📊 statistics

Selection and Collider Restriction Bias Due to Predictor Availability in Prognostic Models

이 방법론적 노트는 예후 모델에서 예측 변수의 가용성으로 인해 발생할 수 있는 선택 편향과 콜라이더 제한 편향을 조사하고 논의합니다.

원저자: Marc Delord

게시일 2026-02-20

📖 4 분 읽기☕ 가벼운 읽기

원저자: Marc Delord

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🏥 1. 배경: 환자의 미래를 예측하는 '운세 점' 같은 도구들

의사들은 환자가 앞으로 어떤 병에 걸릴지, 혹은 언제 위험해질지 예측하기 위해 수학적 모델을 만듭니다.

예시: "심장마비 위험 점수"나 "신장 (콩팥) 기능 저하 예측 점수" 같은 것들입니다.
작동 원리: 환자의 나이, 성별, 혈압, 소변 검사 결과 등을 입력하면, "이 환자는 10 년 안에 심장마비가 올 확률이 20% 입니다"라고 알려줍니다.

⚠️ 2. 문제: "모든 데이터가 다 있는 줄 알았는데..."

이 모델들을 만들 때 연구자들은 한 가지 가정을 합니다.

"병원 기록에 있는 데이터는 모든 환자에게 골고루 기록되어 있을 거야."

하지만 현실은 다릅니다. 어떤 검사 결과는 모든 환자에게 찍히지 않습니다. 오직 '의사가 필요하다고 판단한' 환자들에게만 찍히기 때문입니다.

🕵️‍♂️ 3. 핵심 비유: '수영장 입구'와 '선택적 조사'

이 논문이 말하는 **'선택 편향 (Selection Bias)'**과 **'콜라이더 편향 (Collider Bias)'**을 이해하기 위해 두 가지 상황을 상상해 보세요.

상황 A: 선택 편향 (Selection Bias) - "아픈 사람만 수영장에 들어옴"

상황: 어떤 연구자가 "수영장에서 물에 빠지는 사고를 예측하는 모델"을 만듭니다.
문제: 연구 데이터는 오직 수영장에 이미 들어온 사람들만 분석합니다.
왜곡: 수영장에 들어오려면 '물놀이 의욕'이 있어야 합니다. 하지만 실제로는 **'다리가 아픈 사람'**은 수영장에 들어오지 못합니다.
결과: 연구자는 "수영장에 있는 사람들은 다리가 튼튼해서 사고가 안 난다"라고 결론 내릴 수 있습니다. 하지만 사실은 '다리가 아픈 사람들은 아예 수영장에 오지 않았기 때문에' 데이터에 없는 것입니다.
의학으로: 병이 심해서 검사를 받은 환자들만 데이터에 있고, 병이 경미해서 검사를 안 받은 사람들은 빠져있으면, 모델은 병의 심각도를 잘못 판단하게 됩니다.

상황 B: 콜라이더 편향 (Collider Bias) - "두 가지 이유가 만나서 생긴 함정"

이게 이 논문의 핵심입니다. **콜라이더 (Collider)**란 '두 가지 화살표가 한곳으로 모여드는 지점'을 말합니다.

상황: 콩팥 (신장) 기능이 나빠지는지 예측하는 모델을 만듭니다.
- 원인 1 (A): 콩팥 기능이 실제로 나빠짐 (eGFR 수치가 떨어짐).
- 원인 2 (B): 환자가 당뇨병을 앓거나 증상이 심함 (의사가 '위험하다'고 느낌).
- 결과 (C): **소변 검사 (uACR)**를 하느냐 마느냐.
메커니즘:
- 콩팥 기능이 나빠지면 (A) → 의사가 소변 검사를 함.
- 당뇨병이 있거나 증상이 심하면 (B) → 의사가 소변 검사를 함.
- 즉, **소변 검사 (C)**는 A 와 B 두 가지 이유 모두에 의해 결정됩니다.
함정: 연구자는 소변 검사 결과 (C) 가 있는 환자들만 분석합니다.
- 그런데 여기서 이상한 일이 발생합니다. 소변 검사 결과가 있는 사람들 사이에서는, **"콩팥 기능이 나쁜데 (A) 당뇨병이 없는 사람"**과 **"당뇨병이 있는데 (B) 콩팥 기능은 좋은 사람"**이 서로 대립되는 것처럼 보일 수 있습니다.
- 마치 **"수영장에 들어오기 위해 '물놀이 의욕'이 있거나 '다리가 튼튼함' 중 하나라도 있어야 한다"**는 조건이 생겼을 때, 물에 빠진 사람들만 보면 "물놀이 의욕이 있는 사람은 다리가 튼튼하지 않다"는 엉뚱한 상관관계가 만들어지는 것과 같습니다.
결과: 이 모델은 실제 병의 진행 상황을 왜곡해서 예측하게 됩니다.

🧪 4. 실제 사례: 콩팥 질환 예측 모델 (KFRE)

이 논문은 '콩팥 부전 예측 점수 (KFRE)'를 예로 들었습니다.

이 모델은 **나이, 성별, 신장 기능 (eGFR), 소변 단백질 (uACR)**을 봅니다.
현실: 하지만 일반 진료소에서는 모든 콩팥 환자에게 소변 검사를 하지 않습니다. 오직 의사가 "이 환자는 위험해 보인다"고 생각할 때만 검사를 합니다.
문제: 그래서 이 모델에 쓰인 데이터는 "위험해 보이는 환자들"만 모은 것입니다. 이 데이터를 바탕으로 만든 모델은 일반인이나 경미한 환자에게 적용하면 위험을 과장하거나 과소평가할 수 있습니다.

💡 5. 결론: 우리가 무엇을 배워야 할까?

데이터가 있다고 해서 다 믿을 수는 없다: 병원 기록에 있는 데이터는 '우연히' 기록된 것이 아니라, '의사의 판단'에 의해 선택된 데이터일 수 있습니다.
모델의 한계: 우리가 만든 예측 모델은 "데이터가 있는 사람들"에게는 잘 맞을지 몰라도, "데이터가 없는 사람들"에게는 완전히 틀린 결과를 줄 수 있습니다.
해결책: 앞으로는 예측 모델을 만들 때, **"이 검사 결과가 왜 기록되었을까?"**를 먼저 고민해야 합니다. 모든 환자에게 균일하게 검사가 이루어지는지, 아니면 특정 조건 (병이 심할 때만) 에만 이루어지는지 확인해야 정확한 모델을 만들 수 있습니다.

한 줄 요약:

"우리가 예측 모델을 만들 때, '기록된 데이터'가 '전체 환자'를 대표한다고 믿으면 안 됩니다. 의사가 검사한 '특정 환자들'만 모인 데이터는 마치 '수영장에 들어온 사람들만 보고 물에 빠지는 이유를 분석'하는 것과一样, 엉뚱한 결론을 내릴 수 있기 때문입니다."

1. 연구 배경 및 문제 제기 (Problem)

배경: 의학 분야에서 예후 점수 (prognostic scores) 나 임상 예측 모델은 환자의 임상적 및 비임상적 특성을 기반으로 특정 건강 결과 (질병 발병, 합병증, 사망 등) 가 발생할 확률을 추정하는 통계적 모델입니다. 최근 수십 년간 예측 모델의 수가 급증하면서 개발, 검증, 보고에 대한 방법론적 가이드라인이 정립되었습니다.
핵심 문제: 기존 방법론적 프레임워크는 예측 변수 (predictors) 가 진료 현장에서 routinely(일상적으로) 이용 가능하다는 가정을 전제로 합니다. 그러나 실제 임상 데이터 (특히 후향적 데이터) 를 사용할 때, 모델 개발은 '측정된 예측 변수를 가진 환자'로만 제한됩니다.
편향의 발생: 만약 예측 변수의 측정이 질병의 중증도나 관련 치료 과정에 의존적으로 이루어진다면, 분석 대상이 되는 표본은 무작위가 아니라 '중증도가 높은 환자'로 편향되어 선택됩니다. 이는 **선택 편향 (Selection Bias)**을 초래하며, 더 나아가 특정 조건 하에서는 **콜라이더 제한 편향 (Collider Restriction Bias)**을 유발하여 모델의 추정치를 왜곡시킵니다.

2. 방법론 및 이론적 프레임워크 (Methodology)

저자는 인과 다이어그램 (Directed Acyclic Graphs, DAG) 을 활용하여 예측 변수의 가용성이 모델에 미치는 영향을 이론적으로 분석했습니다.

변수 정의:
- $U$ : 관측되지 않은 질병 중증도 (Underlying disease severity)
- $Y$ : 결과 변수 (Outcome)
- $P_1, P_2$ : 예측 변수 (Predictors)
- $I\{P \text{ is measured}\}$ : 예측 변수가 측정되었는지 여부를 나타내는 지시 함수 (측정 기반 제한)
시나리오 분석 (Figure 1 기반):
1. 패널 A (기존 선택 편향): 질병 중증도 ( $U$ ) 가 결과 ( $Y$ ) 와 예측 변수 측정 ( $I\{P_1\}$ ) 모두에 영향을 줌. 분석을 측정된 환자들로 제한하면 중증도에 따라 선택되는 효과가 발생.
2. 패널 B (대리 변수를 통한 선택): 측정된 예측 변수 ( $P_1$ ) 가 중증도 ( $U$ ) 의 대리 변수 역할을 하며, $P_1$ 의 악화가 추가 검사 ( $P_2$ 측정) 를 유도. 이 경우에도 $P_2$ 가 있는 환자만 분석되므로 선택 편향이 발생.
3. 패널 C (콜라이더 제한 편향): 질병 중증도 ( $U$ $U$ ) 와 그 대리 변수 ( $P_1$ $P_{1}$ ) 가 모두 예측 변수 ( $P_2$ $P_{2}$ ) 의 측정 결정에 영향을 줄 때, $P_2$ $P_{2}$ 의 가용성은 **콜라이더 (Collider)**가 됨.
  - 핵심 통찰: 단순 선택 편향은 고위험군을 대표하는 계수를 유지할 수 있지만, 콜라이더에 조건을 부여 (conditioning) 하면 모든 기저 예측 변수와 결과 간의 연관성이 왜곡됩니다. 즉, 예측 변수의 가용성이 결과 위험의 결정 요인에 의존할 때 모델 계수가 편향됩니다.

3. 주요 사례 연구 및 결과 (Key Contributions & Results)

논문은 **신부전 위험 방정식 (Kidney Failure Risk Equation, KFRE)**을 구체적인 사례로 들어 이론을 입증했습니다.

KFRE 모델의 한계:
- KFRE 는 만성 신장 질환 (CKD) 3~5 기 환자의 신부전 진행 위험을 예측하기 위해 나이, 성별, 사구체여과율 (eGFR), 소변 알부민/크레아티닌 비율 (uACR) 을 사용합니다.
- 데이터 가용성 문제: 임상 현장 (특히 1 차 진료) 에서 uACR 검사는 체계적으로 수행되지 않습니다. 영국과 미국의 데이터에 따르면, CKD 환자 중 uACR 검사를 받은 비율은 17%~37% 로 매우 낮습니다.
콜라이더 편향의 메커니즘:
- eGFR 수치가 감소하면 uACR 검사가 유도됩니다.
- 동시에 당뇨병 등 전반적인 신부전 위험 (증상 및 동반 질환) 이 uACR 검사 결정에 영향을 줍니다.
- 즉, uACR 데이터의 가용성은 'eGFR'과 '관찰되지 않은 전반적인 위험'이라는 두 가지 요인에 의해 결정되는 콜라이더 역할을 합니다.
결과:
- 이러한 구조 하에서 uACR 이 측정된 환자만 포함하여 모델을 개발하거나 검증하면, 콜라이더 제한 편향이 발생하여 모델의 계수와 예측 성능이 실제 임상 적용 환경에서 왜곡될 수 있습니다.
- 이는 KFRE 가 높은 예측 성능을 보임에도 불구하고 임상 현장에서의 실제 활용 (uptake) 이 제한적인 주요 원인 중 하나로 지목됩니다.

4. 의의 및 시사점 (Significance)

방법론적 경고: 예측 모델 개발 및 검증 시 '예측 변수의 가용성'이 무작위적이지 않고 질병 중증도나 치료 과정에 의존적일 수 있음을 명시적으로 고려해야 합니다. 이는 기존 가이드라인에서 간과되었던 중요한 가정입니다.
모델 설계의 변화 필요:
- 데이터가 체계적으로 수집되지 않는 변수를 포함하는 복잡한 모델보다는, 임상 현장에서 쉽게 접근 가능한 변수로 구성된 단순화된 예후 모델의 개발이 필요함을 시사합니다.
- 전향적 코호트 연구 (prospective cohorts) 를 통해 예측 변수의 수집 프로토콜을 표준화하는 것이 중요합니다.
임상적 적용성: 통계적 정확도 (predictive accuracy) 만을 추구하는 것이 아니라, 실제 임상 환경에서의 **실용성 (clinical utility)**과 데이터 가용성을 고려한 모델 개발이 필수적임을 강조합니다.

5. 결론

이 논문은 예측 모델 개발에서 **예측 변수의 가용성 (Predictor Availability)**이 단순한 데이터 결손 문제가 아니라, 선택 편향과 콜라이더 제한 편향을 유발하는 구조적 인과 문제임을 밝혔습니다. 특히 KFRE 사례를 통해, 임상적 맥락에서 변수 수집이 질병 중증도에 의존할 경우 모델의 타당성이 훼손될 수 있음을 경고하며, 향후 예측 모델 연구는 데이터 수집의 편향 구조를 명시적으로 평가하고 이를 보정하거나 모델 구조를 단순화해야 할 필요성을 제기했습니다.