소화기 암 연구에서 방향성 비순환 그래프 활용 = Utilizing Directed Acyclic Graphs in the Study of Digestive Cancers

국문 초록 (Abstract)

소화기암은 전 세계의 암 발생 및 암으로 인한 사망률에서 큰 비중을 차지한다[1]. 특히, 한국의 국가암등록통계에 따르면 소화기계 암이 주요 다빈도 암종을 구성하며, 사망기여도 측면에서도 폐암에 이어 소화기암이 전체 암 사망에서 큰 비중을 차지한다[2]. 위암·대장암의 경우 검진 및 치료 고도화로 생존율 향상이 보고되고 있으나, 간암·췌장암 등은 여전히 사망위험이 높아 의료자원 소모, 삶의 질저하, 생산성 손실을 초래한다. 이러한 역학적 특성은 임상 및 공중보건 측면에서 상당한 사회경제적 부담으로 이어진다. 따라서 과학적 근거에 기반한 소화기암의 예방, 조기검진, 치료 개선 전략의 개발은 암 관련 사망 감소와 의료비 절감 측면에서 매우 중요한 공중보건 과제이다.의학연구에서 치료나 중재(intervention)와 같은 노출의 효과가 결과에 미치는 인과적 관계를 규명하기 위한 원칙적 방법은 무작위 대조 시험(randomized controlled trial, RCT)이다. RCT는 노출 이외의 잠재적 교란을 연구 시작 전에 통제함으로써, 노출-결과간 인과성을 평가할 수 있게 한다. 그러나, RCT는 실제 연구 수행시 윤리적·현실적 제약이 많아서 시행이 어려운 경우가 많고, 실제로는 관찰연구(observational study)가 더 자주 사용된다. 다만, 관찰연구는 RCT와 달리 교란요인을 사전에 통제할 수 없어 인과 관계를 규명하기 어렵다. 그럼에도 불구하고, 연구 설계 단계에서 통제해야 할 변수와 통제하지 말아야 할 변수들을 명확히 규정하고, 분석모형에서 그 변수들을 적절하게 조정할 수 있다면 관찰연구도 RCT에 근접한 수준의 결과를 얻을 수 있다[3-5].
최근 인과추론(causal inference) 분야에서는 변수 간의 관계를 시각적이고 체계적으로 표현할 수 있는 방향성 비순환 그래프(directed acyclic graph, DAG)가 널리 활용되고 있다. DAG는 연구자의 전문 분야 지식과 기존 문헌에 근거하여 노출, 결과, 기타 변수들의 관계를 명시적으로 표현하여, 연구자가 가정한 인과 구조를 명확히 확인하도록 돕는다[6-8]. 또한 어떤 변수를 조정해야 하며 어떤 변수는 조정하지 말아야 하는지를 직관적으로 판별할 수 있게 한다. 이러한 접근은 관찰연구의 가장 큰 한계인 교란변수에 의한 편향을 체계적으로 탐지하고 최소화할 수 있게 하며, 나아가 연구 설계의 투명성과 재현성을 향상시킨다. 특히 병태생리적 요인, 임상 중재, 생활습관, 사회경제적 요인이 복합적으로 작용하는 소화기암 연구에서 DAG를 활용한 변수 선정 및 인과구조 탐색은 단순 연관성 분석을 넘어 보다 근거 기반적 인과 해석을 가능하게 하는 중요한 도구로 주목받고 있다.
본 연구에서는 DAG의 기본 개념을 개괄하고, 실제로 DAG를 사용한 소화기암 연구 사례들을 검토한다. 이를 통해 DAG 기반 접근이 임상연구의 설계 및 분석 과정에서 어떻게 활용되는지를 구체적으로 제시하고, 향후 인과 추론 기반 의학 연구의 확장 가능성을 논의하고자 한다.

다국어 초록 (Multilingual Abstract)

Directed acyclic graphs (DAGs) have emerged as a foundational framework for causal inference in medical and epidemiological research, offering a transparent and systematic approach to visualizing causal assumptions and informing analytic choices. By mapping hypothesized relationships among exposure, outcome, and other covariates, DAGs help researchers identify confounding, mediation, and collider structures, determine appropriate adjustment sets, and avoid bias from inappropriate variable control. In digestive cancer research, DAGs have been especially useful for clarifying complex causal pathways, improving the validity of observational analyses, and informing advanced study designs such as mediation analysis and Mendelian randomization.
This paper outlines the conceptual foundations of DAGs, including d-separation, the backdoor criterion, and M-bias, and demonstrates their practical application through the web-based tool DAGitty. We also describe how published digestive cancer studies have incorporated DAG-based frameworks to strengthen study design, ensure appropriate variable adjustment, and improve the transparency and reproducibility of causal interpretation. Collectively, these approaches show that DAGs are not merely graphical aids but essential methodological tools for causal reasoning in contemporary biomedical research.