나 오랫동안 서 있었을 때 혈액 농도가 변하는 방식과 관련이 있습니다. 혈액은 대부분 물이며, 그 안에 떠다니는 단백질과 지방은 이 물에 녹아 있습니다. 갈증을 느끼거나 채혈 중에 토니켓(지혈대)을 너무 오래 묶어 두는 등의 이유로 혈액 내 수분량이 약간 감소하면, 남은 액체는 더 밀집됩니다. 이로 인해 알부민이나 콜레스테롤 같은 큰 분자들의 측정 수치가 함께 상승하게 되는데, 이는 신체가 해당 물질을 더 많이 생성해서가 아니라 이들을 희석할 물이 줄어들었기 때문입니다. 연구에서 연구자들은 높은 알부민과 높은 콜레스테롤 사이의 강한 연관성을 발견했으며, 이것이 조절되지 않는 고혈압을 예측하는 것처럼 보였습니다. 그러나 연구진이 나트륨 수치와 같은 간단한 지표를 사용하여 수분 상태를 고려해 분석을 조정하자, 그 연결 고리는 완전히 사라졌습니다 이 겉보기의 상호작용은 질병의 징후가 아니라 혈액 샘플의 물리적 상태에 의한 측정 인공물이었습니다. 이러한 잘못된 신호에 근거하여 행동하는 것은 위험할 수 있는데, 이미 탈수 상태인 환자에게 이뇨제를 처방하여 상태를 악화시킬 가능성이 있기 때문입니다.

두 번째 함정은 의사가 약을 처방하는 방식, 즉 '적응증에 의한 교란(confounding by indication)'이라는 현상에서 발생합니다. 현실 세계에서 의사들은 모든 사람에게 약을 주는 것이 아니라, 약이 가장 필요한 가장 아픈 환자들에게 약을 줍니다. 이는 특정 약물을 복용 중인 집단이 그렇지 않은 집단과 매우 다르게 보이게 만드는데, 단순히 그 약이 환자의 특정 건강 문제 때문에 선택되었기 때문입니다. 연구에서 스타틴(콜레스테롤 약물)을 복용하는 환자들을 분석한 결과, 낮은 헤모글로빈과 높은 크레아티닌의 조합이 혈당 조절 실패를 예측한다는 결과가 나왔습니다. 이는 약물의 위험한 부작용처럼 보였습니다. 그러나 연구진이 스타틴을 복용하지 않지만 동일하게 낮은 헤모글로빈과 높은 크레아티닌 수치를 가진 환자들을 살펴보았을 때, 혈당 조절이 잘 되지 않는 똑같은 패턴을 발견했습니다. 그 연결 고리는 약물 때문이 아니었습니다. 대신, 이 표지들은 심한 당뇨병에서 흔히 나타나며 종종 스타틴 처방으로 이어지는 만성 신장 질환의 징후였습니다. 약물은 단지 중증 질환의 여정에 동승한 승객이었을 뿐이며, 통계적 패턴은 치료의 효과가 아니라 질병의 중증도를 반영한 것이었습니다.

세 번째 함정은 연구자들이 남녀 간에 자연스럽게 차이가 나는 생물학적 표지를 측정할 때 단일한 기준을 적용할 때 발생합니다. 요산이나 헤모글빈과 같은 혈액 내 많은 물질은 호르몬 차이로 인해 남성과 여성의 정상 범위가 다릅니다. 연구가 전체 인구에 대해 단일한 절단점(cutoff point)을 사용할 경우, 의도치 않게 사람들을 건강 상태가 아닌 성별에 따라 분류하게 됩니다. 예를 들어, "낮은" 요산 수치는 여성에게는 정상일 수 있지만 남성에게는 매우 낮을 수 있고, "높은" 헤모글로빈 수치는 남성에게는 정상일 수 있지만 여성에게는 매우 높을 수 있습니다. 연구에서 한 분석은 낮은 요산이나 높은 헤모글로빈을 갖는 것이 당뇨병에 대해 보호 효과가 있지만, 두 가지 이상 징a를 동시에 갖는 것은 위험하다고 제안했습니다. 이 기이한 패턴은 연구진이 연령과 성별을 고려했을 때 사라졌습니다. "보호받는" 것처럼 보였던 집단은 단순히 당뇨병 발병률이 낮은 젊은 남성이나 젊은 여성이었습니다. 이 상호작용은 생물학적 발견이 아니라, 데이터를 대사 건강이 아닌 연령과 성별로 그룹화한 인구통계학적 분류 오류였습니다.

이러한 발견의 시사점은 이 세 가지 구체적인 사례를 훨씬 넘어섭니다. 이 연구는 한 집단에서 패턴을 찾아내고 다른 집단에서 이를 확인하는 표준 관행이, 만약 그 패턴의 근본 원인이 두 집단 모두에 존재하는 체계적인 오류라면 생물학적 진실을 증명하기에 충분하지 않다고 주장합니다. 그 오류가 혈액을 채취하는 방식에서 오든, 환자를 치료 대상으로 선택하는 방식에서 오든, 혹은 참조 범위를 적용하는 방식에서 오든 결과는 같습니다. 즉, 설득력 있지만 거짓된 질병에 관한 이야기를 만들어낸다는 것입니다. 이러한 함정을 피하기 위해 저자는 연구자들을 위한 간단한 체크리스트를 제안합니다. 새로운 상호작용을 선언하기 전에, 연구자들은 연령과 성별을 조정하고, 탈수 징후를 확인하며, 해당 약물을 복용하지 않는 사람들 사이에서도 그 패턴이 유지되는지 테스트해야 합니다. 만약 이러한 점검 후에 패턴이 사라진다면, 그것은 애초에 실제 생물학적 신호가 아니었던 것입니다. 이 접근 방식는 대규모 데이터 세트의 가치를 부정하는 것이 아니라, 진리를 찾는 데는 단순히 반복되는 숫자를 찾는 것 이상의 노력이 필요하며, 그 숫자가 측정된 맥락을 이해하는 것이 필수적임을 강조합니다.