[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,155 @@
|
||||
id: wiki-2026-0508-etiology-of-disease
|
||||
title: Etiology of Disease
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-ETDI-001]
|
||||
aliases: [Disease Causation, Pathogenesis, Causal Inference (Medicine)]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, etiology, disease, pathology, causality, genetics, environment]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [medicine, epidemiology, causal-inference, pathology]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: r
|
||||
framework: epidemiology
|
||||
---
|
||||
|
||||
# [[Etiology-of-Disease|Etiology-of-Disease]]
|
||||
# Etiology of Disease
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "질병의 뿌리 찾기: 단순히 눈에 보이는 증상을 치료하는 것을 넘어, 유전적 결함, 바이러스 침투, 환경 오염 등 질병을 일으킨 '근본 원인(Causality)'을 수학적·생물학적으로 규명하여 완치를 목표로 하는 탐구."
|
||||
## 매 한 줄
|
||||
> **"매 disease 의 cause = single agent 가 아닌 web of necessary + sufficient + component causes"**. 매 1840 Henle-Koch 의 single-pathogen postulate → 매 Rothman 1976 sufficient-component model → 매 2026 의 multi-omics + Mendelian randomization + DAG-based causal inference.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
병인학(Etiology-of-Disease)은 질병의 원인과 그 인자들이 질병 발생에 기여하는 메커니즘을 연구하는 의학 및 생물학 분야입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **원인의 분류**:
|
||||
* **Endogenous (내인성)**: 유전적 이상, 대사 장애, 면역 결함. ([[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]]와 연결)
|
||||
* **Exogenous (외인성)**: 바이러스/세균(Bio[[Logic|Logic]]al), 화학 물질/독소(Chemical), 외상/방사선(Physical).
|
||||
* **Multifactorial**: 유전과 환경의 복합적 상호작용. ([[Epidemiological-Modeling|Epidemiological-Modeling]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 원인을 정확히 알아야만 '표적 정밀 치료(Precision medicine)'가 가능하며, 반복되는 질병의 확산 경로 정책을 차단할 수 있기 때문임.
|
||||
### 매 causation models
|
||||
- **Henle-Koch postulates**: 매 isolation, transmission, re-isolation — 매 monocausal infectious era.
|
||||
- **Bradford Hill criteria (1965)**: 9 viewpoints — strength, consistency, specificity, temporality, biological gradient, plausibility, coherence, experiment, analogy.
|
||||
- **Rothman sufficient-component**: 매 disease = sum of "pies", each pie = sufficient cause = set of component causes. 매 same disease 의 multiple sufficient sets.
|
||||
- **Counterfactual / DAG**: 매 Pearl 의 do-calculus, 매 confounder identification.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 '단일 원인 정책(One cause)' 가설이 지배적이었으나, 현대 정책은 수만 개의 유전자 정책과 환경 변수 정책이 얽힌 복합적인 '네트워크 정책적 원인'을 분석하는 시스템 생물학 정책으로 전환됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 생물학적 원인 정책을 넘어, 환자의 '디지털 병인(Digital Etiology)' - 즉, 스마트 기기 사용 패턴 정책이나 수면 정책, 식습관 데이터 정책 등을 분석하여 질병 이전의 전조 증상 정책을 포착하는 연구가 활발함. (Bio-Informatics와 연결)
|
||||
### 매 causal categories
|
||||
- **Necessary**: 매 cause 없이 disease 없음 (예: HIV → AIDS).
|
||||
- **Sufficient**: 매 cause 만 으로 disease (rare in practice).
|
||||
- **Component**: 매 sufficient cause 의 part (예: 흡연 + asbestos + genetic).
|
||||
- **Risk factor**: 매 association 만 — causality 의 unconfirmed.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Enzyme-Inhibition-Kinetics|Enzyme-Inhibition-Kinetics]], [[Epidemiological-Modeling|Epidemiological-Modeling]], Bio-Informatics, [[Scientific-Method|Scientific-Method]], [[Reliability|Reliability]], [[Sustainability|Sustainability]]
|
||||
- **Key Concepts**: Koch's postulates, Genetic predisposition.
|
||||
---
|
||||
### 매 응용
|
||||
1. Smoking → lung cancer (Doll & Hill 1950).
|
||||
2. H. pylori → peptic ulcer (Marshall 1984).
|
||||
3. HPV → cervical cancer (zur Hausen 2008 Nobel).
|
||||
4. APOE4 → Alzheimer (genetic risk, not deterministic).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Bradford Hill scoring
|
||||
```python
|
||||
from dataclasses import dataclass
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
@dataclass
|
||||
class HillCriteria:
|
||||
strength: float # RR or OR
|
||||
consistency: int # # of confirming studies
|
||||
temporality: bool # exposure precedes outcome
|
||||
gradient: bool # dose-response
|
||||
plausibility: bool # mechanism known
|
||||
coherence: bool # fits prior knowledge
|
||||
experiment: bool # RCT / natural experiment
|
||||
specificity: bool
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def hill_score(c: HillCriteria) -> int:
|
||||
score = 0
|
||||
score += 2 if c.strength >= 3 else 1 if c.strength >= 2 else 0
|
||||
score += min(c.consistency // 3, 3)
|
||||
score += [c.temporality, c.gradient, c.plausibility,
|
||||
c.coherence, c.experiment, c.specificity].count(True)
|
||||
return score # ≥7 = strong causal evidence
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Confounder adjustment via DAG (DoWhy)
|
||||
```python
|
||||
import dowhy
|
||||
from dowhy import CausalModel
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
model = CausalModel(
|
||||
data=df,
|
||||
treatment="smoking",
|
||||
outcome="lung_cancer",
|
||||
common_causes=["age", "sex", "ses"],
|
||||
instruments=["tobacco_tax"],
|
||||
)
|
||||
identified = model.identify_effect()
|
||||
estimate = model.estimate_effect(identified, method_name="backdoor.linear_regression")
|
||||
refute = model.refute_estimate(identified, estimate, method_name="placebo_treatment_refuter")
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Mendelian randomization
|
||||
```python
|
||||
# Instrumental variable: SNP → exposure → outcome
|
||||
# (SNP independent of confounders)
|
||||
import statsmodels.api as sm
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
# Wald ratio: beta_outcome / beta_exposure
|
||||
def mendelian_ratio(snp_exposure_beta: float, snp_outcome_beta: float) -> float:
|
||||
return snp_outcome_beta / snp_exposure_beta
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Population attributable fraction
|
||||
```python
|
||||
def paf(prevalence: float, relative_risk: float) -> float:
|
||||
"""Fraction of disease attributable to exposure in population."""
|
||||
return prevalence * (relative_risk - 1) / (1 + prevalence * (relative_risk - 1))
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
# Smoking prevalence 25%, RR for lung cancer 20:
|
||||
print(paf(0.25, 20)) # ~0.83 → 83% of lung cancer attributable to smoking
|
||||
```
|
||||
|
||||
### Sufficient-component pie visualization
|
||||
```python
|
||||
def sufficient_pies(disease: str) -> list[set[str]]:
|
||||
"""Each pie = a set of component causes that together suffice."""
|
||||
return [
|
||||
{"smoking", "genetic_susceptibility"}, # pie 1
|
||||
{"asbestos", "smoking"}, # pie 2
|
||||
{"radon", "smoking", "vitamin_deficiency"}, # pie 3
|
||||
]
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Method |
|
||||
|---|---|
|
||||
| Single pathogen, acute | Koch postulates (modernized) |
|
||||
| Chronic, multifactorial | Bradford Hill + Rothman |
|
||||
| Observational with confounders | DAG + backdoor adjustment |
|
||||
| Genetic causation suspected | Mendelian randomization |
|
||||
| RCT impossible (ethics) | quasi-experiment + sensitivity analysis |
|
||||
|
||||
**기본값**: 매 Bradford Hill + DAG-based confounder adjustment + sensitivity analysis (E-value).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Epidemiology]] · [[Pathology]] · [[Causal Inference]]
|
||||
- 변형: [[Genetic Etiology]] · [[Environmental Etiology]] · [[Multifactorial Disease]]
|
||||
- 응용: [[Drug Discovery]] · [[Public Health Policy]] · [[Precision Medicine]]
|
||||
- Adjacent: [[Bradford Hill Criteria]] · [[Mendelian Randomization]] · [[DAG Causal Inference]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 literature synthesis 의 mechanism aggregation, 매 DAG 의 candidate confounder enumeration, 매 sufficient-component 의 component proposal.
|
||||
**언제 X**: 매 final causation claim 의 LLM 의 의존 — 매 effect estimate 의 source data + statistical method 의 검증 필수.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single-cause thinking**: 매 multifactorial disease 의 monocausal explanation — 매 H. pylori 발견 전 의 stress 의 ulcer 의 단일 cause 의 오해.
|
||||
- **Correlation = causation**: 매 RR 만 으로 causal claim — 매 confounding, reverse causation, selection bias 의 무시.
|
||||
- **Ignoring temporality**: 매 cross-sectional study 의 causal direction 의 결정 X.
|
||||
- **Hill criteria 의 checklist 화**: 매 의 mechanical scoring — 매 viewpoints, not rules (Hill 의 의도).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Rothman & Greenland "Modern Epidemiology" 4th ed, Hernán & Robins "Causal Inference: What If" 2024, Pearl "Causality" 2nd ed).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Hill criteria, Rothman pies, DAG/MR patterns 추가 |
|
||||
|
||||
Reference in New Issue
Block a user