암세포의 무절제한 증식은 먼 부위로 퍼져나가는 능력과 더불어, 암을 생명을 위협하는 병으로 만듭니다. 무엇이 세포로 하여금 자신이 속한 생명체를 파괴하는 능력을 갖게 하는가? 암세포가 숙주 생명체의 죽음을 유도하여, 동시에 암세포 자신까지 파괴할 수 있는 특성을 지니는 것은 크게 모순되어 보입니다.
정상 세포가 암세포로 전환되는 경로는 복잡한 여러 단계의 경로로, 몇 년 동안 진행됩니다. 이런 복잡함에도 불구하고, 암의 발달을 유도하는 여러 원인이 잘 알려져 있습니다. 물론, 대중들은 암을 우연히 이유 없이 일어나는 불가사의한 병으로 생각합니다. 그러나 이러한 잘못된 생각은 200년 전부터 축적된 수많은 과학적인 연구 결과를 고려하지 않기 때문에 갖게 되는 것입니다. 이들 연구는 대부분의 인체 암이 이미 확인된 환경과 생활양식 요소에 기인한다는 필연적인 결과를 도출했습니다.
역학적 접근
일주일 동안 매체에 암의 근본 원인에 대한 새로운 주장이 나타나지 않는 경우는 아주 드뭅니다. 불행히도, 이런 소식은 모순적일 때가 많습니다. 최근 몇 년간 라돈, 살충제, 전자기장, 염색약, 휴대전화, 커피, 피임약 등 수많은 약물이 암의 주요한 원인인가에 관한 구구한 보도가 있었습니다. 어떤 경우, 특정 물질이 암을 일으킨다는 보도가 명확하게 그해에 발표된 후, 다음해 그와 모순되는 다른 연구가 보도되었습니다. 다른 경우에는 정반대의 보고가 몇 주 만에 나타나기도 했습니다.
이런 보도의 모순적인 속성을 고려할 때, 어떻게 새롭고 많은 주장의 정당성을 평가하고, 제안된 암의 원인이 실제 명확한 위험을 나타내는지에 관해 유의한 결정을 내릴 수 있을 것인가? 이 물음에 답하기 위해서는, 어떻게 과학자들이 인체 암의 기본적인 인과관계를 정립하는지를 이해해야만 합니다.
역학자들은 인구집단의 질병 분산 패턴을 연구합니다.
특정 물질이 암을 유발하는 첫 번째 징조는, 주로 인구의 질병 빈도 및 분포를 조사하는 의학의 한 분야인 역학을 통해 밝혀집니다. 어떤 환경에서 누가 어떤 종류의 암에 걸리게 되는지를 추적하고 분석함으로써, 역학자들은 질병의 가능성 있는 기원에 대한 근거를 수집합니다. 이 과정이 어떻게 일어나는지 알기 위해서, 비교 가능한 크기의 인접한 도시인 '공업 지역'과 '청정 지역'의 가상적인 예를 간단히 생각해봅시다. 연구자들이 공업 지역의 방광암빈도율이 청정 지역에 비해서 2배 정도 높다는 것을 밝혀낸 것을 신문에서 봤다고 칩시다. 더구나 신문은 증가된 암발생률의 가능성 있는 원인을 다음과 같이 명시하였습니다. 공업 지역의 화학공장이, 사람들이 도시 속을 운전해 지나가는 정도로도 강한 화학냄새를 맡을 수 있을 정도로 공기를 나쁘게 오염시키고 있습니다. 그와 대조적으로, 청정 지역은 화학공장이 없고 공기가 신선하고 깨끗하게 느껴집니다.
이와 같은 역학적인 증거는 공기 중의 화학오염물질이 사람들에게 방광암을 유발하는 원인이라는 가설을 뒷받침합니다. 암의 잠정적인 원인에 관한 많은 새로운 보도들은 이와 유사한 역학적 관찰을 포함합니다. 이런 자료가 암을 유발하는 요인을 직접 증명할 수 있을까요? 만약 그렇다면 어떤 기준을 먼저 고려해야 할까요?
p값은 역학조사에서 관찰되는 차이점이 사실에 가까운지 평가하기 위한 통계적 도구입니다.
역학적 자료를 평가할 때 고려될 첫 번째 의문은, 관찰된 경향성이 참현상인지 아니면 우연히 일어난 임의의 변동에 의한 것인지에 관한 것입니다. 예를 들어 앞서 언급한 가상적인 뉴스가 공업 지역의 암발생률이 청정 지역보다 2배임을 언급했다고 합시다. 비율(예:'2배의 빈도')과 백분율(예 : 100%) 등의 상대적인 숫자는 비율이나 백분율이 계산될 때 기본이 되는 절대적인 숫자가 가려져 설명되므로 오도될 수 있습니다. '2배의 빈도'라는 암발생률은 단순히 한 인구집단에서 측정된 두 가지 암의 사례 대 다른 비교 가능한 인구집단에서의 한 가지 사례의 경루를 반영할 수도 있습니다. 만약 그렇다면, 얼핏 보아 2배 증가한 암발생률은 임의적인 기회로 인해 쉽게 일어날 수 있는 그 통계적 유의성이 의심되는 경우일 수도 있습니다.
피검 샘플의 크기가 커질수록, 단순히 임의적 변동에 의해 차이가 발생할 가능성은 크게 감소합니다. 이 원리는 친숙한 예인 동전던지기로 설명할 수 있습니다. 동전을 던지면 앞면과 뒷면이 나오는 확률은 같지만, 6번 던졌을 경우 앞면이 나오는 경우가 뒷면에 비해 2배인, 앞면이 4번, 뒷면이 2번이 쉽게 나올 수 있습니다. 앞면 대 뒷면이 특정 비율로 나올 수 있는 진짜 확률을 구하기 위해서는 많은 사례가 필요합니다. 예를 들어 1,000번의 동전던지기 후의 결과는 앞면과 뒷면의 비율이 예상했떤 1:1과 훨씬 가까울 것입니다. 그러므로 사례가 더 많아질수록, 참값을 얻을 가능성이 높습니다.
그렇다면 샘플 크기가 어느 정도의 크기로 큰 것이 적당할까요? 다시 공업 지역에서 방광암이 2배 증가한 가성적인 예로 돌아오면, 만일 과학자들이 공업 지역에서 두 건의 암사례와 청정 지역의 한 건의 사례만 조사했다면 의문이 생길 수 있습니다. 100명이나 1,000명을 조사한 경우, 암의 사례는 보다 강한 인상을 주겠지만, 그것마능로 충분할 것인가? 결과를 신뢰하기 위해서는 얼마나 많은 수가 필요할까요? 그에 해당하는 대답은, 임의로 나타나는 두 측량 값의 차이의 확률을 추정한 값으로, 계산된 통계치인 p값(p value)에서 제공됩니다. p값이란 두 측정치 간에 관찰된 차이가 우연히 일어날 수 있는 확률을 예측하는 것입니다. 설령 그러한 차이가 실제 존재하지 않는다 하더라도 말입니다.
예를 들어 공업 지역과 청정 지역의 자료의 통계분석의 p값 산출치가 0.2라면, 이는 두 도시의 암발생률의 차이가 실제 차이 값보다 0.2(20%) 정도의 가능성으로 달라질 수 있다는 것을 의미합니다. 임의의 변동으로 생각되어 어림잡을 수 있는 20% 기회로 인한 실제 차이는 의미 있는 결론을 도출하기에는 너무 신뢰성 없는 것으로 고려됩니다. 보편적인 경우, 과학지들이 관찰된 차이가 임의의 변동치가 아닌 실제 가능한 숫자의 차이로 받아들이려면, 즉 통계적 유의성이 있는 것으로 결론을 내리기 위해서는 p값이 0.05이하여야 합니다. 물론, 군처럼 작은 p값도 관찰된 차이가 참임을 보증하지는 못합니다. 정의에 따르면, 0.05인 p값은 5%정도의 작은 오차를 가질 수 있다는 것을 의미합니다.