인간 지성의 방주가 되기까지

말이 통하려면 알아야 하는 것

1. FDR: False Discovery Rate, 말 그대로 ‘False를 선택하는 비중’인데,
   이를 조금 더 쉽게 풀어서 써보자면 ‘다중 검정’ 에서 ‘유의미하다고 잘못 평가된 검정’ 의 비율을 전체 ‘유의미한 검정’ 대비 일정 이하로 통제하겠다는 말이다.
   (여전히 어려워 보인다…)
   예를 들어 FDR 을 0.05로 통제하겠다는 말은, 일반 통계 검정에서 쓰는 p-value 가 0.05 이하로 나온 전체 요인 중에

---

• 귀무가설: null hypothesis. 새로운 치료법은 효과가 없고 차이도 없다.
  “다른 상황을 생각하게 하는 현저한 근거가 없는 한 현상적인 모든 차이는 0(무) 이다” 는 이 명제로부터 모든 통계 분석이 출발한다.
  p < 0.01이라는 의미는 귀무가설이 참이라면 이 결과가 나올 확률이 1% 보다 낮다는 의미이다. 즉 귀무가설이 거짓이다. 즉! 새로운 효과법은 효과가 있을 확률이 99% 보다 높다고 말할 수 있는 것이다.(그리고 이게 바로 대립가설이다.)
• 대립가설: 위의 설명과 함께 이해하기.

---

• 회귀분석: 두 변수 사이의 검정을 하면 연관관계가 나오는거지 인과관계가 나오는건 아니다! > 그 때 두 변수 사이의 인과를 밝히는 분석을 말함.
  이 때 투입되는 변수는 공변량(연속일때)이나 요인(범주형일때) 로 부르기도 함.

---

• 우위성 검정: 카이 제곱 검정, 대조군에 비해 비교군이 더 많은 비율로 좋아진 경우(ex. 약물에 더 많이 반응하는 경우)
• 동등성 검정: **이거 어렵다** 동등성 검정이라는 말을 쓰려면 흔히 아는 것 처럼 ‘귀무가설:효과가 없다, 대립가설:효과가 있다’ 의 반대로 설정이 되어야 한다.
  (ex. 귀무가설: 두 치료법은 효과의 차이가 있다.)
  • 왜? 귀무가설을 기각하지 못한다고 해서 귀무가설이 항상 참인 것은 아니기 때문이다. (ex. p-value = 0.2 이면 귀무가설이 참이라면 이 결과가 나올 확률이 20% 라는 얘기다. 애매~ 하지?)
  • 그렇기 때문에 그룹간의 ‘동등성’ 을 검정하기 위해서는 두 그룹간의 효과가 ‘차이가 있다‘ 를 귀무가설로 놓고 충분히 낮은 p value 로 귀무가설을 기각시켜서 ‘두 그룹간에 차이가 없다’ 는 대립가설을 채택하는 각으로 가야 한다.

---

• 제 1종 오류(alpha): 실제로는 효과가 없는데 “효과가 있다고 잘못 나오는 오류“
  결과가 적용되었을 때의 문제의 심각도가 높기 때문에 가장 문제가 되는 오류(0.05 미만으로 통제하는 것이 기본)
• 제 2종 오류(beta): 실제로는 효과가 있지만 “효과가 없다고 잘못 나오는 오류“.
  1-beta 를 “검정력(power)” 라고 따로 부르고 통계 기법이나 설계가 얼마나 좋은지를 따지는 척도로 사용함. (power = 실제 효과가 있는 것을 효과가 있다고 증명할 수 있는 (도구나 설계의)능력!)

AI 시대를 표류하는 모든 위버맨쉬에게 이 글을 바…..칠 정도의
멋진 글들을 쓸 수 있는 날이 오길 바라며
– 오류에 대한 정정, 의견, 그 외 건의 사항 등 언제나 환영입니다 –

1. 젠더 혁신(gender innovation)과 젠더 밸런스(gender balance)는 다른 것이다

• 젠더 밸런스: 기계적인 중립, 평균(임상 시험을 설계할 때에 남성과 여성이 반반을 맞추는 것)
• 젠더 혁신

2. 젠더 혁신을 하는 것은 어렵고 불편하다

• 동물시험을 수행할때에도 성을 통제해서 기르고 동물시험실을 운영하는것부터 추가적인 버든이다.
• 이미 기존의 연구들이 너무 많이 white, male 을 대상으로 진행되고 있다. 꼭 의학 임상 연구가 대상이 아니라, 이미지 인식, 음성 인식부터도 백인 남성의 데이터를 가장 많이 사용한다(google, 아마존)
• 생성형 AI 한테 먹여봤더니 아직 젠더 관련한 학습은 충분히 되지 않은것 같다(센터 소장님). 우리가 이런 데이터를 많이 만들어야 거대 AI 가 학습을 하지 않을까? (That’s what I’m talking about)
• (gender bias 의 대표적인 예시) AI Face recognition algorithm 을 보아도 백인 남성은 99% 수준으로 인식하는 반면, 여성은 더 잘 인식 못하고(error 10~20%), 유색인종은 더하다 (+ 10%p), 음성 인식도 마찬가지였음.

3. 자살률과 성별간 차이(Health equity)

• 캐나다 사망률 1:3, 한국 사망률 15.9:35.5 (10만명 당, 남성:여성)
• 남자와 여자의 자살 원인이 매우 차이가 남(emotional vs 사회적 관계, 경제적 빈곤)
• 만약 우리가 자살 방지 스마트앱을 만든다고 하면, 남자와 여자를 다르게 공략해야 하는거 아닌가?
• Health care 관련 챗봇도 마찬가지임

4. 심혈관질환의 유병률 및 사망률에 대한 오해

• 바빌론 헬스케어 챗봇(헬스케어 챗봇 중 가장 선도주자였던 것)에 동일한 조건(심근경색 risk 가 있는 것 처럼 상황을 설명)의 남성/여성을 넣었더니 남자는 응급실을 가라고 하고, 여자는 집에서 쉬어보라고 하더라
• Why? 전통적으로 남자가 심혈관질환 위험요인이 더 높다는 연구가 많아서.
• 사실은 마냥 그렇지는 않다. 실제 심혈관질환 유병률 및 사망률을 비율로 보면 남자가 여자보다 2배 가량 높지만, 사망자 수를 보면 남성보다 여성이 수 배 까지도 높다(통계의 오류??)

5. 우리나라는 올해(2025) Horizon Europe 준 회원국이 되었다. 이 때 성별 특성을 반영하는 연구설계가 반드시 명시되어야 해서, 국가과학기술법이 개정되었다. 잘 알아둬야 기회가 또 생기겠지?

>> 과학을 하는 이유는 세상을 이해하기 위해서인데, 세상의 구성대로 연구하는것이 좋지 않겠냐

---

보건의학분야에서 제안할 수 있는 연구방법론은 어떤게 있을까!

코호트 연구 사례와 함께(다음 시간에…)

AI 시대를 표류하는 모든 위버맨쉬에게 이 글을 바…..칠 정도의
멋진 글들을 쓸 수 있는 날이 오길 바라며
– 오류에 대한 정정, 의견, 그 외 건의 사항 등 언제나 환영입니다 –

Q. 역학(epidemiology)이 뭐지?

A. 다양한 정의가 머나먼 옛날부터 있어 왔으나,
그 핵심과 맥락을 취합해보니 “인간사회 집단”을 대상으로, “질병의 발생, 분포 및 경향과 양상”을 다루며, “그 원인을 탐구” 하는 것으로 정리할 수 있겠음.

일반적인 의학 연구와 구분하자면
1. 대상이 건강인을 포함한 인구 집단
2. 지역 사회의 규모 및 건강수준(거시적)을 지표로 활용하며
3. 질병의 빈도와 분포를 파악하며
4. 건강에 영향을 미치는 다양한 요인과 질환의 상관관계를 연구하는 것으로 말할 수도 있겠다.

Q. 그렇다면 역학 연구는 어떻게 수행하는가?

1. 적절한 데이터를 구할 수 있나?
2. ‘요인’과 ‘질병’ 간에 어떠한 경향성(관련성) 이 있는지를 파악하라.
3. 2번에서 발견된 관련성에서 무작위 오류(우연)에 의한 것과 바이어스(교란변수, 비통계적 연관성)를 배제하라
   • 위험요인과 예방요인
4. 높은 상관관계를 가지는 요인과 질병간의 인과관계가 앞뒤가 맞는지 확인(인과 추론, causal inference)
   • 필요충분, 시간적 선후관계, 연관강도(odd ratio?), 일관성, 특이성, 용량 반응관계, 선행연구와 일치, 생물학적 스토리를 따질 수 있음

그렇다면 나는?

---

순서 1. 경향성이 있는지를 파악하자

• 접근 가능한 요인(문진, demographic)중 일부를 선별해서 타겟 질환 유무로 유의성 검정(범주형)

---

순서 2. 유의하게 나온 애들 중에 우연과 바이어스 통제

• 선택바이어스, 정보바이어스는 일단 고려하지 않음(제공되는 자료원 전수 사용)
• 데이터를 뜯어보고 바이어스가 있다면 배제 방법론 수립
• 교란바이어스에 대해서 타겟 질환에 대한 선행조사를 토대로 가능한 교란변수 candidate 확정하고 이를 분석 단계에서 검증
• **무작위 오류는 어떻게 배제하지?** (공부해서 추후 업데이트 예정)

---

순서 3. 걸러진 candidate 들이 실제로 인과관계가 성립하는지를 최종 검증!

• 인과성 검증(회귀분석?)
• 대조군을 설정하여 연관강도 비교(odd ratio?)
• 일관성과 특이성을 볼 수 있는 데이터셋인지 확인하기
• 용량 반응 관계는 어려울 수도 있음(질환 유무 binary type)
• 관련 질환의 선행 지식과 생물학적 설명가능성 검토

---

AI 시대를 표류하는 모든 위버맨쉬에게 이 글을 바…..칠 정도의
멋진 글들을 쓸 수 있는 날이 오길 바라며
– 오류에 대한 정정, 의견, 그 외 건의 사항 등 언제나 환영입니다 –

말이 통하려면 알아야 하는 것

• 독립변수: 두 개의 변수가 있고, 이 변수가 다른 변수의 원인이 된다면 그 원인에 해당하는 것, 위험인자.
• 종속변수: 결과가 되는 변수. 그래서 결과변수, 반응변수 라고 부름

---

• 귀무가설: null hypothesis. 새로운 치료법은 효과가 없고 차이도 없다.
  “다른 상황을 생각하게 하는 현저한 근거가 없는 한 현상적인 모든 차이는 0(무) 이다” 는 이 명제로부터 모든 통계 분석이 출발한다.
  p < 0.01이라는 의미는 귀무가설이 참이라면 이 결과가 나올 확률이 1% 보다 낮다는 의미이다. 즉 귀무가설이 거짓이다. 즉! 새로운 효과법은 효과가 있을 확률이 99% 보다 높다고 말할 수 있는 것이다.(그리고 이게 바로 대립가설이다.)
• 대립가설: 위의 설명과 함께 이해하기.

---

• 회귀분석: 두 변수 사이의 검정을 하면 연관관계가 나오는거지 인과관계가 나오는건 아니다! > 그 때 두 변수 사이의 인과를 밝히는 분석을 말함.
  이 때 투입되는 변수는 공변량(연속일때)이나 요인(범주형일때) 로 부르기도 함.

---

• 우위성 검정: 카이 제곱 검정, 대조군에 비해 비교군이 더 많은 비율로 좋아진 경우(ex. 약물에 더 많이 반응하는 경우)
• 동등성 검정: **이거 어렵다** 동등성 검정이라는 말을 쓰려면 흔히 아는 것 처럼 ‘귀무가설:효과가 없다, 대립가설:효과가 있다’ 의 반대로 설정이 되어야 한다.
  (ex. 귀무가설: 두 치료법은 효과의 차이가 있다.)
  • 왜? 귀무가설을 기각하지 못한다고 해서 귀무가설이 항상 참인 것은 아니기 때문이다. (ex. p-value = 0.2 이면 귀무가설이 참이라면 이 결과가 나올 확률이 20% 라는 얘기다. 애매~ 하지?)
  • 그렇기 때문에 그룹간의 ‘동등성’ 을 검정하기 위해서는 두 그룹간의 효과가 ‘차이가 있다‘ 를 귀무가설로 놓고 충분히 낮은 p value 로 귀무가설을 기각시켜서 ‘두 그룹간에 차이가 없다’ 는 대립가설을 채택하는 각으로 가야 한다.

---

• 제 1종 오류(alpha): 실제로는 효과가 없는데 “효과가 있다고 잘못 나오는 오류“
  결과가 적용되었을 때의 문제의 심각도가 높기 때문에 가장 문제가 되는 오류(0.05 미만으로 통제하는 것이 기본)
• 제 2종 오류(beta): 실제로는 효과가 있지만 “효과가 없다고 잘못 나오는 오류“.
  1-beta 를 “검정력(power)” 라고 따로 부르고 통계 기법이나 설계가 얼마나 좋은지를 따지는 척도로 사용함. (power = 실제 효과가 있는 것을 효과가 있다고 증명할 수 있는 (도구나 설계의)능력!)