주사전자현미경 관찰에 큰 영향을 주지 않고, 표면모양을 잘 따라 덮으며, 미세한 구조를 보호할 수 있는 박막으로써 환원 또는 비환원된 산화그래핀 박막 효용에 대한 실험적 검증

김준우 전남대학교 2017 국내석사

그래핀은 매우 강하고, 유연하며 매우 얇은 단일원자 두께의 재료이다. 이 얇은 두께 때문에 그래핀은 전자현미경 관찰의 매개체인 전자빔을 통과 시킬 수 있다. 이런 전자 현미경으로 미시 세계의 현상을 관찰 할 수 있고, 이 미시세계의 현상은 다양한 방법으로 응용 될 수 있다. 하지만 미세구조의 특성상 주변 환경과의 상호작용에서 손상을 입을 가능성이 커지므로, 이런 미세구조를 보호하는 보호박막의 필요성이 대두된다. 이런 보호박막은 미세구조를 보호하면서도 전자빔을 통과시켜 전자현미경 관찰 가능하게 하는 특성이 요구된다. 이런 조건을 환원 또는 비환원된 산화그래핀박막이 충족할 수 있는 지를 실험적으로 검증하였다. 표면 미세구조를 대표하는 금 나노입자들을 박막이 덮기에 까다로운 오목한 구조 속에 형성한 후에 전자현미경 관찰을 하면서 박막이 덮이기 전과 후에 얻어진 전자현미경 영상의 차이를 조사하였고, 표면에 충격을 가하는 처리 전 후에 나타나는 박막의 미세구조 보호효과를 실험적으로 검증하였다. 우리의 결과는 환원 또는 비환원된 산화그래핀 박막이 전자현미경으로 구한 금 나노입자들의 영상에 끼치는 왜곡효과가 적다는 점과, 표면충격에 대해서 금 나노입자들을 보호하는 효과가 있다는 점을 확인하였다. 우리의 결과는 그래핀 박막이 나노세계의 다양한 시료(예를 들면 DNA같은 재료)를 보호 하면서 정밀한 관측이 가능하도록 하는 박막으로 이용될 수 있도록 하는데 기여할 것이다.

베이지안 시공간 모형을 이용한 읍면동 수준 기대수명 산출

김익한 서울대학교 대학원 2022 국내박사

가용한 자료원이 확대되고 분석 방법의 발전에 따라 소지역 단위 건강 수준 산출을 위한 노력이 증가하고 있다. 소지역 단위 건강 수준 산출은 높은 층위의 지역을 분석 단위로 했을 때 가려지는 지역 간 차이를 분명하게 드러낼 수 있어 취약 인구 집단을 발견하고 건강 불평등 해소를 위한 정책적 노력의 시발점이 될 수 있다. 소지역 단위 분석은 지역에 속한 인구 특성이 비교적 동질적이고 건강 결정 인자들에 대한 폭로가 고르기 때문에 생태학적 오류가 적다. 지역을 어떻게 정의할 것인가에 따라 결과가 달라지는 변환 가능 공간 단위 문제(modifiable area unit problem, MAUP) 또한 비교적 적다고 알려져 있다. 소지역 수준 건강 수준 산출은 역학적, 지리적, 통계적 노력이 필요하다. 구체적으로 소지역 수준 건강 수준 산출에 적합한 자료원 활용과 함께 적절한 소지역 단위 및 건강 수준 측정 도구 선정, 데이터의 희박성을 고려하여 수 년 간의 자료를 합치거나 통계 모형을 이용한 산출 등이 요구된다. 그간 우리나라에서는 읍·면·동을 분석 단위로 한 소지역 수준 사망률이 측정되어 왔다. 현재까지 국내에서 이루어졌던 읍·면·동 수준 사망률 산출 연구는 다년간의 자료를 합하여 주로 표준화사망비를 산출한 후, 읍·면·동 간 표준화사망비를 비교하였다. 표준화사망비를 이용하여 사망률을 측정한 가장 큰 이유는 선행 연구들에서 이용한 통계청 자료는 읍·면·동 수준에서 연령군별 사망자 수를 제공하지 않기 때문이다. 표준화사망비는 연령군별 사망률 정보가 필요하지 않기 때문에 산출이 용이하다. 그러나 표준화사망비를 지역 간 사망률 비교에 이용할 수 있을지에 대해서 논란이 있다. 그 이유는 표준인구의 연령군별 사망률과 해당 소지역의 연령군별 인구수의 곱을 모두 합하여 산출하는 표준화사망비의 분모가 소지역마다 다르기 때문이다. 표준화사망비를 이용하여 지역 간 사망률을 비교하기 위해서는 다음 두 가지 가정을 만족하여야 한다. 첫째, 비교하고자 하는 소지역들의 연령 구조가 유사하여야 한다. 둘째, 표준인구 연령군별 사망률과의 비가 연령군 간 크게 다르지 않아야 한다. 그러나 두 가지 가정을 동시에 만족할 필요는 없다. 표준화사망비 외에 소지역 수준 사망률을 측정할 수 있는 도구로는 비교사망지수와 기대수명 등이 있다. 기대수명은 연구자들뿐만 아니라 대중과 정책 결정자들의 이해가 쉽고, 산출 시 표준인구가 필요 없다는 장점이 있다. 국민건강보험공단의 건강정보 데이터베이스(건강정보DB)는 우리나라 거의 모든 인구의 성별, 연령, 거주지(읍·면·동) 등의 정보를 포함한다. 또한 통계청의 사망통계자료와 연계하여 건강정보DB 대상자들의 사망 여부를 조사할 수 있어 읍·면·동 수준에서 연령군별 사망자 수 획득이 가능하다. 또한 국민건강보험공단의 다른 데이터베이스와의 연계를 통하여 다양한 건강 정보를 파악할 수 있다는 장점을 가지고 있다. 최근 들어 소지역 수준 사망률 산출 시 베이지안 시공간 모형이 널리 이용되고 있다. 베이지안 시공간 모형은 소지역 수준에서 사망률 산출 시의 데이터의 희박성을 극복하기 위한 방법들 중 하나로 인접한 지역이나 시간, 연령군 간 사망률의 자기상관성을 고려하여 정보를 빌려서 사용한다. 선행 연구들에 따르면 전통적 기대수명 산출 방법을 이용할 경우 안정적인 기대수명 산출을 위하여 지역당 최소 5,000명의 인구수가 필요하였는데 베이지안 공간 모형을 이용하는 경우 최소 2,000명이 필요하였다. 그러나 아직까지 베이지안 시공간 모형을 이용하였을 때 필요한 최소 인구수는 알려지지 않았다. 또한 전통적 기대수명 산출 방법에서는 안정적 인구 집단인 경우 인구수가 5,000명 이상일 때부터 정규성을 만족하는 것으로 나타났지만 베이지안 계층 모형을 이용했을 때 정규성을 만족하기 위한 최소 인구수는 밝혀지지 않았다. 본 연구에서는 국민건강보험공단의 건강정보DB를 우리나라 읍·면·동 수준 사망률 산출 연구에 활용할 수 있는지를 파악하고, 읍·면·동 간 사망률 비교에 적합한 건강 수준 측정 도구를 탐색하였다. 또한 선행 연구에서 활용한 베이지안 시공간 모형들 중 우리나라의 지역별 연령 구조와 특성 등을 고려하여 소지역 수준 사망률 산출에 적합한 모형을 시뮬레이션 연구를 통하여 파악하였다. 마지막으로 베이지안 시공간 모형을 이용하여 실제 우리나라 읍·면·동 수준 기대수명을 산출하였다. 첫째, 본 연구에서는 국민건강보험공단 건강정보DB의 읍·면·동 수준 사망률 산출 이용 가능성을 탐색하기 위하여 행정안전부의 국가행정자료를 이용하여 산출한 읍·면·동 수준 인구 및 사망자 수, 조사망률, 표준화사망비를 비교하였다. 2014-2017년 연구 기간 동안 건강정보DB를 이용하여 산출한 전체 인구수와 사망자 수는 성별에 상관없이 국가행정자료의 수치와 거의 같았다. 읍·면·동 수준 인구수와 사망자 수 분포 또한 두 자료가 거의 유사하였다. 두 자료의 읍·면·동 수준 인구수와 사망자 수의 피어슨 상관계수(Pearson correlation coefficient) 크기는 모두 0.996 이상으로 매우 컸다. 읍·면·동 수준 표준화사망비의 피어슨 상관계수 크기 범위는 0.937-0.972로 나타났다. 이 결과를 통하여 국민건강보험공단의 국민건강정보DB를 우리나라 읍·면·동 수준 사망률 산출에 이용할 수 있다고 판단하였다. 둘째, 본 연구에서는 2013-2017년 국민건강정보DB를 이용하여 표준화사망비와 함께 비교사망지수, 기대수명을 이용하여 읍·면·동별 사망률을 산출하고 결과를 비교하였다. 연구 결과에 따르면 우리나라 모든 읍·면·동의 연령군별 사망률이 2015년도 전체 인구의 연령군별 사망률과 같다고 가정하였을 때도 표준화사망비는 다르게 측정되었다. 이 때 동 지역은 읍과 면 지역에 비해서 표준화사망비가 높게 측정되는 경향을 보였다. 표준화사망비를 이용하여 매긴 사망률 순위는 비교사망지수, 기대수명을 이용하여 매긴 순위와 차이가 컸다. 순위 차이는 사망률이 높은 지역에서 두드러졌다. 그러나 비교사망지수와 기대수명을 이용하여 매긴 순위는 비교적 차이가 적었다. 비교사망지수와 표준화사망비 간 비는 면 지역에서 변이가 컸는데 특히 인구수가 적은 지역에서 변이가 컸다. 따라서 표준화사망비를 이용하여 전국 규모에서 읍·면·동 간 사망률 비교 시에는 비뚤림을 유발할 가능성이 있다. 연령군별 사망률의 획득이 가능하다면 표준화사망비보다 비교사망지수와 기대수명을 이용하여 읍·면·동 간 사망률을 비교하여야 한다. 셋째, 본 연구에서는 2013-2017년 통계청 주민등록연앙인구와 사망통계자료를 이용하여 소지역 수준 기대수명 산출 베이지안 시공간 모형을 평가하였다. 우리나라 모든 시·군·구 여성 인구수가 500명, 1,000명, 2,000명, 5,000명, 10,000명, 25,000명임을 가정한 시나리오별로 몬테 카를로 시뮬레이션 방법을 이용하여 1,000개의 가상 데이터셋을 생성하였다. 각 시·군·구의 연령 구조는 실제 연령 구조를 유지하였다. 각 데이터셋을 전통적 기대수명 산출 방법, 베이지안 공간 및 시공간 모형들을 이용하여 산출하고 각 방법의 정확성, 95% 불확실성 구간의 넓이와 함께 참값을 포함할 확률로 정의한 보장률, 정규성 등을 비교하였다. 베이지안 시공간 모형은 선형 항과 비선형 항의 포함 여부가 다른 세 종류의 모형을 이용하였다. 분석 결과, 모든 시나리오에서 베이지안 공간 및 시공간 모형은 전통적 기대수명 산출 방법보다 정확한 기대수명 산출이 가능하였다. 베이지안 공간 모형에 비해서 시공간 모형의 정확성이 더 나았다. 베이지안 시공간 모형을 이용하여 산출한 95% 불확실성 구간의 넓이는 전통적 기대수명 산출 방법을 이용하여 산출한 넓이의 20-60%였고 보장률은 95%를 하회하였다. 전통적 기대수명 산출 방법을 이용할 경우 인구수가 10,000명 이상일 때 정규성을 만족하였지만 베이지안 공간 및 시공간 모형은 인구수가 500명일 때도 정규분포에 근사하였다. 그러나 베이지안 시공간 모형은 인구수가 많은 시나리오에서는 정규성을 만족하지 않았다. 따라서 베이지안 시공간 모형을 이용한 지역 간 기대수명 비교 시 정규성을 가정한 비교가 아니라 사후 분포와 절단값 선정을 이용한 비교가 필요하다. 넷째, 이 연구에서 2013-2017년 국민건강정보DB를 이용하여 남녀별 읍·면·동 수준 기대수명을 산출한 결과, 남성과 여성 모두 도시-농촌 지역 간 기대수명 격차가 나타났는데 여성에 비해서 남성에서 격차가 더 컸다. 지역 내에서도 읍·면·동 간 기대수명 격차가 나타났다. 연구 기간 동안 읍·면·동 수준 기대수명의 중앙값은 남녀 모두 전국 평균 기대수명과 유사한 속도로 증가하였다. 읍·면·동 수준 기대수명의 분산 크기는 미세한 증가 추세를 보였다. 연구기간 동안 읍·면·동별 기대수명의 연평균 변화율 산출 결과, 기대수명의 연평균 변화율은 지역별로 차이가 있었지만 크기가 크지는 않았다. 2013년 기대수명과 연평균 변화율 간 관련성 분석 결과에서도 남녀 모두 유의미한 관련성을 보이지 않았다. 우리나라의 읍·면·동 수준 기대수명을 산출한 결과, 지역 간 및 지역 내 기대수명 격차가 존재하였지만 연구기간 동안 읍·면·동 간 기대수명 격차의 크기가 뚜렷하게 증가하지는 않았다. 본 연구에서는 우리나라의 읍·면·동 수준 사망률을 산출하는 데 이용할 수 있는 자료원과 적절한 측정 도구를 탐색하고, 데이터의 희박성을 극복할 수 있는 산출 방법을 적용하여 최종적으로 실제 읍·면·동 수준 기대수명을 산출하였다. 본 연구 결과는 정책 결정자나 연구자, 대중들로 하여금 지역 간 혹은 지역 내 사망률 격차를 파악하고, 사망률 변화 과정에 대한 이해를 도울 수 있다. 또한 지역 건강 수준에 대한 이해와 정보에 입각한 정책 결정 및 계획을 도울 수 있을 것이다. With the expansion of available data sources and the development of analysis methods, efforts to determine the health status of small-area units are increasing. Identifying health levels in sub-regional units can reveal geographical differences that might be masked when high-level areas are used as an analysis unit. The results would discover vulnerable population groups and serve as a starting point for policy efforts. In addition, the small-area level analysis has fewer ecological fallacies because the population characteristics are relatively homogeneous, and exposure to health determinants is even. Identification of small-area health levels requires epidemiological, geographic, and statistical efforts. Specifically, selecting appropriate data sources, analysis units, and health-level metrics is needed. In addition, combining data over several years or using a statistical model is requested, given the sparseness of the data. Previous Korean studies calculated and compared the small area (eup, myeon, and dong) mortality, mainly using the standardized mortality ratio (SMR) as the metric and combining data from many years. The main reason for using the SMR was that Statistics Korea restricts the public use of the number of deaths by age group at the small-area level. SMR is convenient because it does not require age-specific mortality rates. However, it is controversial to compare mortality rates between small areas because the denominator of the SMR, which is calculated by summing the product of the age-specific mortality rate of the standard population and the age-specific populations, is different for each small area. Therefore, the following two assumptions should be satisfied to compare SMRs between small areas. First, the age structures of small areas should be similar. Second, the ratio of age-specific mortality rates between standard and study populations should not differ notably between age groups, although simultaneous satisfaction of the two assumptions is not mandatory. Other representative mortality metrics include comparative mortality figures (CMF) and life expectancy (LE). LE is understandable and intuitive not only for researchers but also for the public and policymakers. LE also has the advantage of not requiring a standard population. The National Health Insurance Service (NHIS) of Korea maintains the National Health Information Database (NHID), which includes information such as gender, age, and place of residence (eup, myeon, or dong) of almost the entire Korean population. In addition, NHID has the advantage of extensionality through linking with other databases in NHIS or death statistics of the Korea Statistics to acquire the individual's death status or additional various health information. The Bayesian Spatio-temporal model has been widely used to calculate the mortality rate at the small-area level. Given the autocorrelation of mortalities, the Bayesian Spatio-temporal model overcomes the data sparsity by borrowing information of adjacent regions, time, and age groups. According to previous studies, the conventional method requires at least 5,000 people per region to calculate LE stably, but the Bayesian spatial model requires only at least 2,000 people. However, the minimum number of people using the Bayesian Spatio-temporal model is unknown. In addition, the traditional method satisfied the normality assumption of estimates when the population was 5,000 or more. Despite this, Bayesian hierarchical models could not reveal the minimum requested population. This study examined the possibilities of using the NHID for mortality estimates in Korea at the small area level and a mortality measure to compare mortality. This study also explored the possible Bayesian Spatio-temporal model that calculates LE at the small-area level in Korea through a simulation study considering the geographical age structure and characteristics. First, this study explored the possibility of the NHID to calculate the small-area-level mortality by comparing the number of population and deaths, crude mortality, and SMR between the NHID and national administrative data (NAD) of the Ministry of the Interior and Safety. The study results showed that the total population and deaths during the study period (2014-2017) using the NHID were almost identical to those of NAD, regardless of gender. Small-area-level population and death distributions were virtually the same in both datasets. The magnitude of the Pearson correlation coefficient of both population and death numbers was above 0.996. The Pearson correlation coefficient of the SMRs ranged from 0.937 to 0.972. Based on the results, we considered that the NHID could calculate the mortality rate at a small area level in Korea. Second, this study calculated the mortality at the small-area level using SMR, CMF, and LE using the 2013-2017 NHID and compared the results according to the degree of urbanization. Although age-specific mortality of all small areas in Korea was assumed to be the same as the age-specific mortality of the entire study population, the SMR was different for each small area. SMR was higher in urban areas than in other areas. The ranking using SMR was significantly different from that of the CMF and LE. Rank differences were more pronounced in areas with high mortality rates. However, the differences between the CMF and LE rankings were relatively small. The difference between the CMF and SMR was large in rural areas, especially in areas with small populations. Therefore, SMR comparisons among small regions on a national scale may induce bias. CMF and LE should assess mortality based on their age if age-specific mortality is available. Third, this study evaluated the Bayesian Spatio-temporal models for calculating the small-area level LE using the 2013-2017 Korea Statistics resident registration mid-term population and death data. The Monte Carlo simulation method created 1,000 hypothetical datasets assuming that all districts in Korea had female populations of 500, 1,000, 2,000, 5,000, 10,000, and 25,000. The age structure of each district maintains its actual age structure. LE for each dataset was calculated using the traditional, Bayesian spatial and Spatio-temporal models. The precision, 95% uncertainty interval (UI) width and coverage, and normality of each method for each scenario were compared. A 95% UI coverage was defined as the probability of containing the true value in the 95% UI. The Bayesian Spatio-temporal model consisted of three linear, nonlinear, and linear and nonlinear mixed models. The results showed that the Bayesian spatial and Spatio-temporal models calculated LE more accurately than the traditional method in all scenarios. The 95% UI width using the Bayesian Spatio-temporal models was 20-60% using the traditional method. The traditional method satisfied the normality assumption when the population was 10,000 or more, but the Bayesian spatial and Spatio-temporal models approximated the normal distribution even when the population was 500. However, the Bayesian Spatio-temporal models did not satisfy normality in the large population scenarios. The LE calculation using the Bayesian Spatio-temporal models had the highest data efficiency among the utilized methods. However, when the Bayesian Spatio-temporal models were used, the 95% UI interval was narrow, the coverage rate was low, and normality was not satisfied when the population was large. Therefore, when comparing LE between small areas using the Bayesian Spatio-temporal model, it is necessary to compare the posterior distribution with appropriate cut-off value selection, not the comparison assuming normality. Fourth, this study provided the results of calculating LE at the small-area level using the 2013-2017 NHID. We found a significant difference in LE between urban and rural areas for men and women, but the gap was larger in men than in women. There were also disparities in life expectancy between the small areas within the region. The median LE at the small area level increased during the study period, similar to the national mean LE for men and women. The dispersion exhibited a slight increase. When we calculated the average annual change rate of LE by small area during the study period, the rate varied by region, but the magnitude was moderate. In the analysis results of the association with LE in 2013, neither men nor women showed a significant association. The study results showed a gap in LE between and within regions in Korea, but the magnitude of the gap stagnated during the study period. This study explored data sources and appropriate measurement tools for calculating LE at the small-area level in Korea. This study also suggested a statistical model that can overcome the sparseness of the data and calculate the small-area-level LE during 2013–2017. The results can assist policymakers, researchers, and the public in understanding the between and within regional health inequalities and the process of mortality changes. It would also help identify local health determinants and inform policy decisions and planning.

그래핀 기반 슈퍼커패시터 전극 물질의 혼합비율 최적화

이성득 전남대학교 2017 국내석사

슈퍼커패시터를 활용하는데 있어서 에너지 저장 능력을 향상시키는 연구는 매우 중요한 일이다. 이 연구의 일환으로 슈퍼커패시터 전극의 혼합물 재료 선택에 관한 많은 연구가 이루어지고 있다. 그러나 선택된 혼합물 재료에 있어서 최적혼합비율을 체계적으로 탐색하는 방법은 충분히 연구되지 않고 있다. 이와 같은 연구는 슈퍼커패시터 성능 향상에 디딤돌이 되는 것으로 반드시 필요한 일이다. 본 연구는 그래핀 기반 슈퍼커패시터의 에너지 저장 밀도를 증가시키기 위해서 전극을 구성하는 3가지 구성 요소인 산화 그래핀 환원물(reduced graphene oxide, rGO), 아세틸렌 블랙(acetylene black, AB), 플루오르화물 폴리비닐리덴(polyvinylidene fluoride, pvdf)의 최적혼합비율을 찾기 위해 통계적으로 체계적인 방법(꼭지점 계획법, extreme vertices design)의 사용가능성을 탐구하였다. 이 방법을 사용하여 예측된 최적혼합비율(rGO : AB : pvdf =0.95 : 0.00 : 0.05)을 적용한 전극은 에너지 저장 용량이 최적화되지 않은 전극에 비하여 에너지 저장 밀도가 2배 이상 증가함을 확인하였다. 이는 본 연구에서 시도한 통계적으로 체계적인 접근 방식이 유용함을 지지한다. 나아가 전기화학적 자료의 분석과 전자현미경 사진 분석을 통해 성능 향상의 원인에 관한 연구 결과도 제시한다.

한국의 사회경제적 사망 불평등에 대한 반복측정된 건강행태와 임상생물학적 요인의 기여도

강희연 서울대학교 대학원 2022 국내박사

연구배경 및 목적 사회경제적 건강 불평등의 크기와 이를 설명하는 요인의 기여도를 밝히는 기전 연구는 건강 불평등에 관한 정책적 측면에서 중요한 의미가 있다. 이에 사회경제적 사망 불평등의 크기와 이를 설명하는 요인의 기여도에 관한 여러 기전 연구들이 진행되었다. 그중에서도 건강 불평등을 설명하는 요인 중 건강행태와 임상생물학적 요인과 같은 위험요인은 시간에 따라 변화할 수 있는데, 한국의 건강 불평등의 기전을 다룬 그간의 연구에서는 특정 시점에 한정되어 측정된 위험요인을 가지고 건강 불평등에 대한 기여도를 주되게 평가해왔다는 점에서 한계가 있었다. 이 연구에서는 사회경제적 사망 불평등을 설명하는 요인으로서 반복측정된 건강행태와 임상생물학적 요인의 역할을 규명하고자 하였다. 사회경제적 사망 불평등의 위험요인을 여러 시점에서 반복측정하여 평가하였을 때, 한 번 측정된 요인을 고려하였을 때보다 사망 불평등에 대한 기여도가 높아지는지 확인하고자 하였다. 연구 방법 본 연구에서는 국민건강보험공단 건강검진코호트DB(NHIS-HEALS)를 이용하였다. 2004-2005년 건강검진을 받은 적이 있는 40-69세의 건강보험가입자를 대상으로, 2004-2005, 2006-2007, 2008-2009, 2010-2011, 2012-2013년의 건강검진 검사 및 문진 결과를 이용하였다. 주요 변수인 사회경제적 위치 지표는 소득으로 월 건강보험료 부과액을 바탕으로 한 건강보험료 분위 자료를 대리지표로 하였다. 건강 결과인 사망은 전체 사망 이외에 주요 사망원인별로 암 사망, 심혈관계질환 사망, 암 및 심혈관계질환 이외 사망, 흡연 관련 사망, 음주 관련 사망, 치료 가능 사망으로 구분하였다. 주요 위험요인은 건강검진의 검사 결과 및 문진 자료의 건강행태 변수로 흡연, 음주, 신체활동과 함께 임상생물학적 변수로는 혈압, 공복혈당, BMI, 혈색소, 총콜레스테롤, 아스파르테이트아미노전달효소(aspartate aminotransferase, AST), 알라닌아미노전달효소(aspartate aminotransferase, ALT), 감마지티피(gamma- glutamyl transpeptidase, GGT), 요단백을 이용하였다. 사회경제적 위치에 따른 사망위험을 알아보기 위해, 성별, 사망원인별 소득수준에 따른 연령표준화 사망률의 차이를 알아보고, 콕스 회귀분석(Cox regression analysis)을 이용하여 성별, 사망원인별로 소득수준에 따른 사망위험비(Hazard Ratio, HR)를 산출하였다. 또한, 사회경제적 위치와 위험요인의 관련성 분석을 위해 성별, 검진시기별, 소득수준별 건강행태 및 임상생물학적 요인의 연령표준화 유병률을 산출하여, 위험요인별 사회경제적 연령표준화율의 차이와 그 추이를 살펴보았다. 위험요인에 따른 사망위험 분석은 콕스 회귀분석을 이용하였다. 성별, 사망원인별로 건강행태와 임상생물학적 요인에 따른 사망위험비를 구하고, 위험요인은 기저 시점(baseline)과 반복측정 시점의 측정자료로 구분하여 분석하였다. 반복측정된 건강행태와 임상생물학적 요인을 이용한 분석은 시간 의존 콕스 회귀분석(time-dependent Cox regression analysis) 방법을 이용하였다. 사망에서의 사회경제적 불평등에 대한 건강행태와 임상생물학적 요인의 기여도(설명력)는 사회경제적 위치에 따른 사망위험 분석 모형에서 위험요인을 보정하기 전과 후의 가장 높은 소득분위 대비 가장 낮은 소득분위의 초과 사망위험의 감소분(% attenuation)으로 정의하여 산출하였다. 이를 한 시점에서 측정된 위험요인을 고려한 경우와 반복측정된 위험요인을 고려한 경우로 산출하여 설명력에 차이가 있는지 확인하였다. 사망에서의 사회경제적 불평등에 기여하는 매개 요인(mediator)으로서, 건강행태 요인과 임상생물학적 요인 각각의 설명력을 산출하였다. 모든 분석은 성별(남녀 전체, 남성, 여성), 사망원인별로 수행하였으며, 위험요인이 기저 시점에서 측정된 경우와 반복측정된 경우 중 어떤 경우에 사망의 사회경제적 불평등을 얼마나 더 잘 설명하는지, 그리고 어떤 위험요인이 가장 잘 설명하는지 확인하였다. 연구 결과 2004-2005년 기저 시점의 전체 연구대상자는 228,910명으로 남성은 132,396명, 여성은 96,514명이었다. 이들 중 사망한 사람은 6,643명으로 전체의 2.9%를 차지하였으며, 남성 4,969명, 여성 1,674명으로 남성 사망자가 더 많았다. 사망원인별로는 전체 사망자의 49.6%인 3,292명이 암으로 사망하였으며, 심혈관계질환 사망자는 1,011명(전체 사망자의 15.2%), 치료가능 사망자는 925명(13.9%), 흡연 관련 사망자는 978명(14.7%), 음주 관련 사망자는 628명(9.5%)이었다. 연령표준화 사망률 분석 결과, 남녀별, 사망원인별로 소득수준에 따라 연령표준화 사망률에 차이가 있었다. 그러나, 여성에서 흡연, 음주 관련 사망에 대한 연령표준화 사망률의 경우, 소득수준 간 뚜렷한 차이가 나타나지 않거나, 역전되어 나타났다. 사망위험비는 사망원인에 따라 성별, 소득수준별로 다르게 나타났는데, 남성이 여성에 비해 2.65배(95% CI 2.51-2.80) 높았다. 남녀 전체, 전체 사망에서 가장 높은 소득계층 대비 가장 낮은 소득계층의 사망위험비는 1.70(95% CI 1.60-1.81)으로 1.7배 사망위험이 높았다. 남녀 전체에서 소득수준에 따른 사망위험비가 가장 높은 사망원인은 치료가능 사망으로 2.13배(95% CI 1.79-2.54) 사망위험이 높았다. 소득수준에 따른 시기별 건강행태와 임상생물학적 요인의 연령표준화율은 남녀 전체의 경우 총콜레스테롤과 요단백을 제외한 모든 요인에서 낮은 소득계층이 높은 소득계층에 비해 표준화 유병률이 높았다. 여러 지표 중 남성의 과체중 유병률은 높은 소득계층의 유병률이 낮은 소득계층보다 높게 나타나는 소득역전 현상을 보였는데, 비만 유병률의 경우에는 소득역전 현상이 나타나지 않았다. 여성의 경우에는 소득수준이 낮을수록 과체중 유병률과 비만 유병률 모두 증가하였다. 위험요인과 사망의 관련성 분석 결과, 대부분의 사망원인에서 음주 빈도와 현재 흡연에 따른 사망위험비는 반복측정되었을 때, 그 영향력이 감소하였고, 신체활동은 증가하였다. 임상생물학적 요인에 따른 사망위험은 반복측정자료 분석 결과 사망위험이 대체로 증가하였으며, 사망원인마다 조금씩 달랐다. 혈색소의 경우 반복측정되었을 때, 모든 사망원인에서 사망위험비가 크게 증가하였고, 총콜레스테롤은 심혈관계질환 사망원인에서만 사망위험비가 유의하게 나타났다. 사망에서의 사회경제적 불평등에 대한 건강행태와 임상생물학적 요인의 기여도 분석 결과, 남녀 전체, 남성과 여성, 모든 위험요인과 사망원인에서 기저 시점의 위험요인보다는 반복측정된 위험요인의 설명력이 높았다. 기저 시점에서 1회 측정된 전체 위험요인의 소득수준에 따른 사망 불평등에 대한 설명력은 18.96%였으며, 그 중 건강행태 요인의 설명력은 12.34%, 임상생물학적 요인의 설명력은 9.11%로 건강행태가 임상생물학적 요인에 비해 설명력이 높았다. 성별 전체 위험요인의 설명력은 남성(20.54%)이 여성(18.00%)에 비해 높았다. 임상생물학적 요인의 설명력은 남성(10.27%)이 여성(4.28%)에 비해 더 높았고, 여성의 경우에는 건강행태요인의 설명력(14.71%)이 남성(12.99%)에 비해 더 높았다. 건강행태와 임상생물학적 요인의 시간 가변적 특성을 고려한 반복측정자료 분석 결과, 사망에서의 사회경제적 불평등에 대한 전체 위험요인의 설명력은 28.78%로 기저 시점의 위험요인의 설명력보다 높았다. 이러한 경향은 남녀 모두에서 발견되었는데, 남성(20.54%에서 28.52%)에 비해 여성(18.00%에서 32.96%)에서 크게 증가하였다. 전체 위험요인의 설명력이 가장 높은 사망원인은 남녀 전체의 경우 흡연 관련 사망과 암으로 인한 사망으로 각각 35.28%, 32.14%의 설명력을 보였으며, 남성 또한 흡연 관련 사망(36.77%)과 암으로 인한 사망(36.74%)에서 설명력이 가장 높았다. 여성의 경우에는 전체 사망(32.96%)과 심혈관계질환 사망(29.68%)로 높은 설명력을 보였다. 남녀 전체 분석 결과, 건강행태의 설명력은 흡연 관련 사망(31.48%)과 암으로 인한 사망(20.41%)에서, 임상생물학적 요인의 설명력은 암으로 인한 사망(22.19%)과 음주 관련 사망(19.53%)에서 가장 높았다. 남성의 경우에는 흡연 관련 사망, 심혈관계질환 사망을 제외한 사망원인에서 임상생물학적 요인이 건강행태요인에 비해 다소 높은 설명력을 보였으며, 여성의 경우에는 건강행태 요인의 설명력이 임상생물학적 요인보다 높았다. 개별 위험요인의 사망의 사회경제적 불평등에 대한 설명력을 비교하면, 모든 경우에서 흡연의 설명력이 가장 높았다. 남녀 전체, 전체 사망을 대상으로 한 분석에서 기저 시점 흡연의 설명력은 9.20%, 반복측정된 흡연의 설명력은 13.89%로 나타났으며, 사망원인 중 남성의 흡연 관련 사망 분석에서 반복측정된 흡연의 설명력은 25.60%로 가장 높았다. 임상생물학적 요인의 경우에는 혈색소, AST, GGT의 설명력이 높은 편으로 나타났다. 남녀 전체를 대상으로 암 사망의 불평등에 대한 각 요인의 설명력은 각각 12.40%, 10.33%, 13.45%으로, 흡연(15.41%) 다음으로 높은 설명력을 보였다. 대체로 사망과의 관련성이 높은 요인들(흡연, 혈색소, AST, GGT 등)이 사회경제적 위치에 따른 격차에 대한 설명력도 높았다. 결론 이 연구는 우리나라 사회경제적 사망 불평등의 기전에 관한 연구로서 사회구조가 사망에 영향을 미치는 과정에서 측정된 불평등의 크기와 이를 설명하는 요인의 기여도를 밝히고자 하였다. 이는 구체적인 정책적 개입 지점에 관한 정보를 제공한다는 점에서 정책적 함의를 갖는다. 또한, 여러 가지 위험요인 중 어떤 요인이 가장 설명력이 높은지 탐색하였다는 점에서 의미가 있다. 방법론적 측면에서는 향후 건강 불평등의 기전에 관한 연구를 수행할 때, 각 설명 요인들을 어떻게 측정, 분석할 것인가에 대한 근거를 제시할 수 있다. 사망과 같은 장기 추적 연구에서 여러 시점에서 반복측정된 자료를 이용하여 시간 가변적 특성을 고려할 때, 건강 불평등에 대한 기여요인의 설명력을 더욱 높일 수 있을 것이다. 이 연구 결과에 따르면 흡연은 여전히 사회경제적 위치에 따른 사망 불평등을 설명하는 주요한 원인으로 확인되었다. 이는 흡연에서의 사회경제적 불평등을 줄이는 것이 사망에서의 사회경제적 불평등을 줄이는 데에 상당 부분 기여한다는 것을 의미한다. 본 연구에서 규명된 위험요인별 기여도를 바탕으로, 장기적으로 사망 불평등을 줄이기 위한 접근 방안의 세부적인 근거를 제시할 수 있을 것이다. Background Research on the mechanisms of socioeconomic health inequality has important implications for policies targeting health inequality. Studies have sought to explain the magnitude of socioeconomic inequalities in mortality and assess the contributions of explanatory factors. Risk factors, such as health behaviors and bioclinical factors, change over time. However, a limitation of previous studies, including those conducted in Korea, is that they mainly assessed contributions to health inequality using risk factor measurements from a specific time point. This study investigated the role of repeatedly measured health behavioral and bioclinical factors in socioeconomic mortality inequalities in Korea and compared the contribution of risk factors to mortality inequality according to whether they were assessed longitudinally at multiple time points or measured only at baseline. Methods This study used the National Health Insurance Service-National Health Screening Cohort (NHIS-HEALS) database. The study subjects were individuals aged 40-69 who were eligible for health insurance and participated in the NHIS health screening program in 2004-2005. Their health checkup results and questionnaire responses in 2004-2005, 2006-2007, 2008-2009, 2010-2011, and 2012-2013 were reviewed. Their socioeconomic position was measured using income, operationalized as the health insurance premium decile based on monthly health insurance premiums. The underlying causes of death were classified into cancer, cardiovascular diseases, smoking-related diseases, alcohol-related diseases, amenable mortality, and all-cause mortality. The major risk factors were health behaviors (smoking, drinking, physical activity) and bioclinical factors (blood pressure, fasting blood sugar, hemoglobin, total cholesterol, aspartate aminotransferase [AST], alanine aminotransferase [ALT], gamma-glutamyl transpeptidase [GGT], proteinuria, and body mass index [BMI]). First, the difference in age-standardized mortality rates according to income level by sex and cause of death was investigated, and hazard ratios (HRs) were calculated by Cox regression analysis. In order to analyze the relationship between socioeconomic position and risk factors, the age-standardized prevalence of health behaviors and bioclinical factors by sex, screening period, and income level was calculated. A Cox proportional regression model was used to analyze the associations between the risk factors and death. The HRs for death according to risk factors were calculated by sex and causes of death. The risk factors were assessed at baseline and longitudinally evaluated five times from 2004 to 2013. Repeatedly measured risk factors were used as time-varying covariates, and HRs were calculated by time-dependent Cox regression analysis to assess the longitudinal effect. The contribution of each risk factor at a baseline and multiple time points to socioeconomic inequalities in mortality was defined by the percentage reduction in the coefficient for income level before and after adjusting for risk factors. The results when the risk factors were measured at one point in time were compared with those of repeated measurements to determine whether there was a difference in explanatory power. As mediators contributing to socioeconomic inequality in mortality, the explanatory power of each behavioral factor and clinical biological factor was calculated. All analyzes were stratified by sex and cause of death. Results The number of study subjects from 2004-2005 was 228,910 (132,396 men and 96,514 women). The number of deaths was 6,643, accounting for 2.9% of the total population. In total, 4,969 men and 1,674 women died during the study period. During the follow-up period, there were 3,292 (49.6%) deaths from cancer, 1,011 (15.2%) deaths from cardiovascular diseases, 925 (13.9%) amenable mortality, 978 (14.7%) deaths related to smoking, and 628 (9.5%) alcohol-related deaths. The age-standardized mortality rates varied according to income level, sex, and cause of death. However, income levels either showed no significant difference or a reverse relationship for smoking- and alcohol-related deaths in women. The HRs for death differed by sex and income level according to the cause of death. The risk of death in men was 2.65-fold (95% CI, 2.51-2.80) higher than in women. For both men and women, the HR of death for the lowest-income group versus the highest-income group was 1.70 (95% CI, 1.60-1.81). The highest risk of death for the lowest-income group versus the highest-income group was 2.13 times (95% CI 1.79-2.54) for amendable mortality. The prevalence of risk factors varied according to socioeconomic position in the follow-up period. The difference in the age-standardized prevalence rate by income level was maintained for all risk factors, except for total cholesterol and proteinuria, and the standardized prevalence rates were higher in the lowest-income group than in the highest-income group. The prevalence of overweight in men showed an income reversal phenomenon, with a higher prevalence in high-income groups than in low-income groups. The obesity prevalence rate was income-regressive. Among women, the prevalence rates of overweight and obesity in the lowest-income group were higher than in the highest-income group. When the health behaviors were repeatedly measured, the HRs of most causes of death according to smoking status and drinking habits were lower than when they were assessed at baseline only. However, the HRs for most causes of death associated with the frequency of physical activity increased when it was repeatedly measured. When repeatedly measured, the HRs for death associated with the bioclinical factors generally increased, but with differences for each cause of death. For hemoglobin, when repeated measurements were performed, the HR for mortality increased substantially for all types of causes of death, while repeated measurements of total cholesterol only showed significantly higher HRs for death from cardiovascular disease. Regarding the contribution of the health behaviors and bioclinical factors to socioeconomic inequalities in mortality, the explanatory power of repeatedly measured risk factors was higher than that of only baseline measurements for all risk factors, all causes of death, and both sexes. The explanatory power of inequality by income level for death in all risk factors with measurements made once at baseline was 18.96%; the contribution of health behavioral factors (12.34%) was higher than that of bioclinical factors (9.11%). The contribution of all risk factors was higher in men (20.54%) than in women (18.00%). The explanatory power of bioclinical factors was higher in men (10.27%) than in women (4.28%), while in women, the explanatory power of health behavioral factors (14.71%) was slightly higher than that in men (12.99%). In the analysis of repeated measurements, the contribution of all risk factors for socioeconomic inequality in all-cause mortality was 28.77%, which was higher than that obtained with only baseline measurements. Changing from baseline-only measurements to multiple measurements led to a substantially greater increase in explanatory power in women (18.00% to 32.96%) than in men (20.54% to 28.52%). The cause of death with the highest contribution of all risk factors was smoking-related death (35.28%) in both men and women, followed by cancer-related death (32.14%). High explanatory power for overall mortality (32.96%) and death from cardiovascular disease (29.68%) was observed in women. In men, bioclinical factors showed somewhat higher explanatory power than health behavioral factors for causes of death other than smoking-related and cardiovascular disease. In women, health behavioral factors had higher explanatory power than bioclinical factors. Smoking was the individual-level risk factor with the highest explanatory power for socioeconomic inequalities in all-cause mortality. In the analysis of all-cause mortality in both men and women, the explanatory power of smoking when measured at baseline was 9.20%, while that of repeatedly measured smoking was 13.89%. Of the bioclinical factors, the explanatory power of hemoglobin, AST, and GGT was high. The explanatory power of each factor for inequalities in cancer death among men and women was 12.40%, 10.33%, and 13.45%, respectively, which were the highest explanatory powers after smoking (15.41%). In general, the factors closely related to death (e.g., smoking, hemoglobin, AST, and GGT) also had high explanatory power for disparities according to socioeconomic position. Conclusion This study on the mechanism of socioeconomic inequalities in mortality in Korea aimed to present the magnitude of inequalities and the contribution of explanatory factors. The results of this study have policy implications because they provide information on specific points for policy interventions. This study also explored which risk factors had high explanatory power. From a methodological perspective, the basis for measuring and analyzing each explanatory factor can be presented in future research on the mechanisms of health inequality. In long-term follow-up research, considering time-varying variables using repeated data at multiple times could enhance the explanatory power of factors contributing to inequalities in mortality. In this study, smoking was identified as a major cause of inequality in mortality according to socioeconomic status. Therefore, reducing socioeconomic inequalities in smoking would contribute to reducing socioeconomic inequalities in mortality. This study’s findings on the contributions of each risk factor will make it possible to provide a detailed rationale for a long-term approach to reducing mortality inequalities.

탈 이온수를 이용한 Phase inversion 효과가 환원 산화그래핀 전극에 미치는 영향

송대훈 전남대학교 2018 국내석사

환원 산화그래핀(reduced graphene oxide, RGO)은 전기장치, 에너지 저장장치, 바이오 센서 등 다양한 분야에서 활용되는 재료이다. 가장 큰 응용가능성을 보이는 분야 중 하나는 차세대에너지 저장장치인 슈퍼커패시터 개발분야 이다. 에너지 저장장치로의 슈퍼커패시터는 에너지 저장 성능의 절대치를 증가시켜야 하는 과제가 있다. RGO의 사용은 이 과제를 달성할 가능성이 있어서 이를 위한 연구가 활발히 진행되고 있다. 이 논문에서는 탈 이온수(Deionized water)를 사용하여 RGO 전극의 에너지 저장 용량을 증가시키는 간단한 방법을 제시한다. 슈퍼커패시터를 구성하는 두가지 물질인 RGO와 폴리플루오르화비닐리덴(PVDF)의 질량비가 각각 9:1과 8:2가 되도록한 전극들이 기존의 방식을 사용하여 제작한 경우와 탈 이온수 처리과정을 거쳐서 제작한 경우를 측정 전압의 주사속도를 달리하며 비정전용량을 비교하였고, 결과는 탈 이온수 처리를 한 경우에 주사속도에 따라 에너지 저장 성능에 비례하는 비정전용량이 10-200% 증가함을 확인하였다. 이러한 증가의 경향은 PVDF 함량이 더 많거나 측정 전압의 주사속도가 증가했을 때 더 뚜렷했다. RGO 기반 슈퍼커패시터를 제작할 때 탈 이온수 처리는 친환경적이고, 매우 간편하기 때문에 전극 성능의 향상을 위해서 유용하게 쓰일 수 있다. 따라서 RGO를 기반으로 하는 슈퍼커패시터가 상업적으로 응용되는 데 기여할 것이다.

산소 작용기와 그래핀 슈퍼커패시터의 누설전류

이한성 전남대학교 2018 국내석사

자가방전은 슈퍼커패시터의 성능을 결정하는 중요한 요인 중의 하나이다. 그래핀 슈퍼커패시터는 고출력을 낼 수 있는 차세대 저장장치로 주목을 받고 있지만, 배터리보다 높은 자가방전으로 인해 저장장치로 사용에 많은 어려움을 겪고 있다. 이 논문에서는 그래핀 슈퍼커패시터의 자가방전을 보여주는 누설전류가 그래핀에 결합된 산소 작용기의 영향을 받을 것이라 보고 실험을 통해 그 관계를 탐구하였다. 그래핀 슈퍼커패시터의 활성 물질인 산화 그래핀을 열환원하는 과정에서 온도를 300 ℃, 450 ℃, 600 ℃로 달리하여 산소 작용기들의 함량 및 비율 변화를 유도하였고, 이를 측정하였고, 그렇게 환원된 환원산화 그래핀으로 전극을 제조해서 누설전류를 측정하였다. 그 결과, 450 ℃에서 환원된 환원산화 그래핀으로 제조한 전극(TRGO-450)의 누설전류가 다른 전극들에 비해 상대적으로 낮게 측정이 되었고, 이 때 활성 물질로 사용된 열 환원된 산화 그래핀의 산소 작용기들 중 C=O가 C-O로 환원된 비율이 다른 전극에 비해 높다는 것을 확인하였다. 이 결과는 산소작용기들의 함량 및 비율 변화가 그래핀 슈퍼커패시터의 누설전류에 영향을 준다는 것을 말해 준다.

한국의 2018년 기대수명 증가 추세 둔화에 대한 사망원인별 분해 분석

김태재 서울대학교 대학원 2021 국내석사

통계청 발표에 따르면 한국의 2018년 출생아 기대수명(남녀 전체)은 82.7년으로 전년 대비 0.0년 증가에 머물러 1960년 이래 첫 기대수명 정체가 나타났다. 본 연구에서는 2003년부터 2018년까지 Kannisto-Thatcher method를 이용하여 고령층 사망확률 보정한 뒤 기대수명의 변화 추이를 시계열적으로 분석하고, Arriaga decomposition method를 이용하여 사망원인 분해 분석을 시행하였다. 기대수명 변화에 대한 시계열적인 분석 결과 2003년부터 2018년에 이르기까지 기대수명 증가량은 0.0211년씩 점차 감소하는 경향이 나타났다. 심혈관 질환으로 인한 사망은 우리나라의 기대수명 증가에 대해 가장 기여도가 큰 요인이었으나 시간이 지남에 따라 점차 감소하는 경향이 나타났다. 심혈관 질환의 기여도는 2003∼2006년 기간 동안 0.506년이었으나, 2015∼2018년 기간 동안 0.218세로 감소하였다. 달리 분류되지 않은 증상, 징후와 질병이환 및 사망의 외인의 경우 기대수명을 증가시키는 방향으로 기여하고 있었으나 2015∼2018년 기간 동안에는 뚜렷한 기여도를 보여주지 않았다. 호흡기 질환으로 인한 사망은 2015∼2018년 기대수명을 가장 감소시키는 방향으로 기여하였다. 결론적으로 2018년 기대수명이 2017년에 비해 크게 증가하지 않은 이유는 (a) 2018년도 이전부터 기대수명 증가에 대한 뇌혈관질환 사망의 기여도가 지속적으로 감소하였고 기대수명 감소에 대한 폐렴 사망의 기여도는 지속적으로 커졌으며, (b) 상세불명의 사망과 자살과 같은 사망원인에서 2018년에 갑작스러운 사망률 증가의 효과가 결합한 결과라고 할 수 있다. According to the most recent annual report released by Korea Statistics, the life expectancy at birth (for both sexes) in 2018 was 82.7 years, an increase of 0.0 years over 2017 recording the first stagnation in life expectancy since 1960. In this study, from 2003 to 2018, the mortality probability of the elderly was corrected using the Kannisto-Thatcher method, a time-series analysis was conducted of trends in life expectancy, and causes of death were analyzed using the Arriaga decomposition method. The time trend analysis on yearly life expectancy changes indicated that, in Korea, there has been a tendency of 0.0211 years decrease per calendar year in yearly life expectancy increase between 2003 and 2018. The contribution of cardiovascular diseases, the most important contributor to life expectancy increase in Korea, has gradually decreased over the periods. The contribution by cardiovascular diseases to the life expectancy increase was 0.506 years in 2003∼2006, but decreased to 0.218 years in 2015∼2018. The positive contributions by ill-defined causes and external causes to life expectancy increase detected in previous periods were not evident in 2015∼2018. Diseases of respiratory system made the largest negative contribution both between 2015 and 2018 and between 2017-2018. The life expectancy stagnation in 2018 could be understood as the combined effect of (a) a decreasing momentum in the magnitude of life expectancy increase and (b) a chance event in 2018 in life expectancy changes.

교육 수준이 주요 심혈관계질환 위험요인과 심혈관계질환에 미치는 인과적 영향: 멘델 무작위 분석

장영수 서울대학교 대학원 2023 국내박사

건강불평등 연구에서 사회경제적 요인이 건강에 미치는 인과적 영향은 중요한 주제다. 사회경제적 위치가 높을수록 건강 상태가 더 좋게 나타나는 결과는 기존의 많은 관찰연구를 통해 알려졌다. 지금까지 반복된 관찰연구 결과에서 사회경제적 위치와 건강 상태 사이의 강한 연관성이 알려졌지만, 사회경제적 위치가 건강에 미치는 인과성을 탐구하는 연구가 필요하다. 연관성은 인과성을 의미하는 것이 아니기 때문이다. 개인의 건강에 영향을 주는 원인은 다양하다. 연령, 성별, 거주지역, 유전적 요인, 건강 행태 등의 수많은 요인들이 서로 복잡하게 작용한다. 우리가 알고자 하는 특정 요인만 골라내어 건강에 미치는 인과적 영향을 파악하는 것은 어려운 일이다. 특정 원인과 결과 사이의 인과성을 살피는 데 가장 큰 걸림돌은 역인과성과 교란작용이다. 역인과성과 교란작용을 통제하기 위한 연구 방법은 무작위 배정 연구가 있다. 하지만 무작위 배정 연구는 시간과 비용이 많이 들고 윤리적 문제가 존재하기 때문에 모든 연구를 무작위 배정 연구로 진행할 수 없다. 인과성을 탐구하는 또 다른 연구 방법에는 도구변수를 이용하는 방법이 있다. 도구변수는 3가지 조건을 만족시키는 변수를 말한다. 첫째, 도구 변수는 독립변수와 연관되어 있다. 둘째, 도구 변수는 오직 독립변수를 통해서만 결과변수에 영향을 준다. 셋째, 도구변수는 독립변수와 결과변수 사이의 어떠한 교란변수와도 연관되지 않아야 한다. 멘델 무작위 분석은 독립변수와 관련된 단일염기서열 다형성(single nucleotide polymorphisms, 이하 SNP)를 도구 변수로 놓고, 독립변수와 결과변수 사이의 인과성을 분석하는 방법이다. 유전자는 부모로부터 50% 확률로 무작위하게 전달되기 때문에, 독립변수와 연관이 있는 것으로 알려진 유전자 변이를 도구변수로 설정할 수 있다. 유전자가 무작위하게 전해지는 것을 무작위 배정과 유사하다고 가정할 수 있다. 멘델 무작위 분석에서 도구변수로 사용하는 유전자 변이는 도구변수의 조건을 만족시켜야만 한다. 이 연구는 질병관리청 국립보건연구원 산하 국립중앙인체자원은행에서 제공하는 한국인유전체역학조사사업(Korean Genome and Epidemiology Study, 이하 KoGES) 코호트 자료를 활용하였다. KoGES 코호트는 지역사회 기반 코호트, 농촌 코호트, 도시 코호트, 쌍둥이-가족 코호트 등으로 구성되어 있다. 각각의 코호트는 역학 정보와 유전 정보를 함께 제공하고 있으며, 본 연구는 지역사회 기반 코호트, 농촌 코호트, 도시 코호트 자료를 사용하였다. 본 연구에서 다루게 될 주요 분석 방법은 크게 2가지로 구분할 수 있다. 첫째, 교육 수준을 예측하는 유전 변이를 GWAS 분석을 통해 찾는다. 둘째, 교육 수준을 예측하는 유전 변이를 도구변수로 놓고 결과변수인 주요 심혈관계질환 위험요인과 심혈관계질환에 대한 멘델 무작위 분석을 실시한다. 멘델 무작위 분석은 KoGES 코호트 통합 자료를 이용한 1-표본 멘델 무작위 분석(one sample Mendelian randomization), 도시 코호트와 지역사회/농촌 코호트를 나누어 2-표본 멘델 무작위 분석(two sample Mendelian randomization)을 실시하였다. 교육 수준은 교육 연한으로 변환하여 분석했다. 무학은 0년, 초등학교 중퇴는 3년, 초등학교 졸업 및 중학교 중퇴는 6년, 중학교 졸업 및 고등학교 중퇴는 9년, 고등학교 졸업은 12년, 전문대 졸업은 14년, 대학교 졸업은 16년, 대학원 이상은 18년의 연한으로 변환하였다. 전체 연구집단의 평균 교육 연한은 11.1년이었으며, 1 표준편차에 해당하는 교육 연한은 4.0년이었다. GWAS 분석에 앞서 자료의 질 관리를 실시하였다. 전체 유전 정보는 국립자원인체자원은행에서 대체(imputation)을 실시하여 제공되어 유전 정보의 결측치는 없었다. 전체 SNP은 8,056,211개에서 마이너 대립유전자 빈도 1% 이하인 9,770개를 제외하였다. 하디-와인버그 검정을 실시해 멘델 유전법칙을 따르는 SNP를 남겼으며, 5e-6을 기준으로 72,098개 SNP을 제외하였다. 마지막으로 LD 전정(pruning)을 실시해 7,135,046개의 SNP을 제외해 총 839,297개의 SNP를 남겼다. 위 과정을 통해 추출한 839,297개 SNP 중에서 교육 연한을 예측하는 SNP을 찾기 위해 도시 코호트와 지역사회/농촌 코호트 두 경우에서 추출하였다. 이는 교육 수준을 예측하는 SNP의 재현가능성(replication)을 위해 실시하였다. 도시 코호트에서는 126개의 SNP가 산출되었고, 지역사회/농촌 코호트에서는 163개 SNP가 산출되었다. 두 경우에서 중복되는 SNP 55개를 본 연구의 멘델 무작위 분석에 이용하였다. P-value는 5e-5를 기준으로 했으며, p-value가 5e-6일 때는 33개의 SNP를 추출하였고, 5e-7일 때는 13개의 SNP를 추출하였다. 멘델 무작위 분석은 p-value에 따라 계산하였다. 심혈관계질환에서 1-표본 멘델 무작위 분석을 통해 역분산가중치(inverse variance weighted, 이하 IVW)로 계산된 오즈비(Odds ratio, 이하 OR)는 p-value 5e-5일 때 0.76, 5e-6일 때 0.74, 5e-7일 때 0.73이었다. 이는 1 표준편차의 교육 연한인 4.0년이 증가하면 심혈관계질환 위험이 24% 낮음을 뜻한다. 2-표본 멘델 무작위 분석에서 역분산가중치로 계산된 오즈비는 p-value 5e-5일 때 0.72, 5e-6일 때 0.68, 5e-7일 때 0.69이었다. 이는 1 표준편차의 교육 연한인 4.0년이 증가하면 심혈관계질환 위험이 28% 낮음을 의미한다. 심혈관계질환 위험요인에 대한 멘델 무작위 분석 결과, 1-표본 멘델 무작위 분석에서 고혈압의 오즈비는 0.72, 당뇨병의 오즈비는 0.69, 고지혈증의 오즈비는 0.89, 25 kg/m2 이상 비만의 오즈비는 0.90, 30 kg/m2 이상 비만의 오즈비는 0.85, 흡연은 0.69로 나타났다. 2-표본 멘델 무작위 분석에서 고혈압의 오즈비는 0.76, 당뇨병의 오즈비는 0.76, 고지혈증의 오즈비는 0.88, 25 kg/m2 이상 비만의 오즈비는 0.90, 30 kg/m2 이상 비만의 오즈비는 0.85, 흡연은 0.66으로 나타났다. 해외에서 알려진 교육 수준에 대한 SNP와 KoGES 자료 내에서 비교하였다. 해외에서 알려진 SNP은 162개, 74개 SNP이 있었으며, KoGES 자료를 검토했을 때 162개 SNP 중 4개 SNP이 KoGES 자료에 존재했으며, 74개 SNP 중 2개의 SNP이 KoGES 자료에 존재하였다. 본 연구에서 추출한 교육 수준에 대한 55개의 SNP가 각 염색체 내에 어떤 유전자에 위치하는지 살펴보았다. 55개 SNP들은 다양한 유전자에 위치했으며, 1번 염색체에 위치한 MCOLN2 유전자는 음이온 채널 활성에 관여하는 유전자이며, 2번 염색체의 NCMAP 유전자는 마이엘린 관련 단백질과 연관되어 있다. 55개 염색체 중에서 8번 염색체와 12번 염색체에서 SNP들이 많이 분포했는데, 해당 위치에 있는 유전자는 DLGAP2, GIT2, CUX2, ATXN2, ACAD10, NAA25, HECTD4, PTPN11, RPH3A 등이다. 이 유전자들은 시냅스 구성, 신경세포 발달, 대사 관련 효소 등에 대해 기능을 갖고 있다. 특히 8번 염색체의 DLGAP2 유전자는 신경세포 전달과 시냅스 구성에서 중요한 역할을 하는 단백질과 관련이 있으며, CUX2 유전자는 신경세포 증식과 분화에 관련된 요인이다. 비록 이들 변이가 인트론에 위치하였지만, 인트론 변이가 있을 경우 해당 유전자의 영향을 받을 수 있다. 따라서 KoGES에서 추출한 SNP들이 위치한 유전자들의 기능을 고려했을 때, 이 SNP들이 신경전달물질, 신경 발달 등의 유전자 기능에 영향을 받는다고 볼 수 있다. 이 기능들은 교육에 대한 직접적인 경로에 해당하며, KoGES에서 산출한 SNP들이 교육을 예측하는 기전과 연관성이 있다고 해석할 수 있다. 이 연구는 우리나라에서 교육 수준이 심혈관계질환 위험요인과 심혈관계질환에 미치는 인과적 영향을 처음으로 탐구하였다는 점에서 의의가 있다. 심혈관계질환은 중요한 사망원인과 질병부담 원인 중 하나인데, 이번 연구를 통해 교육 수준의 증가가 심혈관계질환 위험도를 감소시키는 크기가 인과적으로 측정되었다. 이 결과를 바탕으로 우리나라에서 사회경제적 불평등을 완화하기 위한 정책의 근거를 세우는 데 도움을 줄 수 있다. 이 연구의 제한점이 있는데, 표본 수가 해외 연구 사례에 비해 부족했다는 점이다. 이러한 제한점을 극복하기 위한 후속 연구와 새로운 자료 구축이 필요하다. 사회경제적 위치 지표를 교육 외에 다른 지표들을 사용할 수 있는지도 후속 연구가 진행해야 할 과제다. 자료 구축이 지속적으로 이루어지면서 표본 수도 더 늘어날 것으로 생각되며 추후에 진행하는 멘델 무작위 분석 연구에도 도움이 될 것이다. 사회경제적 위치가 건강에 미치는 인과적 영향을 밝히는 것은 학문적으로도 중요한 의의가 있으며, 나아가 사회정책적으로 건강불평등 개선을 위한 근거를 제시하는 토대가 된다. The causal effect of socioeconomic factors on health is an important topic in health inequality research. Many observational studies have shown that higher socioeconomic status is associated with better health outcomes. While repeated observational studies have shown a strong association between socioeconomic status and health outcomes, a research that explores the causal effects of socioeconomic status on health is necessary. Because association does not imply causation. There are many factors that affect an individual's health. Age, gender, place of residence, genetics, health behaviors, and many other factors play a role. It is difficult to single out the specific factors we want to know about and determine their causal effect on health. The biggest obstacles to determining causality between a specific cause and effect are reverse causation and confounding. The publicly well-known research method to control for reverse causation and confounding is randomized controlled trial (RCT), but RCT is time-consuming and expensive. All studies cannot be randomized due to ethical issues. Another way to investigate causality is to use instrumental variables. An instrumental variable is a variable that satisfies three following conditions. First, the instrumental variable is related to the independent variable. Second, the instrumental variable affects the outcome variable only through the independent variable. Third, the instrumental variable must not be associated with any confounders between the independent and outcome variables. Mendelian randomization is a method of analyzing the causality between an independent variable and an outcome variable, with single nucleotide polymorphisms (SNPs) associated with the independent variable as the instrumental variable. Since genes are randomly inherited from parents with a 50% probability, genetic variants known to be associated with the independent variable can be set as instrumental variables. We can assume that the random inheritance of genes is analogous to random assignment. In a Mendelian randomization analysis, the genetic variants used as instrumental variables must satisfy the conditions of the instrumental variables. This study utilized data from the Korean Genome and Epidemiology Study (KoGES) cohort provided by the National Biobank of Korea, part of Korea National Institute of Health, the Korea Disease Control and Prevention Agency. KoGES cohorts consist of community-based cohorts, rural cohorts, urban cohorts, and twin-family cohorts. Each cohort provides a combination of epidemiologic and genetic information, and this study used the data from the community-based cohort, rural cohort, and urban cohort. There are two main analytical approaches in this study. First, we use GWAS analysis to identify genetic variants that predict educational attainment. Second, we will conduct Mendelian randomization analysis of major cardiovascular risk factors and cardiovascular diseases as outcome variables, with genetic variants predicting educational attainment as instrumental variables. For the Mendelian randomization analysis, we conducted one sample Mendelian randomization using the combined KoGES cohort data and two sample Mendelian randomization by dividing the urban cohort and the community/rural cohort. Education level was analyzed by converting it to years of education. No schooling was converted to 0 years, elementary school dropout to 3 years, elementary school completion and middle school dropout to 6 years, middle school completion and high school dropout to 9 years, high school completion to 12 years, community college completion to 14 years, university completion to 16 years, and graduate school or higher to 18 years. The mean number of years of education for the entire study population was 11.1 years, with one standard deviation of 4.0 years of education. Data quality control was performed prior to GWAS analysis. Complete genetic information was provided by the National Biobank of Korea, and all genetic data have no missing genetic information due to imputation prior to data delivery. We excluded 9,770 minor allele frequencies of 1% or less from 8,056,211 total SNPs. The Hardy-Weinberg test was performed to retain SNPs that followed Mendelian inheritance, and 72,098 SNPs were excluded based on p-value 5e-6. Finally, we performed LD pruning to remove 7,135,046 SNPs, leaving a total of 839,297 SNPs. From the 839,297 SNPs extracted through the above process, we extracted SNPs from both urban and community/rural cohorts to find SNPs that predicted years of education. This was done to ensure replication of the SNPs predicting years of education. The urban cohort yielded 126 SNPs and the community/rural cohort yielded 163 SNPs. The 55 SNPs that overlapped in both cases were used in the Mendelian randomization analysis of this study. P-values were based on 5e-5, with 33 SNPs remaining at a p-value of 5e-6 and 13 SNPs remaining at a p-value of 5e-7. Mendelian randomization analysis was carried out based on the p-value. In cardiovascular diseases, the odds ratio (OR) calculated by inverse variance weighted (IVW) using a one-sample Mendelian randomization was 0.76 for p-value 5e-5, 0.74 for 5e-6, and 0.73 for 5e-7. This means that a one standard deviation increase of 4.0 years of education is associated with a 24% lower risk of cardiovascular disease. In the two-sample Mendelian randomization, the odds ratios calculated with inverse variance weighting were 0.72 for p-value 5e-5, 0.68 for 5e-6, and 0.69 for 5e-7. This means that a one standard deviation increase of 4.0 years of education is associated with a 28% lower risk of cardiovascular disease. In a one-sample Mendelian randomization analysis of cardiovascular disease risk factors, the odds ratio for hypertension was 0.72, the odds ratio for diabetes was 0.69, the odds ratio for hyperlipidemia was 0.89, the odds ratio for obesity ≥ 25 kg/m2 was 0.90, the odds ratio for obesity ≥ 30 kg/m2 was 0.85, and the odds ratio for smoking was 0.69. In a two-sample Mendelian randomization analysis, the odds ratio for hypertension was 0.76, the odds ratio for diabetes was 0.76, the odds ratio for hyperlipidemia was 0.88, the odds ratio for obesity ≥25 kg/m2 was 0.90, the odds ratio for obesity ≥30 kg/m2 was 0.85, and the odds ratio for smoking was 0.66. We compared the SNPs related to the education attainment known from overseas studies with data from the KoGES cohort. There were 162 and 74 SNPs identified in overseas studies. Upon reviewing the KoGES data, 4 out of the 162 SNPs and 2 out of the 74 SNPs were found in the KoGES data. In this study, we examined where the 55 SNPs related to the level of education are located within each chromosome. These 55 SNPs were located in various genes. The MCOLN2 gene located on chromosome 1 is involved in anion channel activation, and the NCMAP gene on chromosome 2 is associated with myelin-related proteins. Many SNPs were distributed on chromosomes 8 and 12 among the 55 chromosomes, and the genes located at these locations include DLGAP2, GIT2, CUX2, ATXN2, ACAD10, NAA25, HECTD4, PTPN11, RPH3A, and more. These genes have functions related to synaptic composition, neuronal development, and metabolic enzymes. Particularly, the DLGAP2 gene on chromosome 8 is related to a protein that plays an important role in neuronal transmission and synaptic composition, and the CUX2 gene is a factor related to neuronal proliferation and differentiation. Although these mutations are located in introns, the presence of intron mutations could influence the respective genes. Therefore, considering the functions of the genes where the SNPs extracted from KoGES are located, it can be inferred that these SNPs may be influenced by genetic functions such as neurotransmitter and neural development. These functions correspond to the direct pathways related to education, and the SNPs derived from KoGES can be interpreted as having relevance to the mechanisms predicting education. This study holds significance as it is the first to investigate the causal influence of education level on cardiovascular risk factors and cardiovascular diseases in Korea. Cardiovascular disease is an important cause of mortality and burden of disease in Korea, and this study provides a causal measure of the magnitude by which an increase in educational attainment reduces the risk of cardiovascular disease. These findings can be used to inform policies to reduce socioeconomic inequalities in Korea. There are several limitations of this study. The sample size was still insufficient compared to overseas studies. These limitations will need to be addressed through further research and new data collection. It is also a matter for further research to determine whether other indicators of socioeconomic status can be used in addition to education. As we continue to build our data set, we expect the sample size to increase, which will be helpful for future Mendelian randomization studies. Identifying the causal effects of socioeconomic position on health is not only important academically, but also provides a foundation for proposing evidence for reducing health inequality in social policy.