Introduction to the Analysis of Survival Data in the Presence of Competing Risks 🆕 최근 업데이트

authors

Austin et al.

year

2016

category

other

pdf

PDF

source

Source

업데이트

2026-09-06

요약

이 논문은 생존 분석에서 Competing Risks가 존재할 때 적절한 통계적 방법론을 적용하는 중요성과 구체적인 절차를 설명한다. 전통적인 Kaplan-Meier 추정법은 경쟁 사건(예: 비심혈관 사망)을 검열(censoring)함으로써 관심 사건(예: 심혈관 사망)의 발생률을 과대평가(upward bias)한다는 점을 지적한다. 이를 해결하기 위해 Cumulative Incidence Function (CIF)를 사용하여 실제 절대 위험도를 추정해야 하며, 회귀 분석에서는 Cause-specific hazard model과 Subdistribution hazard model (Fine-Gray model) 중 연구 목적에 따라 선택해야 한다. Cause-specific hazard는 인과관계(etiologic questions) 규명에 적합하고, Subdistribution hazard는 임상적 예후 예측(clinical prognosis) 및 위험 점수 시스템 개발에 더 유용하다. Ontario의 심부전 환자 코호트를 이용한 사례 연구에서 CIF를 적용했을 때 5년 내 심혈관 사망 발생률은 Kaplan-Meier 추정치(43.0%)보다 낮은 36.8%로 산출되어 편향의 크기를 입증했다.

방법

이 논문은 통계적 튜토리얼 형식으로 작성되었으며, Ontario, Canada의 Enhanced Feedback for Effective Cardiac Treatment (EFFECT) Study 데이터를 활용한 사례 연구(Case Study)를 포함한다. 연구 대상은 1999년 4월 1일부터 2001년 3월 31일(Phase 1) 및 2004년 4월 1일부터 2005년 3월 31일(Phase 2) 사이에 Ontario의 103개 병원에서 Heart Failure (HF)로 입원한 환자들이다. 상세한 임상 데이터는 훈련된 심혈관 간호사들에 의한 후향적 차트 리뷰(retrospective chart review)를 통해 수집되었다.

분석의 핵심은 경쟁 사건의 존재 하에서 생존 데이터를 처리하는 두 가지 주요 접근법을 비교하는 것이다. 첫째, Crude Incidence 추정 시 Kaplan-Meier 함수의 보완(complement) 대신 Cumulative Incidence Function (CIF)을 사용해야 함을 강조한다. CIF는 $k$번째 원인사건이 시간 $t$ 이전에 발생하고 다른 경쟁 사건보다 먼저 발생하는 확률로 정의된다. 둘째, 회귀 분석에서는 두 가지 모델 가족(families of models)을 제시한다. Cause-specific hazard model은 아직 어떤 사건도 경험하지 않은(event-free) 대상군에서 관심 사건의 순간적 발생률(instantaneous rate)에 대한 공변량의 효과를 추정하며, 이는 전통적인 Cox 비례 위험 모델을 경쟁 사건을 검열하여 적용하는 것과 수학적으로 동일하다. 반면, Subdistribution hazard model (Fine-Gray model)은 관심 사건이 아직 발생하지 않은 대상군(경쟁 사건으로 이미 사망한 자 포함)에서의 위험도를 모델링하여 공변량이 Cumulative Incidence에 미치는 직접적인 영향을 추정한다.

분석에는 R (version 3.1.2)과 cmprsk package (version 2.2–6)가 사용되었으며, SAS와 Stata 코드도 부록에서 제공된다. 사례 연구에서는 심혈관 사망(cardiovascular death)을 관심 사건으로, 비심혈관 사망(noncardiovascular death)을 경쟁 사건으로 설정하여 CIF 추정 및 두 가지 hazard 모델의 결과를 비교했다.

주요 결과

사례 연구에서 Cumulative Incidence Function (CIF)를 사용하여 입원 후 5년 이내 심혈관 사망(cardiovascular death)의 발생률을 추정했을 때, 그 값은 36.8%였다. 이는 경쟁 사건을 검열(censoring)한 전통적인 Kaplan-Meier 방법(1 - Survival function)으로 계산된 43.0%보다 6.2%p 낮은 수치로, Kaplan-Meier 방법이 경쟁 위험 존재 하에서 발생률을 과대평가(upward bias)함을 구체적으로 보여준다. CIF의 중요한 속성인 각 개별 사건의 CIF 추정치 합이 전체 복합 사건(composite outcome)의 CIF 추정치와 일치하는 반면, Kaplan-Meier 추정치의 합은 1을 초과할 수 있다는 점도 확인되었다.

회귀 분석 결과, Cause-specific hazard model과 Subdistribution hazard model은 동일한 공변량에 대해 상이한 해석을 제공했다. 예를 들어, 암(cancer) 진단의 영향에서 두 모델의 결과가 달랐다. Cause-specific hazard ratio (HR)는 0.96으로, 아직 생존 중인 환자군에서 심혈관 사망률(rate of occurrence)에 통계적으로 유의미한 영향을 미치지 않는 것으로 나타났다. 그러나 Subdistribution hazard ratio는 0.82로, 암 진단이 심혈관 사망의 절대 발생 위험(absolute risk/incidence)을 현저히 감소시켰음을 시사한다. 이는 암으로 인한 조기 사망(경쟁 사건)이 심혈관 사망으로 이어질 기회를 차단했기 때문이며, 이 결과는 Subdistribution hazard 모델이 임상적 예후 예측(clinical prognosis)에 더 적합함을 입증한다.

강점

이 논문은 생존 분석에서 흔히 간과되거나 오용되는 Competing Risks 문제를 명확하게 정의하고, 이론적 배경과 실제 적용 방법을 체계적으로 제시한다. Kaplan-Meier 방법의 한계(overestimation of incidence)를 구체적인 수치 예시(43.0% vs 36.8%)로 직관적으로 설명하여 독자의 이해를 돕는다. 또한, Cause-specific hazard와 Subdistribution hazard의 개념적 차이뿐만 아니라, 각각이 해결해야 할 연구 질문(etiologic questions vs clinical prognosis)에 따라 어떻게 선택해야 하는지에 대한 명확한 가이드라인을 제공한다. R, SAS, Stata 등 주요 통계 소프트웨어에서의 구현 코드까지 포함하여 방법론의 실용성을 높였다.

한계

이 논문은 특정 임상 코호트(EFFECT Study)를 예시로 사용하지만, 그 자체가 새로운 임상 발견을 제시하는 연구가 아니라 통계적 방법론에 대한 교육적 튜토리얼이다. 따라서 분석된 심부전 환자 데이터의 세부적인 임상 특성(예: 연령 분포, 동반 질환 비율 등)이나 장기 추적 관찰 결과에 대한 깊은 논의는 제한적이다. 또한, 경쟁 사건 간의 독립성(independence of competing risks) 가정과 관련된 복잡한 생물학적 의존성(biological dependence)을 완전히 해결하는 방법론적 대안보다는 기존 표준 모델(Cause-specific vs Subdistribution)의 선택 기준에 초점을 맞추고 있다.

해석

이 논문은 Survival Analysis를 수행할 때 경쟁 사건의 존재를 무시하면 발생률(incidence)이 과대평가될 수 있음을 경고하며, Cumulative Incidence Function (CIF)와 Fine-Gray model의 사용을 권장한다. 이는 특히 암, 심혈관 질환 등 다중 사망 원인이 공존하는 만성 질환 연구에서 필수적인 통찰을 제공한다. LLM Wiki의 Oncology 또는 Cardiovascular 문헌들을 검토할 때, Kaplan-Meier 곡선만 보고된 논문은 경쟁 위험으로 인한 편향 가능성을 고려해야 하며, CIF와 Subdistribution hazard ratio가 보고된 논문은 더 정확한 절대 위험도(absolute risk) 해석이 가능함을 의미한다. 이 방법론은 임상 예측 모델(clinical prediction models) 개발 시 공변량이 실제 사건 발생 확률에 미치는 영향을 올바르게 추정하는 데 핵심적인 기준이 된다.