저작자표시-비영리-변경금지 2.0 대한민국 이용자는 아래의 조건을 따르는 경우에 한하여 자유롭게 l 이 저작물을 복제, 배포, 전송, 전시, 공연 및 방송할 수 있습니다. 다음과 같은 조건을 따라야 합니다: l 귀하는, 이 저작물의 재이용이나 배포의 경우, 이 저작물에 적용된 이용허락조건 을 명확하게 나타내어야 합니다. l 저작권자로부터 별도의 허가를 받으면 이러한 조건들은 적용되지 않습니다. 저작권법에 따른 이용자의 권리는 위의 내용에 의하여 영향을 받지 않습니다. 이것은 이용허락규약(Legal Code)을 이해하기 쉽게 요약한 것입니다. Disclaimer 저작자표시. 귀하는 원저작자를 표시하여야 합니다. 비영리. 귀하는 이 저작물을 영리 목적으로 이용할 수 없습니다. 변경금지. 귀하는 이 저작물을 개작, 변형 또는 가공할 수 없습니다.
이학 석사학위 논문
폭염으로
인한
사망과
온열질환
발생률
예측모형
비교연구
아 주 대 학 교 대 학 원
의생명과학과
/
사회보건학전공
김 현 영
폭염으로
인한
사망과
온열질환
발생률
예측모형
비교연구
A Comparison of the Prediction Models for the Impact of
Heat Wave on Total Mortality and Incidence of
Heat-related Illness in the Republic of Korea
지도교수
장 재 연
이 논문을 이학 석사학위 논문으로 제출함.
2013년 8월
아 주 대 학 교 대 학 원
의생명과학과
/
사회보건학전공
김 현 영
김현영의
이학
석사학위
논문을
인준함.
심 사 위 원 장
장
재
연
인
심 사 위 원
이
윤
환
인
심 사 위 원
박
래
웅
인
아 주 대 학 교 대 학 원
2013년 6월 21일
[
국문요약
]
폭염으로 인한 사망과 온열질환 발생률
예측모형 비교연구
기후변화로 인해 지구의 기온이 상승함에 따라 폭염의 빈도와 강도가 증가할 것으로 예측되고 있다. 그리하여 폭염으로 인한 직접적 기전으로 온열질환이 발 생하고 심한 경우 사망에 이를 수도 있다. 이에 따라 고온 현상으로 인한 사망률 에 대한 연관성 연구는 많이 진행되어 왔다. 최근 우리나라에서 고온이 온열질환 발생률에 미치는 영향에 관한 연구가 보고되었으나 폭염으로 인한 사망 및 온열 질환 발생률을 비교한 연구는 없었다. 따라서 본 연구에서는 우리나라의 폭염으로 인한 사망과 온열질환의 발생률 을 예측하는데 가장 적합한 모형을 선정하였다. 그리하여 실시간 폭염예경보시스 템에 적합한 기상 요인을 추정하고 기온 상승에 따른 사망률 모형과 온열질환 발생률 모형 중에 설명력이 높은 모형을 선정하였다. 또한 지역별, 성별, 연령별 로 기온 상승에 따른 사망 및 온열질환 발생률 모형에 대한 설명력, 역치기온과 역치기온 이상에서의 상대위험도를 분석하였다. 기상 요인과 사망 및 온열질환 발생률을 살펴보기 위하여 2001~2012년 6~8월 동안에 기상청으로부터 최고기온, 평균기온, 최저기온, 열지수 등의 기상 자료와 2001~2011년 6~8월 동안에 통계청으로부터 사망 자료 및 2011~2012년 6~8월 동안 에 질병관리본부 응급의료기관 폭염피해 감시체계를 통해 온열질환자 자료를 사용 하여 일별 시계열모형을 구축하였다. 그리고 구간적 회귀 모형(piecewise regression model)을 사용하여 가장 작은 AIC(Akaike's information criterion)값을 나타내는 역치 기온을 선정하고 수정결정계수(Adjusted R2)로 회귀모형의 적합도를 산출하여 고 온에 따른 사망 및 온열질환 발생률에 대한 설명력이 가장 높은 모형을 선정하 였다.기온변화에 따른 사망 및 온열질환 발생률과의 관련성을 분석한 결과, 일 최 고기온 상승에 따른 온열질환 발생률 모형에 대한 수정결정계수가 0.836로 일 최 고기온 상승에 따른 사망률 모형에 대한 수정결정계수 0.058보다 매우 높았다. 그리고 일 최고기온에 따른 온열질환자 모형의 역치기온(threshold temperature)은 30.5℃로 사망자 모형의 역치기온 32℃보다 낮았다. 반면 서울특별시, 경기도, 충 청도의 일 최고기온 상승에 따른 온열질환 발생률 모형이 사망률 모형에 대한 역치기온보다 높았고 설명력이 각각 0.841, 0.724, 0.721이었다. 성별에 따른 설명 력이 높은 모형은 일 최고기온 상승에 따른 여성 온열질환 발생률 모형이었다. 이 모형은 역치기온이 남성보다 높았고, 역치기온 이상에서 1℃ 상승시 상대위험 도가 남성보다 높았다. 연령집단에 따른 설명력이 높은 모형은 65세 이상 연령집 단의 일 최고기온 상승에 따른 온열질환 발생률 모형이었다. 이 모형에 대한 역 치기온(31.9℃)은 사망자 모형과 비슷하였으며 역치기온 이상에서 1℃ 상승시의 상대위험도는 1.803(95% 신뢰구간, 1.723-1.887)로 다른 연령집단에 비해 가장 높 았다. 기온 상승에 따른 건강영향을 보다 민감하게 예측할 수 있으며 가장 유용한 회귀모형은 일 최고기온 상승에 따른 온열질환 발생률 모형이었다. 그리고 지역 별, 성별, 연령별의 일 최고기온 상승에 따른 사망 및 온열질환 발생률 모형에 대한 역치기온과 상대위험도는 서로 다른 결과를 보였다. 일 평균 최고기온이 폭 염주의보 발령기준인 33℃ 보다 높았던 날은 5%이었고 연구 모형에 대한 역치기 온이 폭염 경보 발령기준인 35℃ 보다 높은 연구모형은 없었다. 따라서 온열질환 자 모형으로 상대적 폭염예경보시스템 기준의 재설정이 필요할 것으로 사료된다. 핵심어: 폭염, 사망자, 온열질환자, 역치기온, 구간적 회귀모형
차 례
국문요약 ··· ⅰ 차 례 ··· ⅲ 그림차례 ··· ⅴ 표 차 례 ··· ⅶI. 서 론
··· 01 A. 연구배경 ··· 01 1. 기후변화로 인한 폭염시 건강영향 ··· 01 2. 폭염시 취약 요인 ··· 02 3. 폭염예경보시스템 ··· 03 B. 연구의 가설 및 목적 ··· 06Ⅱ. 연구 대상 및 연구 방법
··· 07 A. 연구 대상 ··· 07 1. 기상 자료 ··· 07 2. 사망 자료 ··· 08 3. 온열질환자 자료 ··· 09 B. 분석 방법 ··· 11 1. LOESS를 통한 기온변화에 따른 사망 및 온열질환의 발생률에 대한 비선형성 분석 ··· 11 2. 수정결정계수(adjusted R2)로 기온변화에 따른 사망 및 온열질환의 발생률에 대한 최적 GAM 선택 ··· 123. AIC을 통한 구간적 선형회귀모형(piecewise regression model)의
Ⅲ. 연구 결과
··· 15 A. 여름철 기온과 사망자 및 온열질환자의 특성 ··· 15 B. 여름철 기온과 사망자 수 및 온열질환자 수간의 관계 ··· 19 C. 기온 상승에 따른 사망 및 온열질환 발생률 예측모형 ··· 21 D. 지역별 일 최고기온 상승에 따른 사망 및 온열질환 발생률 예측모형 ··· 27 E. 성별 및 연령별 일 최고기온 상승에 따른 사망 및 온열질환 발생률 예측모형 ··· 29 1. 성별 ··· 29 2. 연령별 ··· 30Ⅳ. 고 찰
··· 31Ⅴ. 결 론
··· 36참고문헌
··· 37부 록
··· 44ABSTRACT
··· 46그림차례
Fig. 1. Yearly (2001-2012) mean variation of daily maximum, mean, and minimum temperatures and heat index against average values of daily maximum, mean, and minimum temperature in 30 years (1971-2000) during the
summer (June-August) in South Korea ··· 16
Fig. 2. Time series graph of the total number of daily deaths during the
summer (June-August) in South Korea, 2001-2011 ··· 17
Fig. 3. Plot, loess curves(dash line) and smoothing spline(line) of total mortality &
number of heat-related patients against daily weather variables ··· 20
Fig. 4. Plot of AIC(Akaike's information criterion) with piecewise linear model
between mortality and maximum temperature (℃) against the threshold ··· 23
Fig. 5. Regression curves (gray shade : 95% CI bands) for daily all-cause mortality and daily patients with heat related illness on the daily maximum
temperature (℃) ··· 25
Fig. 6. Scatter plots and graphs of piecewise linear model of number of all-cause deaths and total heat-related patients according to maximum temperature during the
표 차 례
Table 1. Mean (SD: standard deviation) of the daily weather variables during the
summer (June-August) in South Korea, 2001-2012. ··· 15
Table 2. Total, mean (SD: standard deviation), minimum, maximum of daily death counts and mortality during the summer (June-August) in South Korea
for each year (2001-2011). ··· 17
Table 3. Total and mean (SD: standard deviation) with the daily number of patients of heat related illness during the summer (June-August) in South Korea
for each year. ··· 18
Table 4. Relationship between daily mortality (all cause, excluding all accidental deaths, previous day (lag 1)) and each temperature indicator. Estimated threshold temperature and relative risk (RR) of daily mortality associated with 1℃
increment of temperature above threshold during the summer (June-August) in South Korea, 2001-2011. ··· 22
Table 5. Relationship between the incidence of patients with heat related illness and each temperature indicator. Estimated threshold temperature (℃) and relative risk (RR)
of heat related illness associated with 1℃ increment of temperature above
threshold during the summer (June-August) in South Korea, 2011-2012. ··· 24
Table 6. Estimated threshold temperature and relative risk(RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of
maximum temperature above threshold during the summer (June-August) in each province and Seoul metropolitan city of South Korea. ··· 28
Table 7. Estimated Threshold temperature and relative risk(RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of maximum temperature above threshold during the summer (June-August)
by gender South Korea. ··· 29
Table 8. Estimated threshold temperature and relative risk (RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of maximum temperature above threshold during the summer (June-August)
I. 서 론
A. 연구배경
1. 기후변화로 인한 폭염시 건강영향
지구온난화에 따른 급격한 기후변화로 인해 지난 100년간(1906~2005년) 지구의 평균기온은 0.74℃ 상승(IPCC, 2007)하였고 우리나라도 연평균기온이 지난 30년 간(1981~2010년) 1.2℃ 상승(0.41℃/10년)하였다(기상청, 2013). IPCC(IntergovernmentalPanel on Climate Change)의 RCP 4.5 시나리오(Representative Concentration Pathways, 온실가스 중배출 시나리오)에 의하면 향후 지구의 기온이 지난 30년(1971~2000 년) 대비 2100년까지 평균기온은 2.5℃로 상승할 것이며, 2100년경에는 한반도를 포함한 동아시아에서 그동안 20년 주기로 나타났던 폭염이 2~5년 주기로 발생할 것으로 예측하였다(IPCC, 2011). 폭염 동안에 고온에 직접적으로 노출되면 우리의 몸은 항상성 유지를 위한 체열조절 능력의 감소로 열경련, 열부종, 열실신, 열탈진, 열사병 등과 같은 온열 질환이 발생하고 심한 경우 사망에 이를 수도 있다(Lugo-Amador, 2004). 또한 사 망자는 고온으로 인해 심혈관계 질환, 호흡기계 질환, 신경계 질환 및 정신과적 질환과 같은 간적접인 기전으로 인해 증가한다(Mastranglo 등 2007; Cheng 등 2010; Bi 등, 2011; Page 등 2012). 이렇듯 폭염의 빈도와 강도가 증가하면서 세계 각국에서 고온으로 인한 피해가 다발하고 있다. 그 대표적인 사례가 2003년 여름에 폭염으로 유럽지역에서 7만여 명의 초과사망자가 발생한 사건이다(Conti 등, 2005; Johnson 등, 2005, Robine 등,
2008). 특히 프랑스의 경우 2003년 여름철 이상 고온으로 약 15,000여명의 초과사 망자가 발생하였다(Pascal 등, 2012). 최근 2010년에 러시아에서 55,736명이 초과 사망하였고 1990~2013년 동안에 일어난 폭염 중에 가장 많은 사망자를 발생한
사건으로 보고하였다(EM-DAT, 2013). 국내에서도 1994년 7~8월 평균 일 최고기 온 35℃ 이상인 날이 15일 발생하였고 서울지역에서는 1993년과 1995년의 같은 기간의 평균과 비교하여 889명의 초과 사망자가 발생하였다(장재연 등, 2003). 한편 폭염으로 인한 응급의료기관에 내원환자는 기간과 지역에 따라 달랐다. 1995년에 미국 시카고에서 발생한 폭염으로 인해 응급의료기관에 내원한 환자가 1994년 같은 기간 대비 2,446명 초과 발생하였다(Rydman 등, 1999). 2006년 폭염 기간 동안에 캘리포니아에서도 응급의료기관의 내원환자와 입원환자는 폭염이 아닌 기간에 비해 각 16,166명과 1,182명 초과 발생하였다. 폭염 기간 중 응급의료기관에 온열질환으로 내원한 환자수는 일 최고기온과 상관관계가 높은 것으로 나타났다(Faigen 등, 2011; 조수남 등, 2012). 미국 노스 캐롤라인의 경우 2008~2010년 폭염기간 동안 응급의료기관에 온열질환으로 내원 한 평균 온열질환자 수는 일 최고기온 90~98℉에서 1℉ 상승시마다 1.4명씩, 98~100℉에서는 15.8명씩 증가했다(Rhea 등 2012). 국내에서도 2012년 여름철 응 급의료기관 기반한 온열질환자를 분석한 결과, 서울의 일 최고기온이 33.9℃ 이 상일 경우 1℃ 상승시마다 91.5배 증가한 것으로 나타났다(Na 등, 2012).
2. 폭염시 취약 요인
동일한 폭염에 노출되어도 상대적으로 피해가 더 크게 발생하는 취약 인구집 단이나 위험을 가중시키는 요인이 있다(Kovats와 Kristie, 2006). 폭염에 대한 취약 요인들은 인구집단의 특성, 물리적·환경적 인자, 사회적 여건, 보건학적 기반시설 등에 의해 사망률과 이환율에 영향을 미치고 있다. 폭염이 건강에 미치는 영향에 대한 지역적 분석 관련 선행 연구를 살펴보면, 2006년 미국 캘리포니아의 경우 폭염으로 인한 온열질환자가 응급의료기관에 가 장 많이 내원한 지역은 중앙 해안지역(온난한 해풍으로 폭염에 덜 순응된 지역) 이었다. 반면 연중 고온인 동남 사막지역에 거주하는 주민들은 상대적으로 온열질환자 발생이 적었다(Knowlton 등, 2009). 즉, 냉한기후 지역에서의 폭염은 사망 률에 영향을 크게 미치고 위도가 높아질수록 온열질환으로 사망할 최소기온은 낮아졌다(Kalkstein, 2000; Keatinge 등, 2000). 성별에 따른 폭염의 영향도 연구에 따르면 여성이 남성보다 더 높은 중심체 온과 표피온도를 갖고 있어 고온에 더 취약하다(Havenith, 2005). 따라서 고온이 건강에 미치는 영향은 대체로 여성이 남성보다 높은 것으로 조사되고 있다 (Stafoggia 등 2006; Ishigami 등, 2008). 폭염의 영향도를 연령별로 분석한 선행연구에서는 노년 인구집단이 폭염에 가장 높은 위험군으로 보고하고 있다(Johnson 등, 2005; Kovats 등, 2006; Pascal 등, 2012). 하지만 성인 인구집단에서도 폭염 기간에 초과 사망자가 발생하는 등 폭염 에 의한 영향이 나타나고 있고(Michelozzi 등, 2005; Kovats 등, 2006, Anderson 등, 2009) 어린이 인구집단 역시 과도한 외부활동으로 인해 열탈진(heat exhaustion)
또는 운동열사병(exertional heat stroke) 등에 취약한 것으로 나타났다(Knowlton 등, 2009; Kravchenko 등, 2013; Kerr 등 2013).
3. 폭염예경보시스템
폭염에 대한 표준화된 정의는 없지만, 기온으로 인한 건강영향은 특정 역치
(threshold)를 가지는 것으로 알려져 있다. 역치값은 인구학적 특성, 지역별 기후 나 지역 주민들의 순응도에 따라 다르다(Kalkstein 등, 1993; Basu와 Samet, 2002). 따라서 폭염에 대한 피해를 최소화하기 위해서는 폭염 기간에 발생한 이환률과 사망률의 양상을 파악하여 특정 역치값을 정하는 것이 매우 중요하다. 이에 효과 적인 방법으로 적시에 폭염예경보를 발령하기 위해서 사망률과 이환률에 영향을 미치기 시작하는 기온, 즉 역치기온(threshold temperature)을 규정하는 연구가 진 행 되어 왔다(Green 등, 2012; Willams 등, 2012). 세계 여러 나라들이 기상변수 중에서도 특히 일 최고기온을 이용하여 폭염특
보를 발령하고 있다(Martiello와 Giacchi, 2010). 우리나라도 마찬가지로 서울지역 의 일 최고기온과 초과사망률의 분석을 통해서 폭염특보를 폭염주의보와 폭염경 보의 두 단계로 구분(박종길 등, 2008)하고 있는데 2012년부터는 열지수를 제외 하고 일 최고기온만으로 폭염특보를 발령하고 있다. 인간은 짧은 시간이라도 고온에 노출되면 사망에 이를 수 있고(Diaz 등, 2006) 폭염 초기에 사망률이 급격히 증가된다(Basu 등, 2002). 따라서 미국, 유럽 등 많 은 나라들이 대표 보건지표로 사망률의 추이를 모니터링하여 폭염예경보를 발령 하고 있다(Lowe 등, 2011, Green 등 2012). 하지만 사망자료의 가용성이 확보되기 까지 약 5~7일 가량 지연이 발생하는 문제가 있다(Michelozzi 등, 2010; Pascal 등, 2012). 특히 우리나라는 즉시 신고의 법적 의무가 없어 수집체계 자체가 신속하 지 못하고 사망 자료의 완비성 미흡으로 현재 상황으로는 실시간 폭염예경보시 스템에 사망자 자료를 적용하기 어렵다(박우성 등, 2006; 서순원 등, 2007). 이러한 문제점을 해결하기 위해 프랑스, 포르투갈, 헝가리 등의 국가에서는 사망 자료 외에 보완 지표로 온열 질환, 응급의료서비스 이용정보, 응급구급차 호출 정보 등을 함께 사용하고 있다(Pascal 등, 2012). 우리나라도 2010년부터 질병관리 본부에서 응급의료기관 기반 폭염 건강피해 사례감시체계로 온열질환자를 집계 하기 시작하여 최근에 고온에 따른 온열질환에 관한 연구가 진행되었다(조수남 등, 2012; Na 등, 2012). 현재까지의 기존연구들은 폭염사건을 중심으로 사망률에 관한 연구는 진행되 어 왔다. 기온변화에 따른 사망률에 관한 연구가 일반적으로 표준 시계열 방법론 을 따르고 설계결과 균일하여 활발히 보고되었다(Åström 등, 2011). 반면, 이환율
(morbidity)에 관한 연구는 비교적 많지 않았다(Kinny, 2008; Michelozzi 등, 2007).
또한 앞서 살펴 본 바와 같이 우리나라는 폭염으로 인한 이환률에 관한 연구가 미흡한 실정이고 기온변화에 따른 사망률과 온열질환자를 비교한 선행연구가 없 었다.
따라서 실시간 폭염예경보시스템을 운영하기 위해 일별 기온과 사망자 수 및 온열질환자 수에 대한 유용성이 높은 예측모형을 선정하여 사망 및 온열질환의
발생률에 대한 양상을 비교할 필요가 있다. 그리고 폭염 기간에 지역별, 성별, 연 령별로 고온에 따른 사망자와 온열질환자에 미치는 영향을 비교하여 폭염으로 인한 건강피해를 최소화 할 수 있는 보건정책 수립의 기초자료로 제공하고자 한 다.
B. 연구의 가설 및 목적
폭염으로 인한 사망률과 온열질환 발생률에 대한 예측모형의 양상은 상이할 것이다. 또한 기온 상승에 따른 사망룰 회귀모형과 온열질환 발생률 회귀모형의 설명력은 차이가 있을 것이다. 상기의 가설을 검증하기 위한 본 연구의 세부 목 적은 다음과 같다. 첫째, 일 최고기온, 일 평균기온, 일 최저기온, 일 열지수 등의 기상 자료 중 사망 및 온열질환의 발생률에 대한 적합도가 가장 높은 모형을 파악한 다. 둘째, 기온 상승에 따른 사망률 모형과 온열질환 발생률 모형 중에 설명력이 가장 높은 모형을 파악한다. 셋째, 기온 상승에 따른 사망률 모형과 온열질환 발생률 모형에 대한 역치기 온과 역치기온 이상에서의 상대위험도를 지역별, 성별, 연령별로 비교 분석한다. 본 연구를 통해 폭염예경보시스템에 대해 인구학적, 지역별 폭염발령 기준의 기초자료로 제공하고자 한다.Ⅲ. 연구 대상 및 연구 방법
A. 연구 대상
연구 대상의 전체 시간적 범위는 2001년부터 2012년 동안에 6월 1일부터 8월 31일까지로 설정하였다. 하지만 기온 상승에 따른 사망 및 온열질환 발생률의 연 구기간은 자료의 확보가 가능한 기간의 제한으로 서로 상이하게 설정되었다. 그리고 모든 자료는 폭염예경보 기준의 단순한 선정을 위해서 우리나라 전 인구의 20.2%(2011년 주민등록인구수 기준)를 차지하고 일 사망자수와 일 온열질 환자 수의 큰 변동성을 나타내는 서울특별시와 그 외의 6개 행정도(경기도, 강원 도, 충청도, 전라도, 경상도, 제주도)로 분류하여 각 일별로 자료를 구축하였다.1. 기상 자료
기상 자료는 연구기간(2001년~2012년, 6~8월)에 근거하여 기상청 요소별 자료 에서 78개 측정소(공동협력기상관측소를 제외한 본청, 지방기상청, 기상대, 기상 관측소)에서 관측된 각 월과 각 일에 대한 최고기온, 최저기온, 평균기온, 상대습 도를 사용하였다. 서울특별시는 1개의 기상대에서 측정되어 제공된 값을 그대로 사용하였다. 하지만 본 연구에서 분류한 지역별(6개 행정도) 일별 기온은 행정구 역에 따라 각 측정지점의 관측값의 평균값을 계산하였다. 그리고 전체 관측값의 평균을 전국 대표값으로 간주하여 분석에 사용하였다. 본 연구는 기온외 습도의 영향을 함께 고려하기 위해 열지수 상승에 따른 사 망률와 온열질환 발생률의 관련성도 함께 분석하였다. 열지수는 기온이 26.7℃이 상의 값을 가질 때에 그 의미를 지니게 되는데 지난 12년 (2001년~2012년, 6~8월) 동안에 일 최고기온의 평균값이 28.3℃, 일 상대습도의 평균값이 76.3%이므로 본 연구는 일 최고기온을 이용하여 일 열지수의 대표치로 산출하였다. Equation 1에화씨기온(℉)과 상대습도(%)를 넣어 열지수(℉)를 산출한 후 기온(℃)과 동일한 단위의 열지수로 전환하였다(Rothfusz, 1990). Equation 1 : HI(℉) × × × × × × × × HI : heat index (℉), T : 일 최고기온(℉) R: 상대습도(%) 최고기온, 최저기온, 평균기온, 열지수 자료는 각 일별로 자료를 구축하였다. 그리고 평년기온(1971~2000년, 6~8월)과 비교하여 본 연구기간의 기온변화를 알 아보기 위해, 기상청으로부터 6~8월 동안의 각 최고기온, 평균기온, 최저기온의 월 평년값에 대한 평균값을 산출하여 사용하였다.
2. 사망 자료
우리나라 사망은 ｢가족관계의 등록 등에 관한 법률｣에 의해 사람이 사망하면 사건 발생 후 1달 이내에 시·구 및 동·읍·면에 신고하는 것이 의무이다. 이때 신 고의무자가 사망진단서나 시체검안서 또는 사망(인우)증명서를 첨부하고 사망신 고서를 작성하여 신고한다. 이렇게 신고된 자료는 시·구 및 동·읍·면 공무원이 인 구동태입력시스템에 입력하며 해당 구·시·군에서 시·도를 경유하여 익월 20일까지 입력된 자료가 통계청에 최종 수집된다. 수집된 사망신고서는 세계보건기구가 제 정한 국제질병분류법(International Classification of Disease) 따라 사망자의 사인이 분류 및 집계된다.통계청의 사망원인 통계연보는 익년 9월에 발표하고 마이크로 데이터는 익년
12월초에 개시하여 2012년 사망 자료는 확보하지 못하였다. 따라서 기온변화에 따른 사망률의 예측모형에 대한 연구기간은 폭염특보 기간과 동일하게 하여
2001년부터 2011년까지 기간의 6월 1일부터 8월 31일까지로 한정하였다. 사망 자료는 통계청에서 운영하는 마이크로 데이터 서비스 시스템을 통해 개 인별 사망원인통계 원시자료(raw data)를 제공 받았다. 사망 자료에 포함된 변수 항목 중에 사망일, 사망장소, 성, 연령을 사용하였다. 본 연구의 지리적 경계가 국내이므로 사망자의 주소지가 국내로 기록된 모든 사람으로 한정하였다. 그리고 사망자 연령집단은 0세에서 114세로 분포하며 활동양상에 따라 취학 인구집단 20세 미만, 경제활동 인구집단 20세 이상 64세 이하, 노년 인구집단 65세 이상으 로 분류하였다. 그리하여 사망 자료의 지역별, 성별, 연령집단은 일별 사망자 수 로 구축하였다. 본 연구는 폭염예경보시스템에 가장 적합한 보건지표를 찾기 위해서 일별 사 망자수 집계를 3가지로 분류하였다. 첫째, 총 사망자, 둘째, 고온에 따른 사망률 과 관련성이 없다고 여겨지는 외인사 및 사고사(ICD-10, V00-Y99)의 경우를 제외 한 사망자(ICD-10, A00–R99), 마지막으로 전일(lag1)의 기온과 사망의 지연효과
(Lag effect)로 인한 사망자로 구분하여 모형에서의 유의성을 검증하고 최종모형 을 선정하였다.
3. 온열질환자 자료
온열질환자 자료는 질병관리본부로부터 응급의료기관 기반 폭염 건강피해 사 례감시체계로 집계된 자료를 제공받았다. 보건복지부와 질병관리본부는 폭염 피해에 대한 신속한 대처를 하기 위해 2010년부터 폭염 건강피해 감시체계를 운영하였다. 2010년에 집계된 온열질환자 자료는 폭염으로 인한 온열질환의 발생여부가 반영되지 않아 본 연구의 자료에 서는 제외하였다. 권역응급의료센터, 전문응급의료센터, 지역응급의료센터, 지역 응급의료기관으로 지정된 총 461개 응급의료기관이 대상이며 2011년에는 396개, 2012년에는 458개의 응급의료기관이 참여하였다. 응급의료기관의 전담자가 내원하는 열실신, 열부종, 열경련, 열탈진, 열사병으로 진단되는 온열질환자 발생현황 을 매일 관할보건소에 보고하고 시·도는 관할 보건소별 보고완료 여부를 승인하 여 해당지역의 폭염 건강피해 현황을 집계하고 최종적으로 보건복지부와 질병관 리본부에서 정보를 취합하였다. 2011년에는 7월 1일부터 9월 3일까지, 2012년에 는 6월 1부터 9월 6일까지 전산 시스템을 통해 정보를 수집하였는데 본 연구에 서는 폭염특보 기간에 맞추어 2011년은 7월 1일부터 8월 31일까지, 2012년은 6월 1일부터 8월 31일까지로 정하였다. 본 연구는 온열질환자 자료에 포함된 변수 항목 중에 성, 연령, 증상 발생일과 시간, 증상 발생 장소를 사용하였다. 연령집단은 4세에서 98세까지이며 사망 자 료와 같이 20세 미만, 20세 이상 64세 이하, 65세 이상으로 분류하였다. 그리하여 온열질환자 자료의 지역별, 성별, 연령집단은 일별 온열질환자 수로 구축하였다.
B. 분석 방법
본 연구는 기상 자료와 각각 사망 자료와 온열질환자 자료를 연결하여 시계 열자료의 형태로 데이터베이스를 구축하였다. 기온변화에 따른 사망 및 온열질환 의 발생률에 대한 에측모형을 분석하기 위해 데이터베이스를 구축하였다.
기본적인 자료의 처리와 기술통계 분석은 SPSS version 19.0(IBM, Armonk, NY, USA)프로그램을 사용하였고 모형 분석들은 R version 3.0.1(The R Foundation for Statistical Computing, version 3.0.1, http://cran.r-project.org)을 사용하였다.
1. LOESS를 통한 기온변화에 따른 사망 및 온열질환의 발생률에
대한 비선형성 분석
일반적으로 기온변화에 따른 사망 및 온열질환의 발생률 관계는 선형적이지 않 다(김소연, 2004; 조수남 등, 2012). 기온변화에 따른 사망 및 온열질환의 발생률 에 대한 잠재적 비선형 모형은 LOESS (locally weighted regression)를 사용하였다.
LOESS는 국소적으로 산점도를 곡선화한 ‘lowess’와 같은 비모수적 회귀추정으로
⋯에 대한 추정에 ⋯부근 영역의 자료만 활용하였다(Cleveland,
1979). 또한 이상점(outlier)이 있더라도 회귀모형이 흔들리지 않도록 로버스트
(robust)한 적합방식을 적용하여 큰 잔차를 갖는 자료점에 대하여는 자동으로 작은
(또는 0의) 가중치를 부여함으로써 영향을 줄여준다(Cleveland 등, 1988). LOESS
는 GAM (Generalized additive model)에 비해 더 유연한 회귀곡면을 제공할 수 있 는 반면 정규분포, 프아송(poisson) 분포 등에 적용하기 어렵다(허명회와 정진훈, 2007). 본 연구는 R version 3.0.1의 패키지 ‘monreg’(Pilz와 Titoff, 2013)를 수행하 여 기온과 사망 및 온열질환의 발생률의 관계에 대한 곡선화(smoothing)를 확인 하였다.
2. 수정결정계수(adjusted R
2)로 기온변화에 따른 사망 및
온열질환의 발생률에 대한 최적 GAM 선택
본 연구에서 사용된 일 사망자 수와 일 온열질환자 수는 단위 시간 및 단위 공간 내에 발생하는 큰 표본 중에서 일정한 평균 발생률을 가지고 무작위로 발 생하게 되는 희귀사건이었다. 따라서 6~8월 기간에 고온으로 일별 사망자 및 온 열질환자 발생횟수 분포는 프아송 분포에 따른다. 본 연구에서 LOESS로 프아송 분포를 적용하여 분석할 수 없으므로 가법적 비선형 모형인 GAM(Hastie와 Tibshirani, 1990)을 이용하여 기온 상승에 따른 사망 및 온열질환 발생률에 관한 최종 모형을 추정할 수 있었다. 그리하여 R version 3.0.1 의 ‘mgcv’, ‘tsmodel’, ‘splines’ 패키지를 수행하였고 GAM의 적합한 모형을 Regression Spline (또는 Spline Smoothing) 알고리즘으로 찾았다. 이 알고리즘은 단순회귀 Y vsX에서 연속인 1차 및 2차 도함수를 갖는 모든 가능한 회귀함수 f()중 1.···,n에서
매듭(knot)을 갖는 natural cubic spline으로 얻어진 값이었다(Clark, 2013; 허명희와 정진훈, 2007). GAM으로 구축된 각 일별 최고기온, 평균기온, 최저기온, 열지수와 각 일별 사망자 수 및 온열질환자 수를 조합한 8가지 모형 중에서 가장 유용성 높은 독 립변수인 기온을 선택하기 위해 수정결정계수를 판정기준으로 사용하였다. 수정 결정계수는 독립변수들이 결과변수를 얼마나 잘 설명해주는가를 나타내는 척도 로 1에 가까울수록 모형의 적합도가 높다. 그리고 결과변수와 특별한 관련이 없 는 설명변수가 추가된다 하더라도 값이 증가하지 않도록 보정을 한 값이다. 따라 서 가장 큰 수정결졍계수를 나타낸 모형에서 기온의 일별 대표치로 선정하였고 대표 일별 기온과 각 일별 사망자 수 및 온열질환자 수를 조합한 2가지 모형 중 에서 수정결정계수를 비교하였다.
3. AIC을 통한 구간적 선형회귀모형(piecewise regression
model)의 역치기온과 상대위험도 추정
GAM은 비모수적 방법이므로 일별 기온변화에 따른 사망 및 온열질환의 발생 률을 구할 수가 없었다. 그리하여 2012년 폭염 동안 고온이 온열질환자에 미치는 영향을 분석한 선행연구를 토대로 구간적 선형회귀모형을 이용하여 초과 사망자 및 초과 온열질환자가 급증하는 변곡점(breakpoints)인 역치기온을 추정하고, 역치 기온 이전 대비 역치기온 이상에서 사망 및 온열질환의 발생률을 구하였다 (Muggeo, 2003; Na 등, 2012). 구간적 선형회귀모형의 최적 변곡점을 찾는 것은 찾기 위해 R version 3.0.1의 패키지 ‘segmented’를 수행하였는데 ‘segmented’는 일 반화 선형모형(Generalized Linear model, GLM)에 근거한다(Muggeo, 2008). 역치기 온을 찾기 위한 독립변수의 구간 범위는 1℃ 단위의 기온별 일평균 사망자 수 및 일평균 온열질환자 수에 따른 분포로 정하였다. 이 모형에 회귀 계수가 달라 지는 지점을 찾기 위해 기온 0.1℃ 단위로 기온의 변화에 따라 모형의 적합도는AIC(Akaike's Information Criterion; Akaike, 1973)를 비교지표로 사용하였다. AIC는
Equation 2와 같이 산출되며 가장 작은 AIC 값을 나타내는 모형에서 역치기온으 로 선정했다 (Fassnacht 와 Koese, 2006).
Equation 2:
AIC=-2log(L)+2(k)
L: 최대우도함수 (Maximized value of the likelihood function)
k: 모형에 사용된 모수의 수
그리하여 선택된 모형의 독립변수인 기온은 어느 특정 지점까지는 사망 및 온열질환의 발생률이 아주 미미하지만 변곡점 이후부터 사망 및 온열질환의 발 생률은 로그 상대 위험 비를 일정하게 증가시키는 관련성을 가진다. 로그 선형 모형으로 구축된 GLM을 분석한 결과, 역치기온 이상의 회귀 계수(b)를 지수화
(exponential)하면 상대위험도(Relative risk, RR)를 추정할 수 있다. Equation 2의 방 법에 따라, 상대위험도 및 95% 신뢰구간 (Confidence interval, CI)를 산출하였다.
여기서 상대위험도는 역치기온 이상에서 1℃ 상승시마다 일별 사망 및 온열질환 의 발생률을 의미한다. Equation 2 : 1) ln 2) i f ln i f ln 3) ln exp exp exp ± 여름철 고온 현상과 대기오염물질이 사망률에 미치는 영향은 선행 연구에 따 라 그 결과가 달랐다(Martiello와 Giacchi, 2010). 본 연구에서는 대기오염물질은 고려하지 않고 분석하였다. 기상 요소 외에 고온이 건강에 영향을 미칠 수 있는 변수로 인구학적 요인
(Demographic factor), 행동 양식 위험요인(Behavior risk factor)을 들 수 있다 (Basu 등, 2002). 하지만 본 연구는 보정에 따른 통계학적 오류를 최소화하기 위해 별도 의 보정 없이 고온에 따른 지역별, 성별, 연령별의 사망자 및 온열질환자의 영향 분석을 위와 같은 방법으로 분석하였다.
Ⅲ. 연구 결과
A. 여름철 기온과 사망자 및 온열질환자의
특성
Table 1은 우리나라 전 지역의 2001년부터 2012년까지 여름철(6월~9월) 기간 의 기온과 상대습도, 열지수의 평균 분포특성이다. 2012년 여름철에 최고기온, 평 균기온, 최소기온의 각 평균값이 가장 높았지만 습도를 고려한 여름철 평균 열지 수는 2001년에 가장 높았다. 한편 2001년과 2012년 여름철은 오히려 평균 열지수 가 평균 최고기온보다 높은 것으로 나타났다.Table 1. Mean (SD: standard deviation) of the daily weather variables during the summer (June-August) in South Korea, 2001-2012.
Year Maximum Temperature ( ℃ ) Mean Temperature ( ℃ ) Minimum Temperature ( ℃ ) Humidity ( % ) Heat Index ( ℃ ) Mean ( SD ) 2001 29.2 ( 2.7 ) 24.5 ( 2.4 ) 20.8 ( 2.7 ) 73.1 ( 7.3 ) 37.8 ( 7.9 ) 2002 27.8 ( 2.7 ) 23.4 ( 2.3 ) 19.8 ( 2.8 ) 74.0 ( 8.2 ) 28.0 ( 4.3 ) 2003 26.7 ( 2.3 ) 22.6 ( 1.9 ) 19.4 ( 2.3 ) 77.3 ( 7.8 ) 25.7 ( 2.6 ) 2004 28.9 ( 3.0 ) 24.3 ( 2.5 ) 20.5 ( 2.9 ) 73.7 ( 10.4 ) 28.0 ( 2.9 ) 2005 28.7 ( 2.6 ) 24.3 ( 2.4 ) 20.8 ( 2.7 ) 76.5 ( 6.3 ) 27.2 ( 2.7 ) 2006 28.2 ( 3.3 ) 23.8 ( 2.8 ) 20.4 ( 2.9 ) 76.8 ( 7.5 ) 26.9 ( 3.2 ) 2007 28.2 ( 2.8 ) 24.0 ( 2.5 ) 20.6 ( 2.8 ) 76.5 ( 7.7 ) 27.0 ( 2.7 ) 2008 28.1 ( 3.2 ) 23.5 ( 2.9 ) 19.8 ( 3.2 ) 77.5 ( 6.2 ) 26.9 ( 2.9 ) 2009 27.7 ( 2.2 ) 23.1 ( 2.0 ) 19.3 ( 2.5 ) 76.0 ( 7.9 ) 26.4 ( 2.5 ) 2010 29.2 ( 2.2 ) 24.6 ( 2.4 ) 21.0 ( 3.3 ) 77.3 ( 8.3 ) 28.2 ( 2.0 ) 2011 28.0 ( 2.3 ) 23.8 ( 2.2 ) 20.4 ( 2.8 ) 79.4 ( 7.7 ) 27.2 ( 2.5 ) 2012 29.3 ( 2.8 ) 24.9 ( 2.5 ) 21.5 ( 2.7 ) 77.3 ( 7.3 ) 35.1 ( 6.8 ) 2001-2012 28.3 ( 2.8 ) 23.9 ( 2.5 ) 20.4 ( 2.9 ) 76.3 (8.0) 28.7 ( 5.4 )
2001년부터 2012년까지 여름철(6월~9월)의 연도별 최고기온, 평균기온, 최저기 온, 열지수의 평균값은 2003년 평균기온의 평균값(22.6℃)만 제외하고 30년(1971
년~2000년, 6~8월)전 평년기온보다 모두 높았다[Fig 1].
Fig. 1. Yearly (2001-2012) mean variation of daily maximum, mean, and minimum temperatures and heat index against average values of daily maximum, mean, and minimum temperature in 30 years (1971-2000) during the summer
(June-August) in South Korea.
Fig 2는 2001년부터 2011년까지 6월~8월에 우리나라의 일별 총 사망자 수에 대한 시계열도이다. 2001년부터 2008년까지 비교적 안정적인 추세를 보이고 있으 나 이후 최근 3년 동안의 추세는 약간의 상승세를 보였다.
Fig. 2. Time series graph of the total number of daily deaths during the summer (June-August) in South Korea, 2001-2011.
Table 2는 2001년부터 2011까지 우리나라의 사망자수의 평균, 표준편차, 최소 값, 최대값을 정리한 것이다. 2009년부터 최근 3년 동안에 사망자수의 평균, 표준 편차, 최소값, 최대값이 매년 증가하고 있었다. 국내 총인구를 고려한 사망률은 만 명당 11.6명에서 12.2명까지 나타났다.
Year Total death Daily death counts Mortality1)
Mean ( SD ) Min Max
2001 57,149 621.2 ( 35.6 ) 548 709 11.9 2002 57,637 626.5 ( 42.5 ) 517 741 12.0 2003 57,967 630.1 ( 32.3 ) 564 729 12.0 2004 58,141 632.0 ( 38.1 ) 557 747 12.0 2005 57,499 625.0 ( 36.5 ) 547 736 11.8 2006 58,200 632.6 ( 32.0 ) 550 699 11.9 2007 57,796 628.2 ( 29.2 ) 565 705 11.7 2008 57,382 623.7 ( 34.8 ) 543 736 11.6 2009 58,695 638.0 ( 30.7 ) 581 726 11.8 2010 61,559 669.1 ( 35.5 ) 591 756 12.2 2011 61,637 670.0 ( 32.3 ) 610 754 12.1 2001-2011 643,662 636.0 ( 38.2 ) 517 756 11.9
Table 2. Total, mean (SD: standard deviation), minimum, maximum of daily death counts and mortality during the summer (June-August) in South Korea for each year (2001-2011).
최근 2년간 온열질환자 수를 살펴보면 2012년 7, 8월에 발생한 온열질환자가 2011년의 온열질환자보다 많이 발생했다. 특히 2012년 8월에 발생한 온열질환자 는 2011년에 비해 3.2배 더 많이 발생한 것으로 나타났다. 다만 폭염 건강피해 감시시스템은 2011년 7월부터 운영하여 6월에 발생한 온열질환자는 비교할 수가 없었다<Table 3>. Month
Year 6 7 8 Total Mean SD Min Max
20111) - 253 176 429 6.9 10.0 0 65
2012 57 378 540 975 10.6 16.7 0 65
Table 3. Total and mean (SD: standard deviation) with the daily number of patients of heat related illness during the summer (June-August) in South Korea for each year.
1) Data was provided from July to August by Korea Centers for Disease Control & Prevention Min: minimum, Max : maximum
B. 여름철 기온과 사망자 수 및 온열질환자 수간의 관계
일별 최고기온, 평균기온, 최저기온, 열지수의 변화에 따른 사망자 수와 온열 질환자 수의 변화를 살펴보았다. 모두 비선형 모형임을 관찰되었다. 최고기온에 따른 사망자 수의 Loess모형은 완만한 상승곡선으로 그려졌고 평균기온, 최저기 온에 따른 사망자 수의 Loess모형은 넓은 ‘U’형 양상을 나타났다. 반면 모든 기 상자료에 따른 온열질환자 수의 Loess모형은 ‘J’형 양상을 보였으며, 특정기온 이 상에서 온열질환자가 급증함을 보였다[Fig 3].Fig. 3. Plot, loess curves(dash line) and smoothing spline(line) of total mortality & number of heat-related patients against daily weather variables.
Note: the loess curve and smoothing spline are fitted with α=0.5, locally linear functional form (λ=1), and robustness iterations.
C. 기온 상승에 따른 사망 및 온열질환 발생률 예측모형
일별 최고기온, 평균기온, 최소기온, 열지수 중에서 사망률과 가장 적합도가 높은 모형을 추정한 결과, 최저기온 상승에 따른 사망률 모형의 수정결정계수가 0.073으로 가장 높았으나 유의확률이 0.39로 유의하지 못했다. 따라서 일 최고기 온 상승에 따른 사망률 모형에 대한 수정결정계수가 0.058로 다른 기상변수에 비 해 가장 높게 나타났다. 하지만 일 최고기온이 일 사망자의 변량을 5.8%만큼 표 본회귀선에 적합한 것으로 회귀모형의 적합도는 낮았다<Table 4>. 기온 상승과 관련성이 없다고 여겨지는 외인사 및 사고사(ICD-10, V00-Y99)를 제외한 사망자(ICD-10, A00–R99)와 일 최고기온으로 구축된 모형의 수정결정계 수가 0.037로 일 최고기온 상승에 따른 사망룰 모형에 대한 수정결정계수보다 작 은 값이었다. 또한 지연효과(lag 1)로 인한 일 최고기온 상승에 따른 사망률 모형 의 수정결정계수가 0.028로 외인사 및 사고사를 제외한 사망률 모형보다 작은 값 으로 나타났다<Table 4>. 가장 큰 수정결정계수 값(5.8%)을 나타낸 일 최고기온 상승에 따른 사망률 모 형에 대한 역치기온을 선정하기 위해 AIC를 산출하였다. Fig. 4에서 보는 바와 같이 기온이 32℃일 때 가장 작은 AIC값을 나타내었다. 따라서 이 모형의 역치 기온은 32℃이며 역치기온 이상에서 일 최고기온 1℃ 상승으로 인한 상대위험도 는 1.005(95% 신뢰구간, 1.004~1.006)로 나타났다<Table 4>[Fig. 5, 6]. Table 4에 정리된 다른 기상 자료와 사망률 모형들에 대한 역치기온도 위와 같은 방법으로 산출하였다.Table 4. Relationship between daily mortality (all cause, excluding all accidental deaths, previous day (lag 1)) and each temperature indicator. Estimated threshold temperature and relative risk (RR) of daily mortality associated with 1℃ increment of temperature above threshold during the summer (June-August) in South Korea, 2001-2011.
Daily mortality Daily weather variables Threshold (℃) RR 95% CI p value Adjusted R 2 All cause Max T 32.0 1.005 1.004-1.006 <0.001 0.058 Mean T 23.8 1.003 1.002-1.004 <0.001 0.044 Min T 20.2 1.000 1.000-1.001 0.390 0.073 HI 30.4 1.002 1.001-1.002 <0.001 0.048 Excluding all accidental deaths Max T 31.9 1.004 1.003-1.005 <0.001 0.037 Mean T 24.1 1.002 1.001-1.003 <0.001 0.034 Min T 20.2 1.000 0.999-1.001 0.404 0.065 HI 31.0 1.001 0.995-1.008 <0.001 0.031 All cause (lag 1) Max T 33.4 1.004 1.003-1.004 <0.001 0.028 Mean T 23.8 1.002 1.001-1.003 <0.001 0.030 Min T 19.3 0.999 0.999-1.000 0.202 0.067 HI 28.8 1.001 1.000-1.001 0.010 0.016
Max T: maximum Temperature (℃)
Mean T: mean Temperature (℃)
M in T: minimum Temperature (℃)
HI: heat index (℃)
CI: confidence interval
Fig. 4. Plot of AIC(Akaike's information criterion) with piecewise linear model between
mortality and maximum temperature(℃) against the threshold.
한편 일별 기상 요인에 다른 온열질환 발생률 모형들을 분석한 결과, 모든 기상 요인과 온열질환 발생률와의 모형들에 대한 수정결정계수가 0.51~0.84 분포를 보여 일 최고기온 상승에 따른 사망률 모형에 대한 수정결정계수보다 큰 값을 나타냈 다. 일 평균기온 상승에 따른 온열질환 발생률 모형에서 역치기온이 26.4℃이상 일 때 1℃ 상승에 따른 상대위험도가 1.76 (95% 신뢰구간, 1.711-1.811)으로 가장 컸지만 수정결정계수가 일 최고기온 상승에 따른 온열질환 발생률 모형에서 가 장 큰 값으로 나타나 본 연구에서는 일별 기상변수의 대표치로 최고기온을 선정 하였다. 그리하여 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 역치기 온은 30.5℃로 사망률의 모형에 대한 역치기온보다 1.5℃ 낮았고 역치기온 이상 에서 기온 1℃ 상승으로 인한 상대위험도는 1.628( 95% 신뢰구간, 1.592-1.666)로 일 최고기온 상승에 따른 사망률 모형에 대한 상대위험도 보다 높았다<Table 5> [Fig. 5, 6].
Table 5. Relationship between the incidence of patients with heat related illness and each temperature indicator. Estimated threshold temperature (℃) and relative risk (RR) of heat related illness associated with 1℃ increment of temperature above threshold during the summer (June-August) in South Korea, 2011-2012.
Daily weather variables Threshold (℃) RR 95% CI p value Adjusted R2
Maximum Temperature 30.5 1.628 1.592-1.666 <0.001 0.836
Mean Temperature 26.4 1.760 1.711-1.811 <0.001 0.771
Minimum Temperature 23.6 1.720 1.662-1.781 <0.001 0.506
Heat Index 39.6 1.135 1.128-1.143 <0.001 0.647
CI: confidence interval
R2: coefficient of determination Fig. 5는 일 최고기온 상승에 따른 사망 및 온열질환 발생률의 GAM모형을 구축하여 로그 상대위험도(Log(RR))를 도식화한 것이고 Fig. 6은 구간적 회귀모형 을 적합한 것이다. 일 최고기온 상승에 따른 온열질환 발생률 모형이 사망률 모 형보다 기온이 상승함에 따라 역치기온 30.5℃을 기준으로 로그 상대위험도의 변 화가 뚜렷했다.
Fig. 5. Regression curves (gray shade : 95% CI bands) for daily all-cause mortality and
Fig. 6. Scatter plots and graphs of piecewise linear model of number of all-cause deaths and total heat-related patients according to maximum temperature during the summer (June-August) in South Korea, 2011-2012. Note: Estimated threshold
temperature (℃) and relative risk of heat related illness associated with 1℃
D. 지역별 일 최고기온 상승에 따른 사망 및 온열질환
발생률 예측모형
Table 6은 지역별 최고기온과 사망자 수 및 온열질환자 수를 일별로 구축한 모형에 대한 구간적 회귀분석 결과, 역치기온과 역치기온 이상에서의 상대위험도 를 정리한 것이다. 각 지역마다 일 최고기온이 상승함에 따라 온열질환 발생률 모형들이 사망률 모형들보다 기온이 상승함에 따라 역치기온을 기준으로 로그 상대위험도의 변화가 뚜렷했다. 서울특별시의 일 최고기온 상승에 따른 사망 및 온열질환 발생률 모형에 대 한 적합도가 가장 높았고 온열질환 발생률 모형이 사망률 모형의 역치기온보다 높았다. 이렇듯 일 최고기온 상승에 따른 온열질환 발생률에 대한 역치기온이 사 망률 모형보다 높은 지역은 경기도, 충청도이었다. 이 세 지역은 각 해당 지역의 역치기온이 이상일 때 기온 1℃ 상승시마다 상대위험도가 60% 이상 증가한 것으 로 나타났다. 그 중에서 서울특별시의 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 상대위험도가 가장 높았다. 일 최고기온 상승에 따른 사망률 모형에 대한 상대위험도는 제주도를 제외하 고 모든 지역에서 1% 미만의 상승률로 나타났다. 지역별 일 최고기온 상승에 따 른 사망률 모형 중에 가장 역치기온이 높은 곳은 강원도이고 가장 낮은 곳은 충 청도이었다. 반면 지역별 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 역치기온이 가장 높은 곳은 서울이고 가장 낮은 곳은 강원도이었다.Table 6. Estimated threshold temperature and relative risk(RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of maximum temperature above threshold during the summer (June-August) in each province and Seoul metropolitan city of South Korea.
Region Group Threshold(℃) RR 95%CI p value Adjusted R2
South Korea A 32.0 1.005 1.004-1.006 <0.001 0.058 B 30.5 1.628 1.592-1.666 <0.001 0.836 Seoul A 31.3 1.008 1.006-1.010 <0.001 0.057 B 33.5 1.895 1.759-2.042 <0.001 0.841 Gyeonggi-do A 29.7 1.005 1.004-1.007 <0.001 0.023 B 30.6 1.731 1.641-1.828 <0.001 0.724 Gangwon-do A 33.6 1.005 1.001-1.009 0.010 0.004 B 29.2 1.504 1.341-1.689 <0.001 0.315 Chungcheong -do A 27.1 1.006 1.004-1.009 <0.001 0.021 B 31.4 1.778 1.679-1.885 <0.001 0.721 Jeolla-do A 32.0 1.004 1.003-1.007 <0.001 0.026 B 30.4 1.552 1.487-1.621 <0.001 0.688 Gyeongsang-do A 33.4 1.005 1.004-1.007 <0.001 0.040 B 31.9 1.607 1.527-1.692 <0.001 0.720 Jeju-do A 33.0 1.010 1.003-1.018 0.009 0.006 B 29.7 1.698 1.377-2.093 <0.001 0.139
A: daily death counts (2001-2011)
B: daily patients with heat related illness (2011-2012) CI: confidence interval
E. 성별 및 연령별 일 최고기온 상승에 따른 사망 및
온열질환 발생률 예측모형
1. 성별
성별에 따라 일별 최고기온과 사망자 수 및 온열질환자 수간의 구축한 모형 에 대한 구간적 회귀분석 결과, 일 최고기온 상승에 따른 온열질환 발생률 모형 이 사망률 모형보다 역치기온을 기준으로 로그 상대위험도의 변화가 뚜렷했다. 일 최고기온 상승함에 따라 여성 온열질환 발생률 모형에 대한 수정결정계수 가 가장 높았고, 역치기온과 역치기온 이상에서의 상대위험도가 남성 온열질환 발생률 모형보다 높았다.Table 7. Estimated Threshold temperature and relative risk(RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of maximum temperature above threshold during the summer (June-August) by gender South Korea.
Gender Group Threshold (℃) RR 95% CI p value Adjusted R2
Men A 31.9 1.005 1.005-1.007 <0.001 0.047 B 30.0 1.607 1.565-1.651 <0.001 0.793 Women A 32.1 1.005 1.004-1.007 <0.001 0.032 B 31.9 1.682 1.612-1.756 <0.001 0.825
A: daily death counts (2001-2011)
B: daily patients counts with heat related illness (2011-2012) CI: confidence interval
2. 연령별
연령별에 따라 일별 최고기온과 사망자 수 및 온열질환자 수간의 구축한 모 형에 대한 구간적 회귀분석 결과, 일 최고기온 상승에 따른 온열질환 발생률 모 형이 일 최고기온 상승에 따른 사망률 모형보다 역치기온을 기준으로 로그 상대 위험도의 변화가 뚜렷했다. 65세 이상 인구집단의 일 최고기온 상승에 따른 온열질환 발생률 모형에 대 한 수정결정계수가 가장 높았고, 역치기온과 역치기온 이상에서의 상대위험도가 다른 연령집단의 온열질환 발생률 모형보다 높았다. 연령별 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 역치기온은 20~64세, 20세미만, 65세 이상의 순으로, 일 최고기온 상승에 따른 사망률 모형은 20세미만, 65세 이상, 20~64세 순으로 높은 것으로 나타났다. 20세 미만 사망자 모형에 대한 역치기온이 27.6℃로 역치기온 이상에서 1℃ 상승으로 인한 상대위 험도가 1.02배(95% 신뢰구간, 1.014-1.027)로 나타났다<Table 8>.Table 8. Estimated threshold temperature and relative risk (RR) of mortality and the incidence of patients with heat related illness associated with 1℃ increment of maximum temperature above threshold during the summer (June-August) by age group in South Korea.
Age(year) Threshold (℃) RR 95% CI p value Adjusted R2
0-19 A 27.6 1.020 1.014-1.027 <0.001 0.037 B 31.0 1.503 1.396-1.618 <0.001 0.398 20-64 A 32.5 1.002 1.001-1.004 0.013 0.004 B 29.9 1.576 1.533-1.622 <0.001 0.764 65- A 31.9 1.006 1.006-1.008 <0.001 0.032 B 32.0 1.803 1.723-1.887 <0.001 0.875
A: daily death counts (2001-2011), B: daily patients with heat related illness (2011-2012), CI: confidence interval, R2: coefficient of determination
Ⅳ. 고 찰
본 연구는 폭염으로 인한 건강피해가 최소화 되도록 폭염예경보시스템에 적 합한 모형을 추정하였다. 2001년~2012년 여름철(6~8월) 최고기온, 평균기온, 최저 기온, 열지수 등의 기상 자료 중에 사망률과 온열질환 발생률에 대한 가장 적합 도가 높은 모형을 선정하고 기온 상승에 따른 사망률 모형과 온열질환 발생률의 모형에 대한 설명력을 비교하였다. 또한 기온 상승에 따른 사망률 모형과 온열질 환 발생률 모형에 대해 지역별, 성별, 연령별로 설명력, 역치기온과 역치기온 이 상에서의 상대위험도를 각각 비교하였다. 최고기온, 평균기온, 최저기온, 열지수 등 기온과 관련된 기상변수와 사망 및 온열질환 발생률 예측모형에 대한 설명력의 차이가 컸다. 총사망자, 외인사 및 사고사를 제외한 사망자, 지연효과를 반영한 사망자 등 사망 자료와 고온과의 관 계를 분석한 결과, 수정결정계수가 모두 6%이하였고 그 중에 일 최고기온 상승 에 따른 사망률 모형의 수정결정계수가 가장 컸다. 반면 기온 상승에 따른 온열 질환 발생률 모형들의 수정결정계수는 65%이상이었다. 그리고 일 최고기온 상승 에 따른 온열질환 발생률 모형에 대한 수정결정계수가 가장 크기 때문에 폭염예 경보시스템에 가장 적합하다고 볼 수 있다. 그뿐만 아니라 지역별, 성별, 연령별 일 최고기온 상승에 따른 온열질환 발생률 모형이 사망률 모형보다 설명력이 높 았다. 전 세계 여러 나라에서는 폭염으로 인해 초과사망자가 발생하여 폭염감시체 계에 대표 보건지표로 총 사망자를 적용하고 이에 관한 많은 연구사례가 있다 (Lowe 등, 2011; Pascal 등, 2012). 폭염으로 인한 가장 큰 피해는 초과사망자의 증가이다. 하지만 총 사망자는 정확한 데이터의 수집에 지연이 발생하는 한계점 을 가지고 있다. 실제 우리나라의 사망자 집계는 1년 후에 완성되어 폭염이 발생 해도 피해규모가 어느 정도인지를 실시간 또는 수개월내에도 집계가 불가능한 실정이다. 따라서 사망자 일일집계가 이루어지지 않는 상황에서 정확한 문제와효과를 파악하는데 한계가 있어 불완전한 폭염감시대책을 실행하고 있다(질병관 리본부, 2012). 이런 사망자 집계의 한계로 인해 폭염 감시의 보조지표로 응급의 료기관 내원 환자수, 온열질환자 수 등이 활용되고 있다(Josseran 등, 2009; 조수 남 등, 2012). 폭염으로 인한 질병이나 전염병이 확산시 갑자기 이환자 및 사망자 의 수가 급증할 수 있다. 최근 우리나라 온열질환자에 관한 연구에 의하면 2011 년 주중 보고율이 90.7%이었고(조수남 등, 2012) 2012년 일 최고기온과 온열질환 발생률에 관한 구간적 회귀모형에 대한 설명력은 90.5%로 역치기온 이상에서 온 열질환자가 급증한 것으로 보고되었다(Na 등 2012). 따라서 응급실로 이송 또는 내원한 환자들 중에 온열질환자를 전산망을 통해 집계하면 공중보건 대비책을 신속하게 마련할 수 있을 것이다. 역치기온은 해당 인구 집단의 고온에 대한 노출 정도 및 활동 양상을 반영하 여 폭염예경보 발령의 시기를 결정하는데 근거로 활용될 수 있다(Lowe 등, 2011). 상대위험도는 취약성 및 적응 정도에 의해 결정된다. 역치기온이 낮으면 야외활동이 많거나 냉방시설이 취약한 환경에 노출되는 정도가 높은 것으로 볼 수 있고, 역치기온 이상에서의 상대위험도가 높을수록 기온의 증가에 따른 적응 력이 떨어진다는 것을 의미한다(Na 등, 2012). 따라서 본 연구에서 서울특별시의 일 최고기온 상승에 따른 사망 및 온열질환 발생률 모형에 대한 역치기온이 각 각 32.8℃와 33.5℃로 가장 높게 나타난 것은 고온에 대한 적응 능력이 높아서라 기보다는 고온 환경에 노출되는 빈도와 강도가 낮기 때문일 것으로 추정된다. 지 역별 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 역치기온이 일 최 고기온 상승에 따른 사망률의 모형에 대한 역치기온보다 높은 지역은 서울특별 시, 경기도, 충청도이었으며 보편적인 예측과 다르게 사망자 발생의 위험도가 먼 저 감지되었다. 충청도, 경기도, 서울특별시의 사망자 모형에 대한 역치기온이 각 27.1℃, 29.7℃, 31.3℃로, 폭염주의보(33℃)가 발령되기 전에 사망률이 급증하는 것으로 나타났다. 또한 경기도, 충청도의 일 최고기온 상승에 따른 온열질환 발 생률 모형에 대한 역치기온도 폭염주의보의 기준기온보다 낮았다. 따라서 서울특 별시, 충청도, 경기도의 일 최고기온 상승에 다른 온열질환 발생률 모형에 대한
상대위험도가 70% 이상이고 설명력도 72.1% 이상으로 다른 지역과는 달리 지역 환경에 맞는 폭염예경보시스템이 필요할 것으로 판단된다. 성별 일 최고기온 상승에 따른 사망률 모형에 대한 역치기온과 상대위험도는 남성과 여성 모두 비슷하였다. 보통 사망자 지표는 여성이 남성보다 폭염에 취약 한 것으로 관찰되었지만 모든 연구가 다 그렇지는 않았다(Ledrans, 2006). 일 최 고기온 상승에 따른 남성 온열질환 발생률 모형에 대한 역치기온은 여성 온열질 환 발생률 모형보다 1.9℃ 낮은 것으로 나타났는데 이는 남성이 고온 환경에 노 출되는 빈도와 강도가 상대적으로 높은 것으로 추정된다. 반면 여성 온열질환 발 생률 모형에 대한 상대위험도가 남성보다 높은 것은 고온에 대한 순응도가 남성 보다 낮은 것으로 볼 수 있다(Havenith, 2005). 여러 선행논문에서 노령 인구집단에서 폭염으로 인한 사망률이 높은 것으로 보고되었으나(Pascal 등, 2012; Hémon와 Jougla, 2004) 20세 미만 연령집단의 사망 률 결과는 명확하지 않았다(Pascal 등, 2012). 본 연구에서 20세 미만 연령집단의 일 최고기온 상승에 따른 사망률 모형에 대한 상대위험도가 상대적으로 다른 사 망률 모형들의 상대위험도에 비해 높은 것으로 나타났다. 이에 20세 미만 인구집 단의 외인사 및 사고사로 인한 사망자 비율은 20세 미만 사망자의 40.3%를 차지 하였고 외인사 및 사고사로 인한 사망률 모형에 대한 역치기온 28.1℃ 이상에서 기온 1℃ 상승마다 상대위험도는 1.06배(95% 신뢰구간, 1.050-1.071)로 본 연구의 사망자 분석 중 상대위험도, 수정결정계수가 가장 높은 것으로 나타났다 (Appendix 1, 2). 따라서 20세 미만 인구집단의 상대적으로 전체 사건 중에 낮은 사망률(2.1%) 및 온열질환자 발병률(8.6%)과 낮은 역치기온과 높은 상대위험도로 나타난 결과가 고온에 대한 적응 능력이 낮다고 판단하기 어렵다. 이것은 추가 연구가 필요하다. 20~64세 인구집단의 일 최고기온 상승에 따른 온열질환 발생률 모형에 대한 역치기온은 다른 인구집단에 비해 가장 낮게 나타났으나 반대로 사망자 모형에 서는 역치기온이 가장 높게 나타났고 상대위험도는 가장 낮은 것으로 나타났다. 이는 활발한 경제활동으로 고온 환경에 노출되는 기회가 많기 때문에 온열질환
자가 더 많이 발생하나(Na 등, 2012), 고온 환경에 대한 회피능력이 높아 사망자 가 덜 발생하는 것으로 추정된다. 반면 65세 이상 인구집단은 스스로 고온 환경 을 회피하는 능력이 떨어져 비슷한 역치기온(32℃) 이상에서 온열질환자와 사망 자 발생의 상대위험도가 동시에 높게 나타난 것으로 판단된다. 그리고 노인 인구 집단은 대부분 고온에서 혈전증(thrombosis)의 위험이 증가하여 혈액점도(blood viscosity)를 감소하고 신장기능과 체온조절에 손상되어 사망할 위험에 있다 (Keatinge 등 1986). 본 연구의 여러 모형 중에 폭염주의보의 기준기온보다 역치기온이 높은 연구 모형은 지연성을 고려한 사망률 모형, 서울의 온열질환률 모형, 강원도의 사망률 모형, 경상도의 사망률 모형, 제주도의 사망률 모형이었다. 연구 모형에 대한 역 치기온이 폭염경보 발령기준인 35℃ 보다 높은 연구모형은 없었다. 우리나라의 일 평균 최고기온이 폭염주의보의 발령기준인 33℃보다 높았던 날은 본 연구 기 간(총 1,104일)의 5%(55일)이었고 폭염경보의 발령기준인 35℃ 이상이었던 날은 하루(2012년 8월 5일)이었다. 일 평균 최고기온이 일 최고기온 상승에 따른 온열 질환 발생률 모형에 대한 역치기온 30.5℃보다 높았던 날은 본 연구 기간의 23.5%를 차지하였다. 반면 일 최고기온 상승에 따른 사망률 모형에 대한 역치기 온 32℃보다 높았던 날은 10.7%로 나타났다(Appendix 3, 4). 따라서 현재 폭염특 보로는 사망 및 온열질환 발생률을 감지하기에는 기준기온이 높다고 판단된다. 본 연구의 한계점은 다음과 같다. 첫째, 사망자(2001~2011)와 온열질환자(2011~ 2012)의 수집기간이 서로 다르다. 연구기간과 보건지표의 종류에 따라 역치기온은 달라진다. 우리나라의 사망자 통 계 집계는 익년에 완성이 되므로 2012년 사망 자료를 누락한 상태에서 고온에 따른 사망자와 온열질환자의 단순 비교에는 한계가 있다. 하지만 폭염이 사망자 와 온열질환자에 미치는 영향의 양상을 비교할 수는 있었다. 둘째, 폭염감시체계에 참여한 지역별 응급의료기관이 인구수, 병상수와 비례 한다고 볼 수 없기에 전국 의료기관의 모집단 분포와 다를 수 있다 (Na 등, 2012; 질병관리본부, 2012).
셋째, 축소보고바이어스(under-reporting bias)가 있다. 응급의료기관 기반 온열 질환 폭염 감시 체계는 아직 법적으로 보고의 의무가 없고 자발적 참여로 운영 되었다. 전산화시스템이 2011년부터 운영되어 아직 미정착 단계로 온열질환자 수 가 실제보다 적게 보고 될 수 있다(조수남 등, 2012). 마지막으로 데이터의 보정을 전혀 하지 않았다. 폭염예경보시스템은 실시간으 로 폭염 변화를 세심하게 살펴봐야 하는데 데이터 보정을 미리 한다면 필요한 정보가 보정된 데이터에 가려져서 정확성을 잃어버리는 오류를 범할 가능성이 있다(Gordis, 2008).
