📊 statistics

Interpreting Net Survival: What We Estimate Versus What We Think We Estimate

이 논문은 암 환자가 일반 인구보다 높은 다른 원인 사망 위험을 겪는다는 점을 지적하며, 기존 네트 생존율 추정치 (Pohar Perme 추정기) 가 암으로 인한 사망뿐만 아니라 기저 건강 상태와 치료로 인한 추가 사망까지 포함하므로, 이를 '암 사망을 제외한 일반 인구 사망 위험이 제거된 상태'로 해석해야 하며 인과적 반사실로 오해해서는 안 된다고 주장합니다.

원저자: Matthew J. Smith

게시일 2026-03-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Matthew J. Smith

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

이 논문은 암 생존율 통계를 해석하는 방식에 대해 "우리가 믿고 있는 것"과 "실제로 계산된 것" 사이의 오해를 지적하고 있습니다.

간단히 말해, **"암이 유일한 사망 원인이라면 생존율은 얼마나 될까?"**라는 질문을 던지며 계산된 '순수 생존율 (Net Survival)'이 실제로는 그 질문의 답이 아닐 수 있다는 경고입니다.

이 복잡한 통계 논리를 일상적인 비유로 쉽게 설명해 드리겠습니다.

🏥 비유: "암 환자 생존율"이라는 이름의 게임

이 논문의 핵심은 세 가지 유형의 '사망'을 구분해야 한다는 것입니다. 이를 하나의 가상의 시나리오로 풀어보겠습니다.

1. 세 가지 죽음의 종류 (4 가지 구성 요소)

암 환자가 사망할 때, 그 원인은 크게 네 가지로 나뉩니다.

A (암 자체의 죽음): 암이 퍼져서 생기는 죽음. (진짜 암 때문)
B (기초 체력의 차이): 암 환자라고 해서 평소 건강이 더 나쁜 경우 (흡연, 당뇨, 노약 등). 암 치료와 상관없이 원래 건강이 안 좋아서 죽는 경우.
C (치료의 부작용): 암을 치료하기 위해 약이나 수술을 했는데, 그 부작용으로 심장마비나 감염 등으로 죽는 경우. (암 때문에 치료받았으니 암의 책임)
D (일반인의 죽음): 암이 없어도 나이 들어 죽거나, 일반인처럼 사고로 죽는 경우.

2. 우리가 잘못 알고 있는 것 (기존의 해석)

기존 통계학자들은 **"암이 유일한 사망 원인이라면 (A 만 남기고 나머지를 다 없앤다면) 생존율은 얼마일까?"**를 계산하기 위해 Pohar Perme라는 공식을 썼습니다.

목표: A 만 남기고 B, C, D 를 모두 제거하는 것.
실제 작동 방식: 이 공식은 **D(일반인의 죽음)**만 정확히 제거합니다.
문제점: 하지만 **B(기초 체력 차이)**와 **C(치료 부작용)**는 제거하지 못합니다.

💡 비유: "수영 대회"
암 환자들이 수영 대회에 나갔다고 상상해 보세요.

목표: "수영 실력 (A) 만으로 누가 1 등일까?"를 비교하는 것.
현실: 일반인 (D) 은 수영장에 아예 오지 않게 했습니다. 하지만 **수영복이 너무 무거운 환자 (B)**나 **수영 도중 다리를 다친 환자 (C)**는 여전히 경기에 남아 있습니다.
결과: 우리는 "수영 실력만 본 결과"라고 발표하지만, 실제로는 "무거운 수영복과 다리 부상을 안고 헤엄친 결과"를 보고 있는 것입니다.

3. 왜 이것이 중요한가? (RR 값의 중요성)

논문은 **"상대 위험도 (Relative Risk)"**라는 지표를 통해 이 오해가 얼마나 큰지 보여줍니다.

RR = 1.0 (예: 대장암): 암 환자가 일반인과 다른 사망 원인이 거의 없습니다. 이때는 기존 해석이 맞습니다. "수영복도 무겁지 않고 다리도 멀쩡합니다."
RR > 1.0 (예: 두경부암, RR=4.0): 암 환자가 일반인보다 다른 원인으로 죽을 확률이 4 배나 높습니다.
- 이는 **B(평소 건강이 안 좋음)**나 **C(치료 부작용)**가 매우 크다는 뜻입니다.
- 이때 "순수 생존율"을 계산하면, 실제 암으로 인한 사망 위험보다 훨씬 낮게 (나쁘게) 나옵니다. 마치 "수영 실력이 나쁜 게 아니라, 무거운 수영복 때문에 지친 것"을 실력 부족으로 오해하는 것과 같습니다.

4. 구체적인 사례: 전립선암과 에스트로겐 치료

논문의 예시인 전립선암 실험을 보면:

상황: 고농도 에스트로겐 치료제를 썼습니다.
결과: 암으로 죽는 사람 (A) 은 줄었지만, **심장마비 (C, 치료 부작용)**로 죽는 사람이 급증했습니다.
기존 해석: "암으로 죽는 사람이 줄었으니 치료 효과가 좋다!"라고 잘못 해석할 수 있습니다.
진짜 사실: 치료제가 암을 잡는 대신 심장을 망가뜨려 환자를 죽인 것입니다. 전체적인 생존 이득은 없습니다.
논문의 주장: 이럴 때는 "치료로 인한 사망"까지 포함한 **'질병 귀속 생존율 (Disease-attributable survival)'**을 봐야 합니다.

💡 결론: 우리가 해야 할 말의 변화

이 논문은 통계 방법을 버리라고 하는 것이 아니라, 해석하는 말을 정확히 하라고 요청합니다.

오해: "암이 유일한 사망 원인이라면 생존율은 얼마인가?" (이건 수학적으로 불가능한 가정입니다. 치료 부작용은 암의 결과이기 때문입니다.)
정답: "일반인처럼 죽을 확률 (D) 만을 제거했을 때의 생존율은 얼마인가?"

핵심 메시지:

암 생존율 통계는 암 치료의 효과만 보는 것이 아니라, 암 환자가 겪는 모든 고통 (치료 부작용 포함) 을 포함한 총체적인 생존율을 보여줍니다.
특히 두경부암처럼 다른 원인으로 죽을 확률이 높은 암종에서는, 기존 통계가 암의 위험을 실제보다 훨씬 더 크게 (나쁘게) 과장해서 보여줄 수 있습니다.
따라서 연구자와 언론은 "암이 유일한 원인이라면"이라는 표현 대신, **"일반인 사망률을 뺀 생존율"**이라고 정확히 말해야 합니다.

한 줄 요약:

"우리가 계산한 '순수 생존율'은 암 자체의 힘만 본 것이 아니라, **암 환자가 가진 원래 건강 상태와 치료 부작용까지 모두 합친 '암의 총체적 부담'**을 보여주는 것입니다. 이를 오해하지 않도록 말을 정확히 해야 합니다."

논문 개요

이 논문은 암 생존율 연구에서 널리 사용되는 **'순수 생존율 (Net Survival)'**의 개념적 정의와 실제 추정치 사이의 괴리를 지적하고 있습니다. 저자 Matthew J. Smith 는 기존에 "암이 유일한 사망 원인일 때의 생존율"로 해석되던 순수 생존율이, 실제로는 암 환자군의 기저 건강 상태 차이와 치료로 인한 다른 원인 사망을 모두 포함하고 있어, 의도된 인과적 반사실 (causal counterfactual) 을 정확히 반영하지 못할 수 있음을 이론적, 실증적, 분석적 증거를 통해 입증합니다.

1. 문제 제기 (The Problem)

기존 정의의 한계: 순수 생존율은 전통적으로 "암이 유일한 사망 원인이라면 생존율이 어떻게 될 것인가?"라는 인과적 질문에 대한 답으로 정의되어 왔습니다. 이는 Pohar Perme 추정기를 사용하여 일반 인구집단의 다른 원인 사망률 (기대 사망률) 을 관측된 총 사망률에서 제거함으로써 달성된다고 여겨집니다.
실제 상황과의 불일치: 그러나 암 환자는 일반 인구집단에 비해 기저 건강 상태가 나쁘거나 (기저 건강 차이), 암 치료로 인해 심혈관 질환, 감염 등 다른 원인으로 사망할 위험이 높습니다 (치료 유도 사망).
핵심 쟁점: 이러한 조건이 충족되지 않을 때, Pohar Perme 추정기는 단순히 일반 인구집단의 사망률만 제거할 뿐, 암 환자군에 고유한 '과잉 다른 원인 사망 (excess other-cause mortality)'을 제거하지 못합니다. 결과적으로 추정된 순수 생존율은 의도된 '암 특이적 생존율 (Cancer-specific survival)'보다 낮게 추정되며, 이는 암의 사망 부담을 과장하거나 치료 효과를 왜곡할 수 있습니다.

2. 방법론 (Methodology)

저자는 Botta 등 (2025) 의 이론적 틀을 확장하여 총 사망 위험 (Total mortality hazard) 을 4 가지 구성 요소로 분해하는 프레임워크를 제시합니다.

A. 사망 위험의 4 가지 구성 요소 분해

총 사망 위험 $h_{total}(t)$ 은 다음과 같이 분해됩니다:

Component A ( $h_A$ ): 암 특이적 사망 위험 (종양 진행, 전이로 인한 사망).
Component B ( $h_B$ ): 기저 건강 차이 (진단 시점의 흡연, 기저 질환, 사회경제적 지위 등). 암 환자 일반 인구집단 간의 차이에서 비롯되지만 암이나 치료와 직접적인 인과 관계는 없음.
Component C ( $h_C$ ): 치료 유도 다른 원인 사망 (치료로 인한 심혈관 질환, 2 차 암 등). 암 진단과 치료라는 인과 경로상 필연적으로 발생하는 사망.
Component D ( $h_D$ ): 일반 인구집단의 다른 원인 사망 위험 (기대 사망률).

Pohar Perme 추정기의 작동: 이 추정기는 $h_D$ 를 제거하여 $h_{excess} = h_A + h_B + h_C$ 를 추정합니다.
문제점: 의도된 추정치 (Target Estimand) 는 $h_A$ (암 특이적 생존) 여야 하지만, 실제로는 $A+B+C$ 를 추정하게 됩니다. $B$ 나 $C$ 가 0 이 아닌 이상, 추정치는 $A$ 와 일치하지 않습니다.

B. 상대위험도 (Relative Risk, RR) 의 역할

암 환자의 다른 원인 사망 위험과 일반 인구집단 위험의 비율인 RR 을 분석 도구로 사용합니다.

RR = 1.0: $h_B + h_C = 0$ 임을 의미. 순수 생존율은 암 특이적 생존율과 일치함.
RR > 1.0: $h_B + h_C > 0$ 임을 의미. 순수 생존율은 암 특이적 생존율을 과소평가함.
B vs C 구분: RR 은 과잉 사망의 총량을 나타내지만, 이것이 기저 차이 ( $B$ $B$ ) 인지 치료 효과 ( $C$ $C$ ) 인지 구분하지는 못합니다.
- Component B: 방법론적 개선 (층화화된 생애표 등) 으로 해결 가능 (Addressable).
- Component C: 암 치료의 인과적 결과이므로 방법론적 개선으로 제거 불가 (Irreducible).

C. 추정량 (Estimand) 매핑

연구 목적에 따라 4 가지 다른 추정량이 필요함을 제시합니다.

질병 특이적 생존 (Disease-specific survival, A): 임상 시험, 치료 효능 평가.
질병 귀속 생존 (Disease-attributable survival, A+C): 정책, 비용 효과 분석 (치료로 인한 다른 원인 사망 포함).
원인 특이적 생존 (Cause-specific survival, A + 일부 C): 사망증명서 기반 감시 (신뢰할 수 있는 원인 데이터가 있을 때).
순수 생존 (Net survival, A+B+C): 국제 비교, 원인 데이터가 신뢰할 수 없거나 불일치하는 경우.

3. 주요 결과 (Key Results)

A. 실증적 증거 (Relative Risk Variation)

Botta 등의 데이터를 분석한 결과, 암 종류에 따라 RR 이 크게 달라집니다.

대장암: RR ≈ 1.0 (순수 생존율과 암 특이적 생존율이 거의 일치).
유방암: RR ≈ 1.2~1.4 (중간 정도 차이).
두경부암: RR ≈ 4.0~4.5 (매우 큰 차이). 젊은 환자일수록 RR 이 높음.
이는 암 종류와 환자 군에 따라 순수 생존율의 해석 오류 크기가 다르며, RR 이 1.0 을 크게 초과하는 암종에서는 해석에 주의가 필요함을 보여줍니다.

B. 사례 연구: 전립선암 임상 시험 (고용량 에스트로겐 vs 위약)

배경: 고용량 에스트로겐이 전립선암 사망 (A) 은 줄이지만 심혈관 질환 사망 (C) 을 증가시킴.
분해 결과:
- 기저 건강 차이 (B) 로 인한 과잉 사망: 32.1% 포인트.
- 치료 유도 사망 (C) 으로 인한 과잉 사망: 7.1% 포인트.
- RR 은 위약군 3.4, 치료군 3.9 로 매우 높음.
해석의 교훈:
- 질병 특이적 생존 (A) 만 보면: 에스트로겐이 암 사망을 줄여 치료 효과가 있는 것처럼 보임.
- 질병 귀속 생존 (A+C) 을 보면: 치료로 인한 심혈관 사망이 암 사망 감소분을 상쇄하여 실제 이득이 없음이 드러남.
- 순수 생존 (A+B+C) 을 보면: 기저 건강 차이 (B) 가 양군에 균일하게 작용하므로 치료 효과의 상대적 비교는 유지되지만, 절대 생존율은 과소평가되며, 치료로 인한 사망 전이 (C) 가 암 사망 감소로 오인되는 현상을 가립니다.

C. 분석적 시뮬레이션

RR 이 2.0 일 때 5 년 생존율은 암 특이적 생존율보다 약 4.7% 포인트 낮게 추정됨.
RR 이 4.0 일 때 이 격차는 12.5% 포인트까지 벌어짐.
이 격차는 추후 기간이 4~5 년일 때 최대가 되며, RR 이 1.0 인 경우에만 모든 추정량이 일치함.
핵심: Component C (치료 유도 사망) 가 존재하는 한, 아무리 정교한 층화 (stratification) 를 하더라도 $B$ 를 제거할 수는 있어도 $C$ 를 제거하여 순수하게 $A$ 를 추정할 수는 없음.

4. 주요 기여 및 의의 (Contributions & Significance)

개념적 명확화: 순수 생존율이 "암이 유일한 사망 원인일 때의 생존율"이라는 기존 해석은 RR > 1.0 인 현실에서 성립하지 않음을 이론적으로 증명했습니다.
해결 가능한 오차와 불가피한 오차 구분:
- 기저 건강 차이 (B): 더 정교한 생애표 (life tables) 와 층화 분석으로 개선 가능.
- 치료 유도 사망 (C): 암 치료의 인과적 결과이므로 통계적 방법으로 제거할 수 없으며, 이는 암의 실제 사망 부담의 일부로 간주되어야 함.
용어의 재정의 제안:
- 기존: "암이 유일한 사망 원인일 때의 생존율" (Survival if cancer were the only possible cause of death)
- 제안: "일반 인구집단의 다른 원인 사망률이 제거된 생존율" (Survival where general population other-cause mortality is removed)
- 이 변경은 추정기가 실제로 수행하는 통계적 작업을 정확히 반영하고, 인과적 과장을 방지합니다.
실무적 권고:
- 국제 비교 (CONCORD 등) 에는 순수 생존율 사용이 유효하나, 해석 시 RR 의 크기를 고려해야 함.
- 신뢰할 수 있는 원인 사망 데이터가 있는 경우, **질병 귀속 생존 (Disease-attributable survival)**이나 **원인 특이적 생존 (Cause-specific survival)**을 함께 보고하여 치료의 전체적 부담 (암 사망 + 치료 부작용 사망) 을 파악해야 함.
- RR 이 높은 암종 (두경부암 등) 에서는 순수 생존율 해석에 특히 주의해야 함.

5. 결론

이 논문은 순수 생존율이라는 지표 자체를 부정하는 것이 아니라, 그 **해석 (Interpretation)**을 수정해야 함을 강력히 주장합니다. 암 환자군의 다른 원인 사망 위험이 일반 인구집단과 다르다는 사실 (RR > 1.0) 은 보편적이며, 특히 치료 유도 사망은 통계적 오차가 아닌 암 치료의 실제 비용입니다. 따라서 연구자들은 "암이 유일한 사망 원인"이라는 인과적 명제를 포기하고, "일반 인구집단의 배경 사망률이 제거된 상태"라는 기술적 정의를 사용하며, 연구 목적에 맞는 적절한 추정량 (Estimand) 을 선택하여 보고해야 합니다. 이는 암 생존율 연구의 투명성과 정확성을 높이는 데 기여할 것입니다.