호두의 통계일지

[보건이슈 ] 건보공단 담배소송, 2심도 패소

호두댱 — Thu, 15 Jan 2026 23:37:19 +0900

건보공단 담배소송 2심 패소 심층 분석

2026년 1월 15일 속보

건보공단 담배소송,
2심도 패소

533억 원의 청구, 12년의 공방, 그리고 '0원'의 배상 판결.

Background 소송의 시작과 배경

건보공단은 흡연으로 인해 발생한 암 환자의 치료비를 부담함으로써 건강보험 재정에 막대한 손실이 발생했다고 주장하며 2014년 이른바 '담배 소송'을 시작했습니다.

청구 금액: 533억 원 (2003년~2012년, 10년간 부담한 진료비 일부)
대상 환자: 흡연과 인과성이 매우 높은 폐암(편평상피세포암, 소세포암) 및 후두암 진단을 받은 환자 3,465명
선정 기준: 30년 이상 흡연하고, 하루 한 갑씩 20년 이상(20갑년) 담배를 피운 장기 다량 흡연자들로 한정

⚖️ 판결 심층 분석: 기각의 3대 요인

쟁점 1 '역학적 상관관계' ≠ '법적 인과관계'

법원은 "흡연이 폐암을 유발한다는 역학적(통계적) 상관관계는 인정되나, 이것이 곧바로 개별 환자의 폐암 발병이 오직 피고의 담배 때문이라는 '법적 인과관계'를 증명하는 것은 아니다"라고 판단했습니다. 환자의 생활 습관, 유전적 요인 등 다른 변수를 완벽히 배제할 수 없다는 논리입니다.

쟁점 2 제조물 결함 입증 실패

건보공단은 "담배회사가 중독성을 높이기 위해 성분을 조작했다"고 주장했으나, 법원은 당시 법령 기준을 준수하여 제조된 담배에 '안전성 결여'가 있다고 단정하기 어렵다고 판시했습니다.

쟁점 3 공단의 '직접 청구권' 불인정

재판부는 "건보공단이 지출한 보험급여는 법적 의무에 따른 지출일 뿐, 담배회사의 불법행위로 인해 공단이 직접적인 재산상 손해를 입은 것으로 볼 수 없다"며 청구 자격 자체를 인정하지 않았습니다.

출처: 서울고등법원 2026.1.15 선고 판결문 요약

❝

재판부의 핵심 어조

"특정 흡연자의 폐암이
피고들의 담배 흡연만으로
발생했다고 인정할 증거가 없다."

출처: 법원 공보관실 브리핑

소송 규모 맥락

청구액(533억)은 연간 흡연 진료비(3.5조)의
약 1.5% 수준에 불과

출처: 2024 건강보험 주요통계, 건보공단 내부 추산 자료

한국은 0원, 해외는 조 단위?

해외에서는 주정부나 흡연 피해자들이 담배회사를 상대로 천문학적인 배상금을 받아낸 사례가 있습니다. 반면 한국은 12년 소송 끝에 배상액 '0원'을 기록하며, 사법부가 담배회사의 책임에 대해 매우 보수적인 입장을 취하고 있음을 보여줍니다.

미국 (1998): 46개 주정부와 담배회사 간의 MSA(기본화해협약) 체결.
캐나다 (2015): 퀘벡주 집단소송 1심에서 흡연자 승소 (약 13조 원 배상 명령).

출처: 미국 담배소송합의(MSA), 캐나다 퀘벡주 고등법원 판결문, 국내 언론 종합

⏳ 12년의 법정 공방 일지

2014년 4월 14일

역사적인 '담배 소송' 제기

건보공단, 흡연 피해 구제를 위해 국내 최초 공공기관 담배소송 시작.

청구액: 533억 원 (3,465명 환자의 공단 부담금)
핵심 논리: 빅데이터를 통해 흡연-폐암 인과관계 입증 시도.

2020년 11월 20일

1심 판결: 원고 패소

6년 만의 선고. "흡연과 폐암 사이의 개별적 인과관계 인정 불가."

2026년 1월 15일

2심(항소심) 판결: 항소 기각

서울고법, 1심과 동일한 논리로 공단 패소 판결. 제조물 책임법 적용도 인정하지 않음.

출처: 각 연도별 법원 사건 진행 내역 및 언론 보도 일지

흡연율 감소 vs 진료비 증가

고령화로 인한 누적 피해 비용 증가 추세

출처: 질병관리청 국민건강영양조사, 건강보험통계연보

️ 여론: 책임의 소재는?

법적 판단과 대중 인식의 괴리 존재

출처: 통계청 사회조사 (흡연 및 건강 인식), 관련 여론조사 재구성

[사회조사분석사 2급 필기] 요약 정리

호두댱 — Thu, 15 Jan 2026 23:07:01 +0900

조사방법론

1. 연역적·귀납적 방법

과학적 연구 과정: 이론(전제) → 가설 → 관찰 → 경험적 일반화 (이가관경)
연역적: 이론(전제) → 가설 → 자료 수집 → 검증 → 결론. (위에서 아래)
귀납적: 관찰·자료 → 패턴·규칙 → 이론 형성. (아래에서 위)

2. 기술적 연구

정의: 현상 기술, 현 상태 파악 목적.
유형
- 횡단적 연구: 한 시점에서 여러 집단 비교.
- 종단적 연구: 동일 대상 반복 관측.
  - 패널 연구: 동일 개인 추적.
  - 코호트 연구: 동일 특성(출생연도 등) 가진 집단 추적.
  - 추세 연구: 서로 다른 표본으로 시계열 비교.
- 현장 연구: 자연 상태에서 관찰·조사.

3. 선행변수·매개변수·억제변수·왜곡변수

선행변수: 독립변수보다 앞서 존재, 독립·종속변수 모두에 영향.
매개변수: 독립변수의 영향이 종속변수로 전달되는 경로 중간에 위치.
억제변수: 두 변수 관계를 약화·소멸시킴.
왜곡변수: 관계 방향을 반대로 나타나게 함.

4. 타당도 vs 신뢰도

타당도: 정확성, 측정도구가 의도한 개념을 제대로 측정. (측정하고자 하는 것을 측정하였는가?)
신뢰도: 일관성, 반복 측정 시 동일 결과. (신뢰도 1 = 표준오차 0)
- 측정법: 재검사법, 복수양식법, 반분법(스피어만-브라운), 내적 일치도법

신뢰도가 낮으면 타당도도 낮음. 신뢰도가 높아도 타당도가 낮을 수 있음(잘못된 것을 일관되게 측정할 수 있음)
비유:
- 신뢰도 = 과녁에 같은 위치로 모이는가
- 타당도 = 과녁의 정중앙에 맞는가
- 신뢰도 높고 타당도 낮음 = 계속 옆으로만 잘 맞힘
- 타당도 높으려면 신뢰도가 먼저 높아야 함.

타당도의 종류

측정 타당도: 설문지·검사도구가 개념을 얼마나 잘 측정했나? → 내용·구성·기준타당도 등
- 내용타당성: 개념 전체 영역을 빠짐없이 잘 담았는가? (전문가 판단).
- 구성타당성: 이론 속 개념을 실제로 잘 측정했는가? (수렴·판별).
- 기준타당도: 외부의 신뢰할 만한 기준과 비교했을 때 잘 맞는가?
  - 예측타당도: 미래의 결과를 잘 예측하는가?
  - 동시타당도: 현존하는 신뢰할 수 있는 도구와 잘 일치하는가?

연구 타당도: 연구 결과가 얼마나 믿을 수 있고, 어디까지 적용 가능한가?
- 내적 타당도: 인과관계가 연구 설계 안에서 잘 성립하는가?
- 외적 타당도: 그 결과를 다른 상황·집단에 일반화 가능한가?

타당도 위협 요인 (내적·외적)

내적 타당도 위협
- 역사(History): 실험 외 사건이 종속변수에 영향
- 성숙(Maturation): 시간 경과로 피험자 변화
- 검사효과(Testing): 사전검사 경험이 사후검사에 영향
- 도구효과(Instrumentation): 측정도구 변화로 인한 결과 변화
- 통계적 회귀(Regression): 극단값이 평균에 가까워짐
- 표본선정(Selection bias): 집단 간 본래 차이
- 실험대상 탈락(Attrition)
외적 타당도 위협
- 표본의 대표성 부족
- 실험 상황이 실제와 달라 일반화 불가

타당도 위협 요인 (내적·외적)

검사–재검사 = 동일 도구, 동일 대상, 시간 간격
복수양식 = 다른 문항, 동일 개념, 등가형
반분법 = 한 번 검사, 문항 반으로 나눔
Cronbach α = 문항 간 내적 일관성

5. 척도 유형

명목척도: 분류, 숫자=이름(성별, 지역).
서열척도: 순서만 의미(만족도 순위).
등간척도: 간격 의미 있음, 영점 임의(온도, 지능지수).
비율척도: 절대 영점 존재(길이, 무게, 소득).
분석수준 - 비 > 등 > 서 > 명

6. 자기기입식 조사

응답자가 스스로 문항 읽고 작성(우편·온라인·집단조사).
면접원이 질문·기록하는 전화·대면 면접은 해당 안 됨.

7. 확률표집 & 비확률표집

확률표집: 표본 추출 확률이 알려짐.
- 단순임의표집: 모든 요소 동일 확률.
- 층화표집: 층 내 동질, 층 간 이질(비례/최적/네이만 배분법) → 각 층에서 표본.
- 집락표집: 집락 내 이질, 집락 간 동질 → 일부 집락 전수조사.
비확률표집: 오차범위 계산 불가.
- 할당표집: 모집단 속성 비율에 맞게 할당.
- 판단표집: 연구자가 사전 지식 등으로 판단하여 선정.

8. 척도 개발 시 유의사항

신뢰도·타당도 검증 필수
문항 수는 신뢰도를 높이기 위해 적절히 확보
응답부담 최소화
부정·긍정 문항 혼합(응답 경향성 완화)
Likert 척도: 동의~비동의, 5점/7점 척도
Thurston 척도: 여러 가지 진술에 대해 판단을 내리게 한 후 각 진술에 점수 부여
Semantic Differential: 양극단 형용사 사이에서 평가
Guttman 척도: 동의 항목이 상위 항목 포함 → 단일차원성 검증
- 재생계수: 응답자의 응답이 얼마나 이상적인 패턴이 가까운가
Bogardus 사회적 거리 척도: 집단 간 친밀정도를 측정하고, 개인과 집단 간 관계 규명 가능
Sociometry 척도: 개인을 중심으로 한 개인 간 친밀정도 측정
평정 척도: 응답자가 특정 대상에 대해 숫자나 기호 등으로 범위 내에서 평가 (비비교척도)
척도는 지수보다 더 많은 정보를 제공함.

9. 표본추출방법

모집단 결정 → 표집틀 작성 → 표본추출방법 결정 → 표본크기 결정 → 표본추출 → 자료수집 (모-틀-방-크-추-수)
표집틀: 핵심은 포괄성, 추출확률, 효율성

표집오차: 표본통계량과 모집단 모수의 차이
비표집오차: 표본추출 외 모든 과정(자료 수집, 측정, 처리, 분석 등)에서 발생하는 오차

10. 표본추출 계산 기본

표본크기(n) 산출 공식(비율 추정):
- Z: 신뢰수준에 따른 값 (95%→1.96)
- p: 모집단 비율 추정치, q=1-p
- d: 허용 오차

유한 모집단 보정:

11. 개념적 정의와 조작적 정의

개념적 정의: 어떤 개념을 보다 명확하고 정확하게 표현하기 위하여 다른 개념을 사용하여 정의.
- 연구 대상 개념의 범위와 뜻을 명확히 하지만, 직접 측정은 불가하다.
- 예: “지능 = 학습하고 문제 해결하는 능력”.
조작적 정의: 개념적 정의를 관찰·측정 가능한 지표·절차로 구체화한 것.
- 연구 재현성·타당성을 위해 측정 도구·방법을 명시한다.
- 예: “IQ 검사를 통해 얻은 점수로 지능 측정”.
순서: 보통 개념적 정의 → 조작적 정의로 진행된다.
차이: 개념적 정의는 의미 설명, 조작적 정의는 측정 방법에 초점.

12. 연구 방법 상세

현상학적 연구 – 개인이 경험한 현상의 본질과 의미를 심층적으로 기술·해석하는 질적 연구.
근거이론 연구 – 현장에서 수집한 자료를 바탕으로 개념과 이론을 귀납적으로 생성하는 질적 연구.
민속지학적 연구 – 특정 집단이나 문화의 생활양식과 의미체계를 현지 관찰과 참여를 통해 탐구하는 질적 연구.
내용분석 연구 – 문서·영상·언론 등 자료의 내용을 체계적으로 분류·코딩하여 양적·질적으로 분석하는 연구.
사회성 연구(Sociometry) – 집단 내 구성원들의 인간관계와 친밀 정도를 측정하여 관계망 구조를 분석하는 연구.
투사 연구(Projective Technique) – 모호한 자극에 대한 피험자의 반응을 분석하여 잠재적 성향·태도·욕구를 파악하는 심리측정 기법.
표적집단 연구(Focus Group Interview) – 공통 특성을 가진 소규모 집단을 대상으로 토론·인터뷰를 진행해 심층적 의견과 인식을 수집하는 연구.

동류집단설계 – 유사한 특성을 가진 집단을 구성하여 실험군·통제군으로 나누고 사전·사후 측정을 비교하는 유사실험계.
비동질 통제집단설계 – 무작위 배정 없이 이미 존재하는 서로 다른 집단을 사용해 사전·사후 측정으로 비교하는 유사실험계.
단일집단 반복실험설계 – 한 집단에 여러 번 처치를 달리 적용하고 반복 측정하여 비교하는 유사실험계.
통제집단 사후측정설계 – 실험군과 통제군을 무작위 배정하고 처치 후에만 측정하는 순수실험계.

사회통계

1. 귀무가설과 대립가설

귀무가설(H₀, Null Hypothesis): “효과나 차이가 없다” 또는 “관계가 없다”라는 기본 가정.
대립가설(H₁ 또는 Hₐ, Alternative Hypothesis): 귀무가설이 틀렸을 때 채택되는 가설, 효과나 차이가 있다는 주장.
연구자가 입증하려는 가설.

2. 1종 오류와 2종 오류

1종 오류(Type I Error): 실제로 귀무가설이 참인데 기각하는 오류. α (유의수준).
2종 오류(Type II Error): 실제로 귀무가설이 거짓인데 기각하지 않는 오류. 확률 = β.
1종 오류 확률(α)와 2종 오류 확률(β)은 그대로 더해서 전체 오류 확률이 되지 않음.
→ 서로 다른 상황에서 발생하므로 단순 합산 불가.

3. t-검정 대표 공식

4. F-검정 대표 공식

집단간 자유도: k-1
집단내 자유도: n-k
F분포 성질: X~F(a,b) → 1/X ~ F(b,a)

5. 카이제곱 검정 대표 공식

정규모집단의 모분산 검정에 사용

어떤 동전이 공정한가를 검정하고자 20회를 던져본 결과 15번 앞면이 나왔다. 이 검정에 사용된 카이제곱 통계량?

6. 신뢰구간 계산

7. 최소제곱

8. 분산·표준편차·변동계수

정규분포는 평균을 중심으로 1σ, 2σ, 3σ 구간 내에 포함될 확률이 각각 0.6826, 0.9544, 0.9974

9. 상관계수

10. 왜도·첨도

왜도: 분포의 비대칭성 (정규분포 = 0)
- 양수: 오른쪽 꼬리가 더 김. 오른쪽으로 치우침(왼쪽으로 값이 몰림).
- 음수: 왼쪽 꼬리가 더 김. 왼쪽으로 치우침(오른쪽으로 값이 몰림).
첨도: 분포의 꼬리 두께와 꼭대기 뾰족함 (정규분포 = 3)
- 양수: 꼬리가 두껍고 중앙이 뾰족(극단값 많음).
- 음수: 꼬리가 얇고 중앙이 완만(극단값 거의 없음).

피어슨의 대칭도

11. 제곱합

이때 TSS = (n-1)s2
σ²(오차 분산)의 불편추정값 = SSE/(n-2)

총 자유도 = 전체 관측값 수 N-1
처리 요인 자유도 = 수준 수 a-1
오차 자유도 = 총 자유도 - 처리 자유도

⏱️ 중간개입이 있는 생존자료, SNFTM으로 분석하는 법

호두댱 — Tue, 5 Aug 2025 23:11:36 +0900

지난 글 복습: G-estimation이란?

지난 글에서 우리는 G-estimation에 대해 살펴보았다.

단순한 회귀나 PSM, IPW 방식으로는
시간에 따라 변하는 혼란변수(time-varying confounder)를 다룰 수 없다는 한계가 있었고,
G-estimation은 그런 구조에서 인과효과를 식별할 수 있는 구조적 접근 방식임을 배웠다.

특히, 반복적으로 치료가 이루어지고,

이전 상태가 다음 치료 결정에 영향을 주는 구조에서

G-estimation은 매우 강력한 도구였다.

️ 그런데… 결과가 ‘생존 시간’이라면?

문제는,

우리가 다루는 결과가 단순한 binary outcome이 아니라

시간이 흐르며 발생하는 event (예: 사망, 재발, 합병증 등)일 경우다.

이런 생존자료(time-to-event data)는

기존 G-estimation 형태로는 분석하기 어렵다.

왜냐하면,

사건이 발생할 수도 있고,
발생하지 않은 채 관측이 끝날 수도 있으며,
이벤트가 오직 한 번만 발생하는 경우도 많기 때문이다.

이런 복잡한 생존분석 상황에서 G-estimation을 확장한 것이 바로

SNFTM(Structural Nested Failure Time Model)이다.

이번 글에서는 바로 이 SNFTM이 무엇인지,

왜 필요한지, 어떻게 쓰는지 살펴보자.

⏱️ SNFTM: 생존자료에서 인과효과를 추정하는 구조적 방법

관찰연구에서 종종 이런 상황을 마주한다.

예시: 항암치료와 생존 시간

암 환자들이 있다.

1차 치료 후

→ 6개월마다 종양 크기를 측정하고,

→ 종양이 크면 항암제를 추가로 투여한다.

이 과정은 환자마다 다르다.

환자 A는 치료 1회
환자 B는 치료 3회
환자 C는 치료 없이 지켜보기만 했다

그런데… 치료를 많이 받은 사람이 오히려 빨리 사망했다.

이걸 어떻게 해석할까?

❗ 단순 Cox 회귀의 위험

우리가 단순히

“치료 횟수 vs 사망 위험”을 Cox로 분석하면

치료를 많이 받을수록 사망 위험이 높아 보일 수 있다.

그러나 이건 인과효과가 아니다.

왜냐하면:

종양이 크니까 치료를 더 받은 것이고,
종양이 크면 애초에 예후가 나쁘다.

즉, “치료 여부”는 단순한 변수로 보면 안 되고,

“앞선 상태에 따라 결정되는 개입”이자 “결과에 영향을 주는 요인”이다.

이런 구조에서는 bias가 발생한다.

여기서 필요한 게 바로 SNFTM이다.

SNFTM이란?

Structural Nested Failure Time Model

= 치료가 반복적으로 바뀌는 상황에서

치료가 없었더라면 생존 시간이 어떻게 달라졌을까?

→ 이걸 반사실적으로 추정하는 모델이다.

⏳ 반사실 질문

SNFTM은 이렇게 질문한다:

“이 환자가 치료를 받지 않았더라면, 사망은 언제 일어났을까?”

그리고 그 치료 없는 가상 생존 시간이

치료 여부와 더 이상 관련이 없도록 만드는

그 시점의 ψ가 바로 치료 효과다.

모델 구조 (쉬운 수식)

SNFTM은 이런 구조를 갖는다:

U = T - ψ · A

T: 실제 생존 시간
A: 누적 치료 이력 (치료 여부, 횟수, 강도 등)
U: 치료받지 않았을 때의 생존 시간 (반사실)
ψ: 치료가 생존 시간에 영향을 준 정도 (추정하고자 하는 값)

우리는 ψ 값을 바꿔가며

U와 A가 독립이 되게 하는 시점을 찾는다.

→ 이 ψ가 바로 인과적 치료 효과다.

분석 단계 요약

long format 데이터 생성
- 환자 ID, 시점, 치료 여부, 종양 상태, 사망 여부
treatment-free 생존 시간 계산
- 여러 ψ에 대해 U = T - ψ · A 계산
G-estimation
- U가 A와 독립이 되도록 만드는 ψ 찾기
신뢰구간 계산 및 검증

⚠️ 왜 SNFTM이 중요한가?

상황	Cox	MSM	SNFTM
치료가 한 번만 있음	✅	✅	❌
치료가 여러 번 반복됨	❌	✅	✅
상태에 따라 치료 결정됨	❌	⚠️ 부분 가능	✅ 완전 가능
결과는 생존시간	✅	✅	✅✅✅

SNFTM은 단순 회귀모형이나 가중치 기반 모델이 놓치는

시간의 흐름 속 인과적 변화를 직접적으로 추정할 수 있다.

특히 “치료가 상태에 따라 반복적으로 결정되는 구조”에서 강력하다.

실무 팁

R에서 SNFTM을 직접 구현하려면 estimating function을 코드로 작성해야 함
일반적으로는 Robins’ estimating equation을 활용
참고 문헌:
- Robins JM (1994). Correcting for Noncompliance in Randomized Trials Using Structural Nested Mean Models
- Vansteelandt et al. (2003)

이건 언제 쓰면 되나?

항암치료 반복과 사망률
심부전 치료 반복과 재입원률
비만 치료 반복과 심혈관사건 발생
생활습관 개입 반복과 질병 발생률

이 모든 구조는 “중간에 개입이 있고”,

그 개입이 과거 상태에 따라 결정되며,

결과에 영향을 미치기에 → SNFTM이 필요하다.

정리하며

복잡한 치료 경로 속에서

“치료가 없었더라면 결과는 어땠을까?”를 묻고 싶은가?

게다가 그 결과가 시간에 따라 발생하는 사건이라면?

그럴 때 필요한 도구가 바로 SNFTM이다.

반복적인 개입
상태에 따라 바뀌는 치료
생존자료(time-to-event data)

이 세 조건이 모두 있는 상황에서

SNFTM은 그 자체로 하나의 언어이자 사고법이다.

회귀나 가중치로는 담아낼 수 없는 인과의 시간성을 구조로 풀어낸다.

중간개입이 있는 관찰연구, G-estimation으로 분석하는 법

호두댱 — Sun, 3 Aug 2025 12:50:42 +0900

G-estimation: 인과추론의 숨은 강자

한 환자가 있다.

1년 동안 병원에 여러 번 방문하면서

→ 의사는 그때그때 건강 상태를 보고 약을 조절한다.

→ 약을 먹으면 건강 상태도 달라진다.

이 말은,

약이 건강에 영향을 주고,

건강 상태는 다시 약을 결정짓는 기준이 된다.

즉, 건강 상태(혹은 검사 수치)가

결과에도, 치료 결정에도 영향을 주는 변수인 것이다.

이걸 왜 단순하게 분석하면 안 될까?

단순히 “약을 먹은 사람 vs 안 먹은 사람” 비교하면 헷갈린다.

건강 상태가 나쁜 사람일수록 약을 더 많이 먹고,

약은 건강을 개선하려 하니까,

두 효과가 뒤엉켜서 약의 ‘진짜 효과’를 구분하기 어렵다.

바로 이런 상황에서 필요한 게 G-estimation이다

G-estimation은 이렇게 말하는 방법이다:

“이 사람이 약을 먹지 않았더라면, 건강이 어땠을까?”

“그 예측 결과가 약 복용 여부와 관련이 없게 되는 순간,
바로 그때의 약 효과 추정값이 진짜다.”

즉,

건강 상태가 약 결정에 영향을 주고,

그 약이 다시 건강을 바꿔버리는 구조,

이 복잡한 순환 구조를 뚫고 약의 진짜 효과만 추출하는 방법이다.

왜 ‘중간개입을 통제한다’는 말이 나올까?

방금 본 상황에서

건강 상태는 단순한 confounder가 아니다.

중간에 생긴 개입(Mediator)이다.

예를 들어:

초기 건강 상태 → 약 결정 → 이후 건강 상태 → 약 결정 → 최종 결과

이때 중간중간 들어가는 약의 효과만 따로 떼어내서 보려면,

다음이 필요하다:

“약이 건강에 준 영향”과 “건강이 다시 약에 준 영향”
→ 이 구조 자체를 모델에 담는 것

이게 바로 Structural Nested Model,

그리고 이 모델의 효과를 추정하는 방식이 G-estimation이다.

G-estimation이란?

G-estimation은 structural nested model (SNM)의 파라미터를 추정하는 기법이다.

여기서 SNM은 시간에 따라 변하는 변수들을 다룰 수 있는 모델이다.

즉, time-varying confounder를 보정하기 위한 고급 방법이다.

단순 회귀로는 해결이 안 되는 상황.

예:

환자가 아플수록 약을 더 받는다.
약이 효과가 있다면, 오히려 덜 아픈 사람이 약을 덜 받는다.

이런 복잡한 상황을 해결해주는 것이 바로 G-estimation이다.

왜 ’Structural Nested Model(SNM)’이라고 부를까?

이 용어는 단순히 멋있게 지은 이름이 아니다.

모델의 형식적 구조(structure)와 중첩(nesting)된 인과관계를 반영한 개념이다.

1. Structural (구조적) 의미

“구조적”이라는 말은 여기서 단순한 통계 모델이 아니라,

인과 관계를 수학적 형태로 명시적으로 표현했다는 뜻이다.

즉, 단순히 “치료와 결과가 상관있다”는 수준이 아니라,

“치료를 받았을 때와 안 받았을 때 결과가 어떻게 달라지는가?”를

수식으로 모델링한 것이다.

예: Y(t) = Y(0) + ψ • A(t)
→ 개입이 없었을 때의 결과 Y(0)를 기준으로
→ 개입 A(t)가 얼마만큼 영향을 주는지 ψ로 표현

이처럼 counterfactual outcome을 수식적으로 구조화하는 것이 핵심이다.

이 점에서 일반적인 회귀모델과 구별된다.

2. Nested (중첩된) 의미

‘Nested’는 시간 순서대로 반복적으로 적용되는 모델이라는 의미다.

즉, 시간이 지남에 따라 다단계 구조로 결과가 형성되며,

각 단계마다 이전 단계의 개입이 다음 결과에 영향을 미친다.

예를 들어:

1개월 차 치료 → 2개월 차 결과에 영향
2개월 차 치료 → 3개월 차 결과에 영향
…

이런 구조를 하나의 거대한 모델에 계층적으로(nested) 삽입하는 것.

즉,

Y₃는 Y₂에 의존하고,
Y₂는 Y₁에 의존하고,
Y₁는 baseline에 의존한다.

시간이 지날수록 결과가 계속 중첩(nest)되어 간다.

이 구조를 반영하여 SNM은 time point마다 다른 treatment effect를 고려할 수 있도록 설계되어 있다.

그래서 “nested”라는 말이 들어간 것이다.

그래서 요약하면…

Structural: 인과 관계를 수학적으로 구조화
Nested: 시간에 따라 계층적으로 누적되는 인과 효과 모델링
Model: counterfactual 기반의 수식적 추정 가능

⚙️ 어떻게 작동할까?

핵심 개념은 단순하다.

“만약 어떤 치료를 받지 않았다면, 이 사람의 결과는 어땠을까?”

즉, counterfactual을 추정한다.

구체적 방법은 다음과 같다:

structural nested model을 가정한다.
관측된 데이터를 기반으로 treatment-free outcome을 추정한다.
이 outcome이 treatment에 독립적이 되도록 파라미터를 조정한다.

그 순간, 우리가 원하는 인과 효과가 나타난다.

⏱️ Time-varying confounder? 어떤 상황에서 필요할까?

예를 들어보자.

당뇨환자가 있다.
혈당 수치에 따라 약을 조정한다.
약이 혈당에도 영향을 준다.

이 경우, 혈당은 동시에 confounder이자 mediator가 된다.

전통적인 회귀 모델은 이런 상황에 무력하다.

그러나 G-estimation은 이러한 구조를 모델링 자체에 포함시킨다.

그래서 가능한 것이다.

G-formula, MSM과의 차이점은?

이 셋은 모두 Robins가 만든 것들이다.

하지만 철학이 다르다.

방법	추정 대상	특징
G-formula	전체 평균 효과	모든 변수의 분포를 활용
MSM (Marginal Structural Model)	개입 전략 간 평균 효과	IPTW 활용
G-estimation	개별 구조적 효과	SNM 기반, time-varying confounding에 강함

쉽게 말하면,

G-formula는 전반적인 상황을 시뮬레이션한다.
MSM은 가중치를 준다.
G-estimation은 모델 구조를 직접 활용한다. ️

수식으로 본 G-estimation

조금 기술적으로 보자.

구조적 네스티드 모델(SNM)은 보통 이렇게 쓴다.

Y(t) = Y(0) + ψ × A(t)

여기서

Y(t): t시점의 결과
A(t): 개입 (치료)
ψ: 인과 효과

우리는 ψ를 추정하고 싶다.

G-estimation은 이 ψ가 어느 값일 때 “치료 없는 결과와 독립”이 되는지를 찾는다.

즉, 아래 조건이 성립해야 한다.

E[(Y(t) - ψ × A(t)) | L(t), A(t)] = E[Y(0) | L(t)]

이 조건을 만족하는 ψ가 바로 우리가 찾는 값이다.

실무에서 G-estimation 쓰는 법

실제 데이터 분석에서는 다음과 같은 순서로 접근한다:

데이터 정리
- 시간별로 나누기 (long format)
- time-varying confounder 구조 파악
모델 가정 설정
- 어떤 구조로 인과 모델을 설정할지 정리
treatment-free outcome 계산
- 개입이 없었을 경우의 결과 추정
최적의 ψ 추정
- 이때 결과가 개입과 독립이 되도록 조정
검증 및 감도 분석
- 가정이 얼마나 robust한지 체크

⚠️ 이 방법은 상당한 모델링 능력을 요구한다.

직관보다 수학적 가정에 기반하기 때문에, 이해 없이 사용은 위험하다.

예시: 고혈압 치료 약물의 효과 분석

당신은 관찰연구 데이터를 가지고 있다.

목표는 고혈압 치료 약물이 심혈관 사건을 줄이는 효과가 있는지 추정하는 것이다.

그런데 문제가 있다.

⚠️ Time-varying confounding 발생

환자들의 혈압 수치는 매 방문마다 변한다.

그리고 의사는 혈압 수치가 높을수록 치료를 강화한다.

하지만 아이러니하게도

치료가 혈압 수치에 영향을 주기도 한다.

혈압 ⬆ → 치료 ⬆
치료 ⬆ → 혈압 ⬇

이처럼 혈압은 confounder이자 mediator가 되는 복잡한 상황이다.

전통적인 회귀분석은 이런 구조를 제대로 처리하지 못한다.

G-estimation으로 분석하는 전략

여기서 G-estimation이 등장한다.

분석 단계

구조 가정
- 치료가 없었을 경우의 결과 Y_0를 가정한다.
- 예: 심혈관질환 발생 여부
모델 설정 (SNM)
- 심혈관질환 발생 위험이 치료 강도에 비례하여 줄어든다고 가정
- 예: logit(P(Y=1)) = β0 + ψ × treatment(t)
counterfactual 추정
- 각 환자가 치료받지 않았다면 어떤 결과가 발생했을지 계산
ψ 추정
- 이 때 치료가 결과와 더 이상 상관이 없도록 만드는 ψ를 찾음
- 이 ψ가 바로 치료의 인과 효과를 나타낸다

얻을 수 있는 것

단순한 상관이 아니라 인과 효과 추정 가능
“혈압이 높아서 치료받은 것”이라는 selection bias 제거
“약을 안 썼을 경우 어떻게 되었을까?“에 대한 정량적 추정 가능

실제 연구로는 이런 것도 있다

Robins JM (1994)는 실제로 HIV 치료 연구에 이 방법을 적용했다.

CD4 수치에 따라 약물 치료 조정
CD4 수치가 time-varying confounder
G-estimation으로 약물 효과를 정확히 분리해냈다

비교: 전통 회귀 vs G-estimation

항목	전통 회귀	G-estimation
Time-varying confounder	X	✅
Counterfactual 모델링	X	✅
인과추론 해석 가능	제한적	명확

마무리 요약

G-estimation은 time-varying confounding을 다루는 강력한 도구이다.
structural nested model의 파라미터를 추정한다.
수학적 이해와 가정이 필수이다.
다른 방법들(MSM, G-formula)과 비교해보며 사용해야 한다.

복잡하지만, 강력하다.

인과추론의 무기를 하나 더 갖추고 싶다면, 꼭 배워야 한다. ✨

[보건이슈 ] 2025년 07월 - 이달의 보건이슈

호두댱 — Sun, 27 Jul 2025 13:40:03 +0900

2025년 7월 글로벌 보건 이슈 TOP 10

2025년 7월 글로벌 보건 위기: TOP 10 이슈

시스템 붕괴부터 기후 변화, 감염병 재확산까지

1. 시스템의 균열: 보건의료 체계의 위기

글로벌 보건 인력 대란

세계보건기구(WHO)는 2030년까지 전 세계적으로 필수 보건 인력이 심각하게 부족할 것이라고 경고합니다. 이는 보편적 의료 보장 달성에 큰 장애물입니다.

2030년 예상 부족 인력

1,110만 명

특히 아프리카와 동부 지중해 지역에 70% 집중되어 건강 불평등을 심화시킵니다.

이러한 인력 부족은 팬데믹 이전부터 존재하던 시스템적 취약성을 부각시키며, 포괄적인 개혁과 지속적인 투자가 필요함을 시사합니다. 국제 원조 중단은 특히 의료 수요가 가장 큰 국가들의 진전을 더욱 불안정하게 만들 위협이 있습니다.

한국의 의료 개혁 갈등

2025년 7월 현재, 한국은 의대 정원 증원을 둘러싼 정부와 의료계의 갈등으로 인해 의료 공백이 장기화되고 있습니다. 이는 의료 서비스 지연 및 환자 불편을 가중시켰습니다.

2월: 정부, 의대 2천명 증원 발표

전공의 집단 사직 및 의료 대란 시작. 응급 의료 지연, 덜 필수적인 시술 지연 발생.

7월 17일: 협상 재가동 조짐

정부와 의료계, 갈등 국면 전환 시도. 고령화에 따른 의료 수요 증가와 낮은 보험 수가 및 불균형적 의사 배치가 주요 쟁점.

7월 22일: 의대생 복귀 결정

교육 공백 완화 전망 속, 정상화까지는 난관 예상. 교육의 질과 미래 의료 인력의 역량에 대한 우려 제기.

이러한 위기는 의료 분야에서 인적 자본의 중요성과 인력 혼란이 미치는 파급 효과를 강조하며, 정책 추진 시 이해관계자 합의의 중요성을 보여줍니다.

2. 기후-보건의 연관성: 폭염과 새로운 위협

전 지구적 폭염 비상

2025년 여름, 한국을 포함한 북반구가 기록적인 폭염에 시달리고 있습니다. 이는 온열질환 등 직접적인 건강 피해를 유발합니다.

38℃

한국 최고기온 예상

40℃+

북미/유럽 체감온도

한국은 6월 1일~7월 23일 평균 일일 기온 24.5°C로 역대 최고를 기록했으며, 폭염 일수도 10일로 역대 세 번째입니다. 밤 기온 또한 이례적으로 높아 열대야가 5일 발생했습니다.

☀️ 폭염 경보 발령

체감 기온 35°C 이상 이틀 연속 예상 시 발령. 취약 계층 보호 및 야외 근로자 휴식 의무화 필요.

바다의 역습: 비브리오 패혈증

해수면 온도 상승은 '살 파먹는 박테리아'로 알려진 비브리오균의 증식을 유발합니다. 이는 해안 지역 사회와 해산물 소비 인구에 대한 위험을 증가시킵니다.

⚠️ 미국 플로리다 주, 2025년 첫 사망자 발생

11명 감염, 4명 사망. 개방된 상처 노출 또는 날것/덜 익힌 해산물 섭취로 감염.

한국 질병관리청(KDCA)도 5월 첫 사례 확인 이후 추가 사례를 보고하며 주의를 당부하고 있습니다. 특히 만성 간 질환자, 당뇨병 환자, 알코올 의존증 환자는 중증 감염 및 사망 위험이 훨씬 높습니다.

해산물 철저히 익혀 먹기
개방된 상처 노출 시 해수 접촉 피하기
해수 접촉 시 즉시 상처 부위 씻기

3. 감염병의 재확산과 진화

COVID-19 여름 재상승

2025년 2월 중순 이후 전 세계 SARS-CoV-2 활동이 증가하여 검사 양성률이 11%에 도달했습니다. 특히 동부 지중해, 동남아시아, 서태평양 지역에서 증가세가 두드러집니다.

전 세계 코로나19 사례 중 '스트라투스' 변이 비율

미국 26개 주 사례 증가 가능성, 어린 아동 응급실 방문 최고 수준.
새로운 변이 '스트라투스' 전파력 증가, 심각한 질병 연관성은 낮음.
현재 백신은 중증 질환 및 사망에 대한 보호 지속. 고위험군 백신 재점검 권고.

돌아온 홍역(Measles)

전 세계적으로 백신 접종률이 감소하며 홍역이 25년래 최다 발생 추세입니다. 백신 무관심과 허위 정보가 주요 원인입니다.

WHO 유럽 지역: 2024년 12만 5천 명 이상 환자 발생 (2023년의 두 배).
미국: 2025년 7월 22일 기준 1,319건 확진, 3명 사망.
한국: 2025년 52건 사례 (6년 만에 최고치), 34건 해외 유입.

뎅기열(Dengue) 급증

기후 변화로 모기 매개 감염병인 뎅기열이 전 세계적으로 확산 중입니다. 해외여행 시 감염에 주의해야 합니다.

2025년 초부터 90개국에서 300만 건 이상 사례, 1,400명 이상 사망.
동남아시아와 미주 지역에서 뎅기열 만연.
한국 질병관리청, 해외 유입 위험 인지 및 무료 신속 검사 제공.

4. 인수공통감염병의 위협

H5N1 조류인플루엔자, 포유류 확산

H5N1 조류인플루엔자는 지속적인 인수공통 감염병 위협으로 남아 있습니다. 특히 젖소를 통한 인체 감염이 보고되고 있습니다.

70건

미국 내 인체감염 (2024년 이후)

1009개소

미국 내 감염 젖소 농장

국내 최초 야생 포유류(살쾡이) 감염 확인

'원 헬스(One Health)' 관점의 통합 감시 중요성 부각.

H5N1 바이러스가 가금류 및 젖소 외 다른 종으로도 확산되고 있음을 보여주며, 이는 인수공통 감염병의 복잡성과 광범위한 생태학적 감시의 필요성을 강조합니다.

Mpox(엠폭스) 경계령

엠폭스는 2025년 6월 19일 현재 클레이드 I과 클레이드 II 모두 전 세계적으로 유행하고 있습니다. 특히 치명률이 더 높은 클레이드 I 바이러스가 아프리카를 넘어 여행 관련 사례로 보고되고 있습니다.

Clade I (콩고 분지형)

주로 아프리카에서 유행. 상대적으로 높은 중증도 및 치명률. 여행자 통해 타 대륙 확산 우려. 미국 하수 샘플에서 양성 검출.

Clade II (서아프리카형)

2022년 전 세계 유행을 일으킨 유형. 주로 성적 접촉을 통해 전파. 상대적으로 낮은 중증도. 미국 사례 대다수 백신 미접종자.

효과적인 백신(JYNNEOS)이 있음에도 불구하고 백신 접종률에 심각한 격차가 있어, 고위험군을 대상으로 하는 표적 백신 캠페인과 대중 교육의 중요성이 강조됩니다.

5. 기타 주요 보건 이슈

비감염성 질환(NCD) 부담 증가

심장병, 뇌졸중, 당뇨병, 암과 같은 NCD는 전 세계적으로 70세 미만 사망의 대부분을 차지합니다. 인구 고령화 및 증가에 따라 조기 사망률이 증가하고 있으며, 2030년 목표 달성에서 벗어나 있습니다.

❤️ 심장병 뇌졸중 당뇨병 ️ 암

이는 개인의 생활 습관 변화를 넘어선 장기적이고 구조적인 개입이 필요함을 시사합니다. 한국 질병관리청은 심뇌혈관 질환, 비만, 흡연, 음주 등 NCD 관련 지표를 정기적으로 모니터링하고 있습니다.

항생제 내성(AMR)의 지속적인 위협

항생제 내성(AMR)은 전 세계적으로 "공중 보건 문제로 남아 있습니다". 유럽 질병 예방 통제 센터(ECDC)는 AMR을 "주요 이슈"로 강조합니다.

️

항생제 내성: 지속적인 위협

한국은 항생제 사용을 적극적으로 모니터링하며, 질병관리청은 급성 상기도 및 하기도 감염 항생제 처방률 등급 및 변화 추세를 보고하고 있습니다. 이는 효과적인 관리가 항생제 사용에 대한 국가적 차원의 면밀한 모니터링과 오용 억제에 크게 의존함을 의미합니다.

KDCA 최신 브리핑 자원 활용

한국 질병관리청(KDCA)은 주간 공중 보건 보고서(PHWR)를 통해 국내 감시 및 분석 지표를 지속적으로 업데이트하고 있습니다. 이는 정책 수립 및 공중 보건 홍보 소재로 활용 가능합니다.

말라리아 벡터 감시
익수 사고 통계
흡연 유병률 추세
청소년 음주 유병률 추세
심뇌혈관 질환 통계
⚖️ 비만 유병률 추세
구강 건강 문제 통계

생존분석 + 반복측정자료 분석법: 개념, 원리, 예시까지 총정리

호두댱 — Sat, 26 Jul 2025 14:49:55 +0900

⏱️ 반복측정자료가 왜 생존분석에서 중요한가?

현실 데이터에서는

한 번의 측정으로 끝나지 않는다.

환자의 체중, 혈압, 혈당은 시간에 따라 달라진다
복용 약물이나 증상 점수도 반복적으로 측정된다
이 변화가 사망, 재발, 입원 같은 이벤트 발생과 밀접하게 연관되어 있다

그렇다면 단순히 baseline만 보는 건 한계가 있다.

반복측정자료를 어떻게 반영하느냐에 따라,

예측도, 추정도, 인사이트도 완전히 달라진다.

1️⃣ Time-dependent Cox PH: 값을 시간마다 갈아 끼운다

✅ 개념

Time-dependent Cox는

기존 Cox 모델을 확장해,

시간에 따라 바뀌는 변수값(X(t))을 반영할 수 있는 구조이다.

즉, 한 번 측정한 X 값이 아니라,

매 시점마다 갱신되는 X(t)를 반영해

해당 시점의 위험(hazard)을 추정한다.

어떻게 작동하나?

관측자가 3개월마다 혈압을 측정했다고 하자.

Interval (months)	BP value
0–3	120
3–6	135
6–7	150 (event 발생)

이 환자의 데이터는 아래처럼 나뉘어 3개의 관측(row)으로 들어간다:

ID	Start	Stop	BP	Event
1	0	3	120	0
1	3	6	135	0
1	6	7	150	1

[0–3) 구간:

이 시점에 생존 중
위험집합(risk set)에 BP=120인 상태로 포함
→ “control”로 기여

[3–6) 구간:

여전히 생존 중
BP=135 상태로 risk set에 포함
→ 다시 “control”로 기여

[6–7) 구간:

이 구간 끝에서 event 발생!
BP=150이 해당 이벤트의 위험을 설명하는 주요 요인으로 사용됨
→ “event”로 기여

정리하면

한 사람이 여러 구간으로 쪼개져서 모델에 들어가고,
각 구간마다 그 시점의 X(t)가 hazard 추정에 사용된다.

생존 구간 → control group 기여
이벤트 구간 → event group 기여

한계

✔️ 여러 시점의 데이터가 있는 환자는

→ 여러 구간에서 모델에 기여함

✔️ 단 한 시점만 있는 환자는

→ 단 하나의 관측치만으로 분석에 들어감

➕ 따라서 Time-dependent Cox에서는
“누가 데이터를 더 많이 가졌느냐”가 모델 결과에 영향을 준다.

❗ 편향이 발생하는 이유

Time-dependent Cox의 묵시적 가정

X(t)는 사건 발생 시간 T와 독립적으로 측정되었다
즉, 데이터가 측정된 시점은 무작위(random) 라는 전제

하지만 현실에서는?

건강 나쁜 환자일수록 병원 더 자주 감
위험할수록 더 많은 데이터를 남김
→ 관측 자체가 “위험 신호”에 의해 유발됨
→ 측정이 non-random & informative해짐

⚠️ 결과적으로

위험한 환자들의 상태(X(t))만 잔뜩 모델에 들어가게 되고
모델은 그 상태들이 강력한 위험 요인처럼 과대 해석할 수 있음

실제 결과 예시

HR per 10mmHg ↑ BP = 1.12 (95% CI: 1.04–1.21)
→ 시간마다 측정된 BP 값이 10 오를 때마다,
사망 위험이 12% 높아졌다고 해석된다.

⚠️ 그러나 이 BP 값들이 누가, 언제 측정됐는지,

그리고 그 측정이 위험한 상태라서 자주 됐는지는 고려하지 않음!

️ 이런 편향을 줄이려면?

해결 전략	설명	대표 기법
측정 빈도 조정	관측이 왜 발생했는지 모델링	IPCW (inverse probability weighting)
측정 과정 자체 모델링	covariate trajectory + hazard 동시 추정	Joint Model
측정 시점 고정	landmark 시점까지만 사용	Landmark analysis

2️⃣ Joint Modeling: 흐름 자체를 반영한다

✅ 개념

Joint Modeling은

시간에 따라 반복적으로 측정되는 수치(예: 혈당, 혈압)의 변화 흐름(trajectory)과

생존 시간(예: 사망, 재발)을 하나의 통합된 모델로 연결한다.

핵심은

“지금 수치가 얼마냐“와 “지금까지 어떻게 변해왔느냐”

→ 둘 다 생존에 영향을 줄 수 있다는 점이다.

어떻게 작동하나?

Joint Model은 크게 두 개의 구성요소로 이뤄진다

1️⃣ Longitudinal model

예: HbA1c 수치가 시간에 따라 어떻게 변하는지 추정
μ_i(t): 환자 i의 HbA1c 변화 추세 (예: random intercept + slope)
→ intercept: 수치 자체가 높은지 낮은지를 반영
→ slope: 수치가 얼마나 빨리 오르고 내리는지를 반영
random effect 포함
: 개개인의 고유한 수치 경향 반영

2️⃣ Survival model

생존 시간(예: 사망 hazard)을 추정
μᵢ(t)는 현재까지 관찰된 HbA1c의 추정된 평균값(trajectory)
→ 여기서 α는 m_i(t)가 1 증가할 때 hazard가 얼마나 증가하는지를 나타냄
단순히 “최근 수치”가 아니라,
Longitudinal 모델에서 예측한 함수 μᵢ(t)가 생존 위험에 영향을 준다고 본다.

연결 고리

μ_i(t)는 longitudinal 모델에서 나온 개인 고유의 trajectory
이 값을 survival 모델이 받아 사용함
→ 두 모델이 random effect를 공유함으로써 연결됨

예시

“혈당(HbA1c)이 빠르게 상승하는 환자일수록 사망 위험이 높다”

이 경우, 수치가 얼마나 빠르게 변하고 있는지가 중요한 포인트
즉, 변화율(slope)이 클수록 위험도(hazard)가 높아진다는 뜻

결과 예시

α = 0.65 (p < 0.01)
→ 혈당 변화 속도가 클수록 사망률이 유의하게 증가

Predicted 1-year survival = 78%
→ 지금까지의 수치 흐름을 기반으로 향후 생존률을 동적으로 예측

해석 포인트

요소	의미
α (association parameter)	변화된 정도가 생존에 주는 영향
μ_i(t)	현재까지 측정된 trajectory
dynamic prediction	현재까지의 모든 정보를 반영해 향후 생존 예측 가능

즉, Joint Model은

“수치가 어떻게 변해왔느냐”가 생존에 중요하다고 보는 방식이다.

강점

수치의 변화 추이(trajectory) 자체가 반영됨
측정값의 오차나 불규칙한 간격도 고려
Dynamic prediction 가능: 다음 내원 전까지 생존 확률 추정

한계

계산 복잡도가 높음
모델링과 해석이 직관적이지 않을 수 있음
random effect 가정이 잘못되면 예측도 망가짐
missingness나 dropout이 informative한 경우 특별한 처리 필요

3️⃣ Landmark analysis: 그 시점까지만 본다

✅ 개념

Landmark 분석은 한마디로 말해,

“특정 시점까지 수집된 정보만 가지고, 그 이후를 예측”하는 기법이다.

특정 시점 t^*을 landmark time이라 부른다.
이 시점까지 생존한 사람들만 분석 대상이다.
그리고 그 시점까지 측정된 정보만 사용한다.

즉, 지금까지 관측된 정보를 바탕으로,
앞으로 어떤 일이 일어날지를 예측하는 방식이다.

어떻게 작동하나?

1️⃣ Landmark time t* 설정

예: 3개월

2️⃣ t*까지 생존한 환자만 추려냄

→ 아직 event(사망, 재발 등)가 없는 환자만 남김

3️⃣ t* 시점까지 측정된 정보만 사용

→ 그 시점에서의 혈압, 혈당, 염증 수치 등

4️⃣ 이후 생존 시간에 대해 Cox 모델 등 생존모형을 적합

예시

“3개월까지의 CRP 수치”를 기반으로
이후 12개월 동안의 사망을 예측하자

Landmark time: t* = 3개월
이 시점까지 생존한 환자만 분석에 포함
t*까지 측정된 CRP 값만 활용
( 단일 측정값 or 요약 통계로 구성 가능)

결과:

HR = 1.25 for high vs low CRP
→ 3개월 시점에 CRP가 높은 환자는 이후 사망 위험이 25% 더 높음

해석 팁:

이 모델은 “지금까지” 수집된 정보만 반영함
변화 흐름(trajectory)은 반영하지 않고,
그 시점의 요약값 또는 스냅샷을 사용
(마지막 측정값 하나만 쓰기도, 3개월 내 평균값이나 변화량을 쓰기도 함)

이처럼 Landmark analysis는

한 시점의 snapshot 정보로 미래를 예측하는 데 적합하다.

모델 구조상 trajectory를 따로 학습하거나 모델링하진 않지만,

“현재 시점에서의 실용적 예측”에는 매우 효과적이다.

추가적으로 landmark를 여러 시점으로 확장하는 dynamic landmarking,

혹은 longitudinal model과 결합한 landmark + joint modeling도 가능하다!

Landmark 분석이 필요한 상황

1️⃣ 현재 상태로 예측하고 싶을 때

지금까지 측정된 값만으로 앞으로의 생존 예측이 필요할 때

(ex: “오늘 내원한 환자의 수치로 향후 1년 사망 위험 예측”)

2️⃣ 임상에서 실시간 판단이 필요할 때

외래, 병동 등에서 빠르게 예후 판단해야 하는 경우

3️⃣ 데이터 흐름이 복잡하거나 불규칙할 때

Joint Model 쓰기엔 복잡하고, 측정 간격도 일정하지 않을 때

Landmark 분석으로 Immortal Time Bias 해결 가능!

Immortal Time Bias란?

어떤 사람이 특정 시점까지 반드시 생존해야 분석에 포함되는 구조에서 발생
이 시점 전에는 절대 event가 발생하지 않음 → 마치 ‘불사의 시간’
그 결과, 치료 효과나 위험도가 과소/과대평가될 수 있음

✅ Landmark 분석은?

특정 시점(t)을 기준으로 분석 대상을 잘라냄
t*까지 생존한 사람만 포함,이후 생존만 분석 → immortal time 명시적 제거

강점

구현 간단
→ 기존 생존모형을 변형 없이 사용 가능
병원 현장 등 실용적 의사결정에 적합
→ “현재 상태”로 예측을 제공해야 할 때 유용
반복 측정 수치가 불규칙하게 측정되어도 영향 적음
→ “그 시점” 정보만 보기 때문

한계

Landmark time 이전의 데이터 흐름(trajectory)은 모두 무시됨
→ 과거 변화 속도가 중요한 경우에는 한계
어떤 시점을 Landmark로 잡느냐에 따라 결과가 바뀔 수 있음
→ 시점 선택에 민감
각 Landmark 시점마다 모델을 따로 적합해야 함
→ 여러 시점을 사용하면 계산과 해석이 번거로움

4️⃣ Multi-State Model: 시간의 흐름 = 상태의 흐름

✅ 개념

현실은 단순한 일회성 사건으로 설명되지 않는다.

환자는 치료만 받고 끝나지 않고,

→ 재발하거나, 회복하거나, 다시 악화되기도 한다.

이처럼 여러 상태를 오가는 과정을 분석하는 것이 Multi-State Model이다.

즉, 환자가 어떤 상태(state) 에 있다가

시간이 지나면서 다른 상태로 전이(transition) 되는 흐름을

연속적인 생존모형의 조합으로 표현하는 접근이다.

어떻게 작동하나?

상태(state)를 정의한다:
- 상태 1 = 치료중
- 상태 2 = 재발
- 상태 3 = 사망

다음으로 전이 경로(transition) 를 정의
- P(1 → 2, t): 치료 중 → 재발
- P(2 → 3, t): 재발 → 사망
각 전이에 대해 생존모형을 적용하여
전이 시점의 위험도(hazard) 또는 누적 확률을 추정한다.

예시

대장암 환자가 “무병 상태 → 재발 → 사망” 경로를 밟는 경우,

각 전이를 독립적인 생존분석으로 다룬다.

환자 A의 임상 경과

Day 0: 수술 후 무병 상태 (State 1)로 시작
Day 450: 재발 발생 → 상태 전이 (State 2)
Day 750: 사망 → 상태 전이 (State 3)

상태 정의

상태 (State)	의미
1	무병 (Disease-free)
2	재발 (Recurrence)
3	사망 (Death)

Multi-State Model 구조

Multi-State Model은 아래 세 개의 전이에 대해 각각 생존모형을 설정한다:

전이 경로	해석
1 → 2 (재발)	무병 상태에서 재발까지 걸리는 시간 분석
2 → 3 (사망)	재발 이후 사망까지 시간 분석
1 → 3 (직접 사망)	재발 없이 사망한 경우 분석

예시 결과

전이	Hazard Ratio (HR)	해석
1 → 2	HR = 1.65 (p=0.01)	나이 70세 이상일 경우, 재발 위험이 65% 높음
2 → 3	HR = 1.48 (p=0.02)	재발 후 6개월 내 사망 위험이 48% 높음
1 → 3	HR = 0.85 (p=0.23)	무병 상태에서 바로 사망할 확률은 비교적 낮음

전이 확률 예측 (Transition Probability)

모델로부터 아래와 같은 1년 후 전이 확률이 도출될 수 있다:
P(1 → 2 in 1yr) = 0.38
P(2 → 3 in 1yr) = 0.29
P(1 → 3 in 1yr) = 0.06

해석:

무병 환자의 38%가 1년 내 재발
재발 환자의 29%가 1년 내 사망
무병 상태에서 바로 사망하는 경우는 6%에 불과

왜 유용한가?

✅ 단순히 “언제 죽는가?“가 아니라
“어떤 경로로 사건이 발생하는가“를 분석
✅ 치료 방식이나 개입에 따라(ex: 재발 위험 높은 환자에 항암치료 강화 등)
→ 특정 전이를 막는 전략 설계 가능

강점

복잡한 경로를 모두 반영할 수 있음
각 상태에서의 생존 시간, 전이 확률 등 다양한 예측이 가능
재발 후 생존률, 회복 후 재재발 위험 등 실용적 해석 제공

한계

각 상태에 충분한 데이터가 있어야 안정적인 추정이 가능함
전이 구조와 상태 정의에는 도메인 지식이 필수
구현이 복잡하고 모델 수가 늘어날 수 있음

5️⃣ Frailty model: 위험도도 사람마다 다르다

✅ 개념

모든 환자가 동일한 위험(hazard)을 가진다고 가정해도 될까?

현실은 그렇지 않다.

누군가는 체질적으로 더 허약(frail)하고,

→ 같은 조건에서도 더 자주 재발하거나, 더 빨리 악화된다.

Frailty 모델은 이런 환자 간의 숨겨진 이질성을

random effect (무작위 효과)로 반영하는 생존분석 방법이다.

여기서 v_i ~ N(0, σ²), 개인 고유의 frailty

어떻게 작동하나?

각 환자 i는 고유한 frailty 값 vᵢ를 갖는다.
일반적으로 vᵢ ~ N(0, σ²) 또는 Gamma(θ, θ) 등으로 가정한다.
동일한 공변량(X)을 가진 두 사람이라도
vᵢ 값이 다르면 위험도(hazard)가 다르게 추정된다.

특히, 반복 event가 중요한 경우에 강력한 성능을 보인다.

(ex: 재입원, 재발, 반복 치료 등)

예시

폐렴 환자를 추적할 때:

같은 나이, 같은 기저 질환을 가진 두 사람이라도
한 명은 면역력이 약해 반복적으로 재입원
이 경우, 그 환자는 vᵢ가 크게 추정된다.

모델은 “숨겨진 취약성”이 있다고 보고,

그 사람의 위험도를 높게 계산한다.

결과 예시

항목	값	해석
HR (고정효과)	1.09	특정 공변량이 위험도에 미치는 평균적 영향
σ² (frailty 분산)	0.48	환자 간 위험도의 이질성 정도

해석 팁:

σ²가 클수록
→ 환자마다 위험도 차이가 크다는 뜻
단순 평균 효과만 보는 것보다
→ 맞춤형 예측에 적합

정리하면

Frailty 모델은 생존 분석에서

“같은 조건이라도 사람마다 다르다”는 현실을 반영해주는 방식이다.

✔️ 평균적인 효과 외에도,

✔️ 환자 간 이질성까지 고려해주는 도구로써 유용하다.

강점

개개인의 숨겨진 취약성까지 반영 가능
반복적 사건에 강함 (재입원, 재발, 반복 감염 등)

한계

시간 흐름에 따라 frailty가 바뀔 수 있지만 → 모델은 이를 고정으로 가정함
분포 가정 (Normal, Gamma 등)에 민감함
→ 잘못된 가정은 모델 왜곡 초래

최종 요약 (비유 포함)

방법	핵심 질문	핵심 비유
Time-dependent Cox	“가장 최근 값이 영향을 미칠까?”	매일 체온 기록으로 예측
Joint Model	“수치가 오르는 속도 자체가 영향을 줄까?”	체온 상승 속도로 예측
Landmark	“지금 상태로 미래를 예측해보자!”	3일간 열 있었으니 내일 위험해
Multi-State	“어떤 경로를 밟고 있나?”	열 → 폐렴 → 입원 코스 추적
Frailty	“누가 유독 취약할까?”	같은 바이러스여도 A는 감기, B는 중증

OR vs RR vs Modified Poisson - “2배 위험”이라는 말, 진짜 2배일까?

호두댱 — Sat, 26 Jul 2025 14:11:32 +0900

1. 많은 의학 논문에서는 OR를 쓴다… 그런데?

많은 의학 논문에서 OR (odds ratio), HR (hazard ratio)을 인용한다.

문장은 이런 식이다.

“흡연자는 비흡연자보다 폐암 위험이 2.5배 높았다 (OR=2.5).”

그런데… 진짜 2.5배 높을까?

로지스틱 회귀는 binary outcome에서 가장 널리 쓰이는 통계 방법이고,

이 회귀에서 나오는 기본 출력값은 바로 오즈비(OR)다.

하지만, 여기엔 중요한 전제가 있다.

➡ OR는 사건이 드문 경우에만 RR(상대위험도)의 근사값이 된다.

➡ 사건률이 10~20%를 넘기 시작하면?

➡ OR는 실제 위험률(RR)을 심각하게 왜곡한다.

2. OR vs RR, 뭐가 다를까?

“위험이 얼마나 증가했나요?”

질문은 같지만, 대답은 전혀 다를 수 있다.

1️⃣ OR과 RR, 둘 다 ‘비율’이다

우리는 질병 위험, 사건 발생률을 비교할 때

보통 두 그룹 간의 “비교 지표”를 쓴다.

그게 바로 RR (상대위험도)와 OR (오즈비)다.

용어	의미
RR (Relative Risk)	실제 발생률 간의 비율
OR (Odds Ratio)	사건이 일어날 ‘확률’ 대비 ‘안 일어날 확률’의 비율 간의 비율

2️⃣ 숫자로 보면 더 쉽다

예를 들어보자.

그룹	사건 발생	전체	발생률
치료군	30명	100명	30%
대조군	10명	100명	10%

RR 계산

⇒ 치료군이 3배 더 위험/효과 있다.

OR 계산

치료군 odds = 30 / 70 = 0.43
대조군 odds = 10 / 90 = 0.11

⇒ OR은 RR보다 더 커 보인다.

3️⃣ 왜 차이가 나나?

RR은 실제 발생률을 비교하는 것이고,

OR은 “확률 대비 확률 아닌 것”을 비교한다.

→ 사건이 자주 발생할수록 두 값은 멀어진다.

수치로 비교해보자:

실제 RR	사건률 p₀	OR
2.0	0.05	2.1
2.0	0.20	2.67
2.0	0.50	4.0

보이겠지만, RR이 동일해도 OR는 사건률에 따라 계속 튄다.

왜 이런가?

이 수식에서 p₀(비노출군 사건률)이 커지면, 분모가 작아져서 OR가 기형적으로 증가한다.

그래서 OR는 직관적으로 “2배 위험”이라고 말할 수 없고,

실제로는 “사건률이 2배”가 아닌, 기이한 배수로 해석될 가능성이 있다.

정책결정자, 임상의, 대중에게 “위험이 얼마나 증가했는가”를 직관적으로 전달하려면

RR (relative risk)가 훨씬 명확하다.

4️⃣ 그럼에도 OR이 많이 쓰이는 이유는?

사건률이 높으면 왜곡된다, 직관적이지 않다…

그런데도 OR은 여전히 수많은 논문에서 사용된다. 왜일까?

1. 로지스틱 회귀 = OR

의학·역학 분야에서 가장 널리 쓰이는 회귀는 logistic regression이다.

이 회귀는 결과값으로 오즈비(OR)를 자동으로 산출한다.

➡ 특별한 설정 없이 바로 해석 가능하니까 자주 쓰인다.

2. case-control 연구는 RR을 못 쓴다

case-control 연구는 “몇 명이 병에 걸렸는가?”가 아니라

“병에 걸린 사람과 안 걸린 사람을 미리 정해놓고 모집”한다.

즉, 전체 위험률을 알 수 없다.

RR은 위험률이 필요하기 때문에

➡ 이 경우엔 OR만 계산 가능하다.

3. 기존 연구들과 비교를 위해

과거 논문들이 OR 중심이라

새 논문도 OR로 비교하는 것이 익숙하고 편하다.

“이전 결과와 비교할 수 있어야 하니까.”

요약 한 줄:

OR는 해석이 어렵지만, 계산은 쉽고, 구조는 안정적이며, 기존과의 연결성도 높다.
그래서 지금도 OR는 널리 쓰이고 있다.

하지만…

해석의 명확함, 정책의 설득력, 대중의 이해를 생각하면
RR을 직접 추정하는 접근이 더 실용적일 수 있다.

5️⃣ 그래서 뭐가 더 좋은가요?

항목	OR	RR
정의	오즈 비율 (odds of event vs non-event)	발생률 비율 (risk ratio)
해석	확률 대비 확률이 아닌 것의 비율	실제 위험률 간의 비율
직관성	낮음 – “감 잡기 어려움”	높음 – “몇 배 위험?”을 바로 설명
해석 위험	사건률이 높을수록 왜곡 심화	전반적으로 안정적
사용 예시	로지스틱 회귀, case-control 연구	코호트 연구, RCT 등
사용 제약	사건률은 몰라도 OK ✅	사건률 필요 → case-control ❌

한 줄 요약

OR은 해석할 땐 조심! 특히 사건률이 높을 땐 과장되기 쉬움.
RR은 말 그대로 “위험이 몇 배”인지 직관적으로 보여주는 지표!
단, case-control 연구에서는 OR만 가능하다는 점은 꼭 기억하자.

2. RR을 추정하고 싶다면 무엇을 써야 하는가?

많은 연구자가 이렇게 생각한다.

“OR이 왜곡된다면, RR을 직접 추정하면 되잖아?”
“log-binomial regression 쓰면 되지 않나?”

맞는 말이다.

log-binomial은 RR을 가장 직접적으로 추정할 수 있는 회귀다.

실제로도 이렇게 생겼다:

하지만…

‍ 현실은 예상보다 훨씬 복잡하다.

모델이 수렴하지 않는다 (convergence failure)
사건률이 높을수록, 파라미터 공간이 제한되어 최적해를 찾지 못한다
설명변수들 간 공선성(multicollinearity) 있으면 금방 깨진다

즉, 모델은 “아무 말도 하지 않고 죽어버린다.”

(에러 메시지: NaNs produced, Fisher scoring iterations exceeded, etc.)

‍ 실제로 log-binomial은 모형을 설정하는 것보다 에러 디버깅 시간이 더 오래 걸린다.

그래서 잘 안 쓴다. 대안이 필요하다.

그리고 등장한 것이 바로 Modified Poisson Regression이다.

3. Modified Poisson의 핵심 구조

해결책은 바로 Modified Poisson Regression이다.

이름은 포아송이지만, 결과는 RR이다.

Step 1: 포아송 회귀를 사용한다 (y가 0 또는 1이어도 OK)

Step 2: robust SE (sandwich estimator)를 적용한다

왜냐면?

포아송 회귀는 분산 = 평균을 가정한다
하지만 binary data는 분산이 µ (1-µ)
즉, 포아송의 분산 가정을 위배하게 된다

그래서 표준 오차만 따로 보정해주는 것

이렇게 하면 계수는 log(RR)

지수화하면 → RR, CI, p-value까지 안정적으로 추정된다 ✅

4. 수식 정리 ✍️

모델:

즉,

따라서

→ 해석이 직관적이다.

→ 그리고 안정적이다.

5. 실제 적용 (Python 예시)

import statsmodels.api as sm

X = sm.add_constant(df[['treatment', 'age', 'sex']])
y = df['event']  # 0 또는 1

model = sm.GLM(y, X, family=sm.families.Poisson()).fit(cov_type='HC0')
print(model.summary())

cov_type='HC0'가 바로 robust SE를 적용하는 핵심이다.

6. R 코드 예시 ‍

library(sandwich)
library(lmtest)

fit <- glm(outcome ~ treatment + age + sex, family = poisson(link = "log"), data = df)
coeftest(fit, vcov = sandwich)

→ 계수는 log(RR),

→ exp(coef)하면 RR,

→ confint()으로 신뢰구간까지 완성.

7. 실무 적용 시 주의사항 ⚠️

항목	설명
종속변수	반드시 0/1
사건률	5~50%에서 가장 안정적
샘플 크기	소규모에서는 불안정할 수 있음
해석	계수는 log(RR), exp() 해야 RR
클러스터 구조	GEE 또는 mixed model 고려

8. GEE + Modified Poisson 확장

군집 구조가 있으면?

→ GEE (Generalized Estimating Equation) 사용 가능!

from statsmodels.genmod.generalized_estimating_equations import GEE
from statsmodels.genmod.cov_struct import Exchangeable

model = GEE(y, X, groups=df['id'], family=sm.families.Poisson(), cov_struct=Exchangeable())
result = model.fit()

이렇게 하면?

✅ RR 추정

✅ 군집 내 상관 보정

✅ robust inference까지 한 번에

9. Modified Poisson이 필요한 상황

코호트 연구에서 사건 발생 위험 추정
치료 효과에 따른 상대위험도 비교
공중보건 정책 수립 시 RR 기반 분석
OR 해석이 직관적이지 않을 때
사건률이 높은 경우 (예: 30~50%)

10. 마무리 ✨

Modified Poisson Regression은

“로지스틱 회귀의 대안”이 아니라, 더 실용적인 해법이다.

직관적이다
계산도 쉽다
해석도 명확하다
안정성도 높다

OR 해석이 불편했는가?

log-binomial에서 수렴 오류를 봤는가?

그럼 이 방법을 기억하자.

RR을 직접 추정하고 싶은 당신에게,

Modified Poisson은 꽤 괜찮은 친구다.

[ 반복측정자료 분석] 개념과 핵심 모형 총정리

호두댱 — Tue, 22 Jul 2025 23:03:45 +0900

반복측정자료는 어디에나 있다

실제 연구나 의료 데이터를 보면,

단 한 번의 측정으로 모든 걸 설명하는 경우는 거의 없다.

예를 들어,

같은 환자의 혈압을 1개월, 3개월, 6개월째 추적한다면?
치료 전과 치료 후, 반응이 달라지는지 본다면?
매년 건강검진을 받는 코호트에서 수치가 어떻게 변할까?

이처럼 하나의 대상에게서 시간에 따라 여러 번 측정된 자료를

우리는 반복측정자료(repeated measures)라고 부른다.

그런데 분석은 어떻게 해야 할까?

이런 데이터를 분석할 때, 단순히

“모든 관측치를 일렬로 세워서 회귀분석을 하면 되지 않을까?”

하고 생각할 수 있다.

하지만 여기서 문제가 생긴다…

→ 바로 독립성 가정의 붕괴이다!

왜 일반 회귀로는 부족할까?

일반 선형회귀나 GLM은 이런 가정을 전제로 한다.

개체 간 완전한 독립성

하지만…

코호트 자료나 follow-up 자료에서는 같은 사람에게서 반복 측정이 일어난다.
치료 전/후, 시간의 흐름에 따라 변화한다.

그럼에도 개체 간 독립을 가정하는 건 너무 강한 조건

이럴 땐 반복측정자료에 특화된 모델을 써야 한다!

Profile Plot으로 패턴 파악하기

같은 환자에게 반복적으로 데이터를 수집한 경우

시간이 흐르며 변화하는 패턴을 시각화해본다.

Profile Plot이 알려주는 3가지 핵심

1️⃣ Interaction (상호작용)

시간이 지나면서 그룹 간 차이가 달라지는가?

2️⃣ Group difference (그룹 간 차이)

그룹 간 전반적 차이가 있는가?

3️⃣ Time effect (시간 효과)

시간이 흐르면서 변화가 있는가?

예시

(좌) A는 증가, B는 감소

(우) 처음엔 비슷했지만, 점점 차이 벌어짐

반복측정자료는 서로 상관관계가 있음!

같은 사람에게 여러 번 측정하면
값들끼리 관련 있음
심지어 서로 다른 사람들조차
같은 병원, 같은 기기, 같은 가정이라면 독립이라 보기 어려움!

공분산 구조 예시

구조	특징
Independent	그냥 독립, corr = 0
CS (Compound Symmetry)	모든 시간 간 상관이 동일
AR(1)	시간이 멀수록 상관 ↓
UN (Unstructured)	완전 자유 구조, 유연하지만 추정 많음

Paired t-test

반복측정의 시작점!

같은 사람에게서 전/후 두 시점 데이터
유전자, 체질, 식습관 등의 confounder는 자동 보정

가정: 전후 차이가 정규분포

→ 정규성을 못 믿겠다면?

→ Wilcoxon signed-rank test로 대체 가능!

RM-ANOVA: 반복이 3회 이상이라면?

Repeated Measures ANOVA = 반복 t-test의 확장판

예시 구성

i: 대상자
g: 그룹
t: 시간

고려 요소들

그룹 고정 효과
시간 고정 효과
그룹×시간 상호작용
대상자 랜덤 효과 (vi)

vi는 N(0, σ²)인 확률 변수

→ 같은 환자끼리는 모든 시점에서 비슷할 것이라는 가정 (CS 구조)

✅ 구형성 검정 (Mauchly’s test)

Compound symmetry 구조를 만족하는가?
→ 안 되면 Greenhouse-Geisser 보정 or MANOVA
→ 만족하면 일반 RM-ANOVA

선형혼합모형 (LMM)

Repeated ANOVA, paired t-test는 사실 LMM의 일부!

LMM = Fixed Effect + Random Effect

Fixed: 처리 효과 (모든 사람에게 동일 가정)
Random: 개인 특성 (ex. 유전자, 체질 등)

장점 요약

다양한 공분산 구조 가능 (AR(1), UN 등)
결측이 있어도 MAR 가정 하 분석 가능
시점·간격이 불규칙해도 OK
교란 변수 보정 가능
개별 변동을 고려한 정교한 분석!

일반화선형혼합모형 (GLMM)

LMM은 연속형 → GLMM은 이진형!

✅ GLMM = GLM + Random effect

예: 성공/실패, 생존/사망
Binomial GLMM → Logistic-normal model
item response model, 교차 설계 등 다양한 구조 가능

GEE (Generalized Estimating Equation)

또 다른 강자, GEE는 random effect가 없다!

→ 대신 “working” correlation만 가정

→ 모집단 평균 효과(population-averaged effect)를 추정

GEE vs GLMM

항목	GLMM	GEE
효과	조건부 (개인 맞춤형)	주변 (모집단 평균)
랜덤 효과	있음	없음
missing	가능 (MAR)	제한적
통계량 (AIC 등)	가능	제한됨 (semi-parametric)
사용 분야	personalized medicine	정책 효과 평가

샌드위치 estimator로 robust하게 추정 가능

QICC로 모델 비교 가능

✨ GLMM vs. GEE, 어떤 걸 써야 할까?

개별 환자 효과(맞춤형)를 보려면 GLMM
전체 모집단 평균 효과를 보려면 GEE

확장된 반복측정 모형들

반복측정자료를 인과추론이나 생존분석과 연계해 활용할 수 있다!

IPW-GEE, doubly robust GEE, TMLE, MSM 등
Frailty model, time-varying Cox model, Joint modeling 등 ⏳

마무리 정리

분석법	자료 특성	핵심 포인트
Paired t-test	전/후 2시점	정규성 가정, 단순 비교
RM-ANOVA	≥ 3시점	구형성 가정, 고정 + 랜덤
LMM	연속형 반복	유연한 공분산, 개인 변동 고려
GLMM	이진형 반복	랜덤 효과, 로지스틱
GEE	이진형, 평균 효과	marginal effect, 정책평가

반복측정자료 분석은

“시간 흐름에 따른 변화”를 고려하는 게 핵심이다.

같은 사람이 반복적으로 측정되기에,

통계적으로 더 정교한 접근이 필요하다. ✨

[보건이슈 ] 대한민국 건강보험 재정 위기

호두댱 — Tue, 24 Jun 2025 16:02:56 +0900

대한민국 건강보험 재정 건전성 인포그래픽

대한민국 건강보험, 지속가능성을 위한 제언

재정 고갈 위기, 적신호가 켜지다

고령화와 의료 이용량 증가로 인해
건강보험 재정의 지속가능성에 대한 우려가 커지고 있습니다.
주요 지표를 통해 현 상황의 심각성을 알아봅니다.

건강보험 누적 준비금, 2031년 고갈 전망

현재의 지출 구조가 유지될 경우, 2024년부터 재정수지는 적자로 전환되고
누적 준비금은 2031년에 모두 소진될 것으로 예측됩니다.

정부의 약속, 지켜지지 않는 국고 지원

정부는 법적으로 매년 보험료 예상 수입의 20%를 지원해야 하지만,
실제 지원율은 14.4%에 그쳐 재정 악화의 주요 원인이 되고 있습니다.

출처: 국민건강보험공단, 국회예산정책처, KDI 등 재정 보고서 및 법령 자료

무엇이 재정을 압박하는가?

건강보험 재정 위기는 여러 복합적인 요인에서 비롯됩니다.
주요 원인을 데이터로 분석합니다.

고령화의 그늘: 적은 인구, 많은 진료비

전체 인구의 약 17%를 차지하는 65세 이상 노인 인구가
전체 건강보험 진료비의 43% 이상을 사용하고 있어,
인구 구조 변화가 재정에 큰 부담을 주고 있습니다.

진료비 증가의 진짜 원인: 가격 vs 인구

KDI 연구에 따르면, 최근 10년간 진료비 증가의 주된 원인은
고령화와 같은 인구 요인(8.6%)보다,
의료 서비스 가격 상승 및 이용량 증가(76.7%)가 훨씬 큰 영향을 미쳤습니다.

OECD 3배의 의료 이용량

한국의 1인당 연간 외래진료 횟수는 OECD 평균을 크게 상회합니다.
이는 불필요한 의료 쇼핑과 과잉 진료가 만연해 있음을 시사합니다.

실손보험과 비급여의 악순환

민간 실손보험은 비급여 진료를 부추기고,
이는 다시 건강보험의 재정 누수로 이어지는 악순환 구조를 형성합니다.
2022년 실손보험으로 인해 건보에서 약 3.8조 원이 추가 지출되었습니다.

환자
비급여 진료 요구

→

의료기관
비급여 진료 제공

→

실손보험
보험금 지급

→

건강보험
진찰료 등 동반 지출

행위별 수가제의 한계

의료 행위를 많이 할수록 병원 수익이 늘어나는
현행 지불보상체계는 과잉 진료를 유발하는 근본적인 원인으로 지목됩니다.

진료량 증가 = 수익 증가

이는 불필요한 검사나 시술로 이어질 수 있습니다.

출처: KDI, 보건복지부, OECD, 건강보험 관련 연구 및 정책 자료

비급여의 딜레마와 '풍선 효과'

건강보험 보장성을 강화해도 비급여 항목이 늘어나는 '풍선 효과'가 발생하여
국민 의료비 부담은 줄지 않고 있습니다. 이 구조적 문제를 살펴봅니다.

보장성 강화의 역설: 풍선 효과 과정

1. 보장성 강화

정부가 MRI 등
비급여 항목을 급여화

→

↓

2. 의료기관 수익 감소

급여화된 항목에서
수익이 줄어듦

→

↓

3. 신규 비급여 발생

수익 보전을 위해
새로운 비급여 항목 생성

→

↓

4. 국민 부담 여전

전체 비급여 규모는
줄지 않고 의료비 부담 지속

이러한 악순환은 비급여 관리와 실손보험 연계 문제 해결의 필요성을 보여줍니다.

출처: 국민건강보험법, 보건복지부, 의료법, 건강보험 관련 연구 및 정책 자료

재정 건전화의 딜레마

지속가능성을 확보하기 위한 해법으로 '보장성 축소'와 '보험료 인상'이라는
두 가지 주장이 첨예하게 대립하고 있습니다.

방안 1: 보장성 축소 (지출 효율화)

불필요한 의료 남용을 막아 재정 누수를 차단하고, 필수의료에 재원을 집중하자는 주장입니다.

✔️
본인부담률 상향: 연 365회 초과 외래진료, 경증질환 등에 대한 환자 부담을 높여 과다 이용을 억제합니다.
✔️
비급여 관리 강화: 도수치료 등 과잉 비급여 항목의 혼합진료를 금지하고 정보를 투명하게 공개합니다.
✔️
급여 항목 재평가: MRI·초음파 등 의학적 필요성이 낮은 경우의 급여 기준을 재점검합니다.

방안 2: 보험료 인상 (수입 확충)

OECD 최하위 수준인 보장성을 높여 국민의 의료비 부담을 근본적으로 줄이자는 주장입니다.

✔️
보험료율 인상: 안정적인 재원 확보를 위해 사회적 합의를 바탕으로 보험료율을 점진적으로 조정합니다.
✔️
국고 지원 확대: 정부가 법적 의무를 이행하고, 지원 기준을 현실화하여 국가 책임을 강화합니다.
✔️
소득 중심 부과체계: 고소득층의 부담을 늘리고 저소득층 부담을 줄이는 형평성 있는 개편을 지속합니다.

OECD 평균에 못 미치는 보장률

한국의 건강보험 보장률은 OECD 평균에 크게 뒤처져 있어,
의료비 중 상당 부분을 여전히 가계가 직접 부담하고 있습니다.
보장성 확대는 국민의 실질 소득 증대 효과로 이어질 수 있습니다.

출처: 보건복지부, KDI, 국회예산정책처, 시민단체 보고서 및 관련 연구 자료

이해관계자의 시선

건강보험 재정 문제를 둘러싼 각 주체의 입장은 다릅니다.
사회적 합의가 필요한 이유입니다.

정부

지출 효율화 및 재정 건전성 강조
필수의료 중심 보장성 강화
국고 지원 의무는 미이행 비판

의료계

낮은 급여 수가의 현실화 요구
과잉 진료 원인을 저수가로 지목
보장성 강화 정책 비판

시민·환자단체

보장성 축소 반대, 건강권 보장 요구
정부의 국고 지원 의무 이행 촉구
재정 운영 투명성 및 참여 확대 주장

출처: 정부 부처 발표 자료, 의료계/시민사회 단체 성명, 관련 연구 자료

[통계] Landmark Analysis 톺아보기

호두댱 — Sun, 22 Jun 2025 17:07:36 +0900

Landmark Analysis란 무엇인가?

Landmark analysis는 시간에 따라 변하는 정보를 다루기 위한 생존분석 기법이다.

하나의 시점을 기준으로 데이터를 잘라서 그 이후 사건을 분석한다.

이 시점을 Landmark time이라 부른다. ⏱️

“OO 일 시점까지 살아남은 사람만 대상으로 그 후 사망·재발 같은 사건을 본다”는 개념이다.

‘Landmark’라는 말의 뿌리

Landmark는 원래 항해자가 멀리서 보고 방향을 잡는 지형물이다.
연구에서는 시간 축에서 눈에 띄는 ‘이정표’로 비유된다.
그래서 Landmark analysis는 “시간 흐름 속 이정표를 세우고 그 뒤를 본다”는 발상이다.

왜 필요한가?

시간 가변 노출
- 환자마다 약을 먹기 시작한 시점이 다르다.
  → 시간에 따라 노출 상태가 변하는 것이다.
- 즉, 어떤 사람은 진단 후 3일째에, 어떤 사람은 30일째에 약을 시작한다.
  이처럼 ‘언제 약을 먹었는가’가 사람마다 제각각이다.
  → 시간에 따라 노출 상태가 변하는 것이다.
Immortal Time Bias(ITB) 방지
- 약을 먹었다는 것 자체가, 그 사람은 ‘그때까지 살아 있었던 사람’이라는 뜻이다.
- 반대로, 그 전에 죽은 사람은 약을 먹을 기회조차 없었다.
- 아래 두 그룹을 애초에 공정하게 비교할 수 없다.
  - 약을 먹은 그룹 = 더 건강했거나, 더 오래 버틴 사람들
  - 약을 못 먹은 그룹 = 상태가 나빠서 빨리 죽은 사람들 포함
해석 명료화
- Landmark analysis는 분석 범위를 명확히 한다.
- “Landmark 시점 이후부터 사건(예: 사망, 재발 등)이 얼마나 발생했는가?”
  → 복잡한 시간 편향 없이 결과를 전달할 수 있다.

Landmark analysis는 일정 시점(예: 진단 후 30일)을 기준으로 삼는다.

그 시점까지 살아남은 사람들만 비교한다.

이렇게 하면?

약을 먹은 사람 vs 안 먹은 사람을 동등한 조건(=그 시점까지 생존) 하에 비교할 수 있다.
즉, “누가 더 오래 버텼는가”가 아니라,
“그 이후 누가 어떻게 되었는가”에 집중할 수 있다.

⚠️ Immortal Time Bias 깊이 파보기

구분	쉬운 설명	실제로 생기는 착시
정의	어떤 사람이 치료를 받으려면, 그 시점까지 살아 있어야 한다.	약을 먹은 그룹은 애초에 죽지 않은 사람들이라 더 오래 산 것처럼 보임
왜 생기나?	① 약을 먹은 걸 확인하려면 ② 그 시점까지 살아 있어야 하고 ③ 그래서 약 먹은 그룹은 ‘건강한 사람’이 될 확률이 높다	약 덕분이 아니라 원래 건강했을 수도 있는데, 효과처럼 착각함
결과	약을 먹은 그룹은 실제보다 사망률이 낮아 보이고, 약을 안 먹은 그룹은 실제보다 사망률이 높아 보인다	결과적으로 약이 효과 있어 보이지만, 사실은 편향
어떻게 막나?	① 일정 시점(예: 30일)까지 살아남은 사람만 분석한다 → Landmark analysis ② 시간이 흐르며 바뀌는 노출을 반영한다 → Time-dependent Cox ③ 가상으로 두 그룹을 만들고 비교한다 → Clone-Censor-Weight	공정하게 비교할 수 있게 된다

시사점

ITB는 관찰연구에서 특히 빈번하다.
“치료 A가 효과 있다”는 착시를 막으려면 Landmark 같은 전략이 필수다.

️ Landmark Analysis 3-단계

1️⃣ Landmark time 선정

　- 임상적 의미 또는 약효 발현 시점을 기준으로 사전에 정한다.

2️⃣ 해당 시점까지 생존한 대상자 추출

　- Landmark 이전 사망·탈락자는 분석에서 배제한다.

3️⃣ Landmark 시점부터 사건 모델링

　- Cox 모형, Kaplan-Meier 곡선으로 위험비·생존곡선을 계산한다.

예시: 조기 재활 치료가 뇌졸중 생존자 회복에 영향을 미치는가?

연구 질문

“뇌졸중(stroke) 이후 조기 재활치료를 받은 환자는 더 오래 생존하는가?”

⏱️ Landmark 설정

뇌졸중 발생 후 30일 시점을 Landmark time으로 설정한다.
재활치료는 보통 입원 후 수일~수주 이내 시작되지만,
초기 상태가 불안정한 환자는 치료를 시작하지 못하기도 한다.

대상자 선정

30일 시점까지 생존한 환자만 분석에 포함한다.
30일 이전 사망자는 제외한다.
→ 왜? 조기 치료 여부와 생존 사이의 인과를 명확히 보기 위해.
→ 재활치료 자체를 받기 위해선 30일까지 살아 있어야 하므로 ITB가 생길 수 있음.

비교군 구성

Landmark 시점에서 생존한 환자를 두 집단으로 나눈다:
① 30일 내 조기 재활치료 받은 그룹
② 재활치료를 받지 않았거나 늦게 받은 그룹

분석

이후 사망률을 Cox proportional hazards model로 비교한다.
Kaplan-Meier 곡선을 그려 생존 패턴 시각화 가능.

시사점

조기 재활치료 효과를 보기 위한 공정한 기준점 설정이다.
“재활치료를 받을 수 있었던 것 자체가 생존력 때문”이라는 선택 편향을 막아준다.
환자의 상태가 치료 가능할 정도로 안정됐는지는 Landmark 시점 이후로 비교해야 타당하다.

⚖️ 장점 vs 한계

✅ 장점

ITB 제거 가능.
모델링이 단순해 해석이 직관적이다.
관찰연구에 쉽게 적용된다.

❌ 한계

Landmark time 선택이 임의적이다.
Landmark 이전 데이터가 버려진다.
시점을 달리하면 추정치가 달라질 수 있다.

슬라이딩 Landmark·다중 Landmark

구분	설명
정의	하나의 Landmark 시점이 아니라, 여러 시점을 일정 간격으로 정해 반복적으로 분석하는 방법
예시	진단 후 30일, 60일, 90일 등 여러 시점을 Landmark로 설정하여 각 시점 이후의 생존율을 각각 비교
활용 목적	시간에 따라 노출 효과가 어떻게 달라지는지 확인하고, 효과의 시간 추이를 분석
장점	✅ 치료 효과의 시점별 변화를 시각화할 수 있음 ✅ 특정 시점에서만 나타나는 효과 패턴을 포착 가능
단점	❌ 반복 분석이므로 표본 수가 줄어들 수 있음 ❌ 각 시점마다 생존자만 사용되므로 선택 편향 위험 증가
주의점	⚠️ 여러 시점에서 반복적으로 통계 검정을 하게 되므로 다중 비교(multiple testing)에 따른 오류 가능성 주의 필요
해결 방법	Bonferroni 보정, false discovery rate(FDR) 조정 등 효과 추세 자체에 초점 맞추기 (검정보다는 패턴 해석 위주)

‍ Landmark와 ‘닮은꼴’ 기법

기법	핵심 아이디어	Landmark와 차이
Time-dependent Cox	노출을 시간-가변 공변량으로 모형에 직접 투입	전체 시간정보 보존. 모델 복잡.
Delayed Entry(Left-truncation)	각자 다른 진입 시점을 허용	개별 시작점. 고정 Landmark 아님.
Clone-Censor-Weight	참가자를 가상군으로 복제, 검열, 가중치	ITB 제거, 분석세팅 유연.
Pseudo-Observation	누적위험을 pseudo 값으로 치환해 회귀	Landmark 개념 활용, 평균 효과 추정에 유리.

선택 가이드

연구상황	추천 접근
치료 효과 발현 시점이 중요	Landmark 또는 CCW
노출이 수시로 변함	Time-dependent Cox
관찰 시작점 불균등	Delayed Entry
평균 생존시간이 관심	Pseudo-Observation

요약

항목	설명
개념	기준 시점 이후만 분석하는 생존분석
목적	Immortal Time Bias 제거
장점	해석 단순, 구현 쉬움
한계	시점 선택 임의성, 정보 손실
대안	Time-dependent Cox, CCW, Delayed Entry, Pseudo-Obs

마무리

Landmark analysis는 시간 편향을 막는 간결한 솔루션이다.

“기준을 세우고 그 뒤를 본다”는 아이디어가 강력하다.

시간이 핵심인 연구라면 Landmark를 먼저 고려하라. ⛳