📊 statistics

Competing-Risk Cure Models: A Five-Axis Systematic Review of Methodological Literature

이 논문은 26개의 경쟁 위험 완치 모델(competing-risk cure models)에 대한 5개 축 중심의 체계적 문헌 고찰을 제시하며, 이를 통해 방법론적 차이점을 명확히 하고 추정 기법을 비교하며, 향후 연구와 투명한 모델 선택을 안내하기 위해 소프트웨어 가용성 및 재현성의 결정적인 공백을 강조한다.

원저자: Nilotpal Sanyal

게시일 2026-08-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nilotpal Sanyal

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

사람들이 얼마나 오래 사는지 또는 기계가 얼마나 오래 지속되는지를 연구하는 과정에서, 과학자들은 종종 하나의 난제에 직면합니다. 그것은 모든 이가 동일한 결말을 맞이할 위험에 처해 있는 것은 아니라는 점입니다. 골수 이식 후 추적 관찰 중인 환자 집단을 상상해 보십시오. 어떤 이들은 결국 재발할 것이고, 어떤 이들은 심장 질환과 같은 다른 원인으로 사망할 것이며, 또 어떤 이들은 그 특정 위협으로부터 완전히 자유로운 채 자연적인 삶을 살아가며 결코 재발하지 않을 것입니다. 이 두 번째 집단, 즉 주요 위험으로부터 사실상 '완치'된 사람들은 독특한 통계적 과제를 안겨줍니다. 사건이 발생하는 시간을 분석하는 표준적인 방법들은 대개 모든 사람이 연구 대상인 사건에 노출될 수밖에 없다고 가정합니다. 하지만 인구의 일부가 면역을 갖게 되면, 이러한 표준 도구들은 실제로는 사라지지 않는 위험을 그려냄으로써 오해를 불러일으킬 수 있습니다. 더욱이, 재발 대 타사 사망 원인과 같이 서로 다른 여러 가지 결말이 가능할 때 상황은 더욱 복잡해지는데, 왜냐하면 한 사건의 발생이 다른 사건의 관찰을 방해하기 때문입니다.

수십 년 동안 연구자들은 이러한 '완치' 비율과 경합 위험(competing risks)을 다루기 위해 다양한 수학적 방법을 개발해 왔지만, 이 분야는 서로 다른 접근 방식들이 뒤섞인 조각보와 같은 상태가 되었습니다. 텍사스 대학교 엘파소 캠퍼스의 닐로팔 사니알(Nilotpal Sanyal)이 수행한 새로운 체계적 문헌 고찰은 이 흩어진 풍경에 질서를 부여합니다. 저자는 26개의 서로 다른 방법론적 논문을 검토하였으며, 이를 단순히 혼란을 줄 수 있는 이름이 아니라, 각 모델이 작동하는 방식을 정의하는 다섯 가지 근본적인 질문에 따라 분류했습니다. 이 검토는 많은 모델이 유사한 제목을 공유하고 있음에도 불구하고, 실제로는 완치가 어떻게 일어나는지, 위험들이 어떻게 상호작용하는지, 그리고 데이터가 어떻게 처리되는지에 대해 완전히 다른 가정을 기반으로 하고 있음을 밝혀냈습니다. 핵심적인 발견은 단 하나의 '최선'의 모델이란 존재하지 않으며, 오히려 방법의 선택은 연구자가 해당 상황의 기저에 깔린 생물학적 또는 기계적 원리에 대해 무엇을 믿느냐에 크게 좌우된다는 것입니다. 결정적으로, 이 검토는 이 분야의 중대한 공백을 강조합니다. 이러한 모델들의 이론적 정교함에도 불구하고, 즉시 사용할 수 있는 소프트웨어는 매우 드물어서 대부분의 연구자가 새로운 연구를 할 때마다 자신만의 맞춤형 코드를 직접 작성해야 한다는 점입니다.

이 검토는 우선 이러한 모델들에서 '완치'가 실제로 무엇을 의미하는지 명확히 하는 것으로 시작합니다. 어떤 접근 방식에서 완치란 사람이 가능한 모든 나쁜 결과로부터 영원히 면역이 된 상태를 의미합니다. 반면 다른 방식에서는 사람이 주요 질병으로부터는 완치되었을지라도, 관련 없는 질병과 같은 다른 실패 원인에는 여전히 취약할 수 있다고 봅니다. 이러한 구분은 매우 중요한데, 왜냐하면 이것이 예측의 전체 수학적 구조를 바꾸기 때문입니다. 저자는 그다음 모델들을 데이터를 어떻게 분해하는지에 따라 분류합니다. 어떤 모델은 인구를 완치된 집단과 그렇지 않은 집단의 단순한 혼합으로 취급합니다. 다른 모델들은 더 복량적인 구조를 사용하는데, 예를 들어 사람 내부에 숨겨진 수의 '위험 요인'이 있다고 상상하며, 위험 요인이 0개인 상태를 완치된 상태로 간주합니다. 또 다른 모델들은 생존 곡선 자체의 형태 안에 완치를 직접 구축하여, 별도의 집단 라벨 없이도 곡선이 0보다 높은 수준에서 평탄해지도록 만듭니다.

이 검토의 또 다른 중요한 축은 이러한 모델들이 사건의 타이밍과 사건 간의 관계를 어떻게 다루는지 살펴보는 것입니다. 서로 다른 위험들이 독립적으로 작용하는가, 아니면 한 위험의 존재가 다른 위험의 가능성을 변화시키는가? 검토된 대부분의 모델은 서로 다른 위험들이 서로 독립적으로 작동한다고 가정하지만, 일부 모델은 이들이 연결될 수 있는 복잡한 방식을 모델링하려고 시도합니다. 또한 이 검토는 환자가 사망했지만 구체적인 원인을 알 수 없는 경우나, 사건의 정확한 시간이 특정 구간 내에서 발생했다는 것만 알려진 경우와 같은 누락된 정보 문제를 모델들이 어떻게 다루는지 조사합니다. 저자는 일부 모델이 이러한 현실 세계의 지저진 데이터 문제를 다루는 정교한 방법을 갖추고 있는 반면, 많은 다른 모델은 더 단순하고 유연성이 떨어지는 가정에 의존하고 있다는 점을 발견했습니다.

이 검토에서 가장 놀라운 발견은 아마도 이 모델들을 사용하기 위해 사용할 수 있는 도구에 관한 것일 것입니다. 이 분야는 이론은 풍부하지만 실무는 빈약합니다. 저자는 검토한 26개의 논문 중 극히 일부만이 공개 코드를 제공했을 뿐, R이나 파이썬과 같은 흔히 쓰이는 언어로 널리 채택된 명확한 라이선스를 가진 소프트웨어 패키지를 제공하는 경우는 없다는 것을 발견했습니다. 대부분의 연구자는 복잡한 모델에 맞추기 위해 처음부터 직접 프로그램을 작성해야 하는 처지에 놓여 있습니다. 이러한 표준화된 소프트웨어의 부재는 서로 다른 연구 간의 결과를 비교하거나 모델이 제대로 작동하는지 검증하는 것을 어렵게 만듭니다. 이 검토는 공개된 골수 이식 데이터를 사용한 실질적인 시연을 포함하여, 동일한 환자 집단에 대해서도 서로 다른 모델이 어떻게 다른 답을 내놓을 수 있는지를 보여줌으로써, 결과가 선택된 방법론에 내재된 구체적인 가정에 전적으로 달려 있음을 강조합니다.

궁극적으로 이 작업은 복잡한 분야를 항해하기 위한 지도로서 역할을 합니다. 이는 연구자들에게 단순히 익숙한 이름을 가진 모델을 선택하는 것만으로는 부족하며, 그 모델이 완치를 어떻게 정의하고, 경합 위험을 어떻게 다루며, 누락된 데이터를 어떻게 처리하는지 그 내부를 들여다봐야 한다는 점을 이해하도록 돕습니다. 이 다섯 가지 명확한 탐구 경로를 따라 문헌을 정리함으로써, 이 검토는 향후 연구에서 더 나은 선택을 할 수 있는 틀을 제공합니다. 또한 이 검토는 통합된 오픈 소스 소프트웨어 도구 개발에 대한 조용하지만 긴급한 촉구를 담고 있습니다. 그러한 도구들이 존재하지 않는 한, 이러한 고급 모델들이 제공하는 강력한 통찰력은 맞춤형 코드 뒤에 갇힌 채로 남아, 의학 및 그 너머의 장기 생존에 대한 우리의 이해를 개선하는 능력을 제한할 것입니다.

기술 요약: 경쟁 위험 완치 모델: 방법론적 문헌에 대한 5축 체계적 검토

문제 제입 (Problem Statement)
경쟁 위험 완치 모델(Competing-risk cure models)은 개인이 모든 유형의 사건에 노출되지 않거나 특정 관심 사건에 대해 면역을 가진 경우를 다루는 시간-사건(time-to-event) 인구 집단을 대상으로 한다. 이 분야의 방법론적 문헌은 주로 분리된 모델 군(families)을 통해 발전해 왔으며, 이로 인해 파편화가 발생했다. 주요 과제는 "혼합 완치 모델(mixture cure models)"과 같이 유사한 이름을 가진 모델들이 서로 다른 추정량(estimands)을 목표로 하고, 서로 다른 완치 메커니즘을 수반하며, 서로 다른 잠재 위험 및 검열 구조를 가정하고, 서로 다른 회귀 해석을 제공한다는 점이다. 또한, 경쟁 위험과 완치 분율(cure fractions)의 동시 존재는 완치 상태, 사건 시간, 그리고 사건 유형 간의 관계에 관한 근본적인 모델링 복잡성을 야기한다. 기존 문헌에는 이러한 방법들을 비교할 수 있는 통합된 개념적 프레임워크가 부족하며, 재현성 또한 불균형하다. 대부분의 구현이 커스텀 코드에 의존하고 있고, 통합되고 명확하게 라이선스가 부여된 소프트웨어 프레임을 제공하는 경우는 거의 없다.

방법론 (Methodology)
본 논문은 초기 혼합 공식부터 최근의 준모수적(semiparametric), 베이지안, 결함(defective), 잠재-계수(latent-count), 영잉여(zero-inflated), 클러스터링, 구간 검열(interval-censored), 그리고 신경망 기반 모델에 이르기까지 26개의 방법론적 기여를 체계적으로 검토한다. 문헌은 흔히 혼동되는 가설들을 구분하기 위해 다섯 가지 상호 보완적인 축을 따라 정리된다:

완치의 정의 및 범위: 본 검토는 전역 완치(global cure) (모든 경쟁 사건 유형에 대한 면역)와 원인 특이적 완치(cause-specific cure) (주요 사건에 대해서만 면역을 가지며 다른 위험은 여전히 가능한 상태)를 구분한다. 각 정의 내에서 경쟁 위험의 비완치성이 어떻게 처리되는지를 명확히 한다.
결합 분포의 분해 및 완치 메커니즘: $P(T, E, Z | X)$ $P (T, E, Z ∣ X)$ 가 어떻게 인수분해되는지를 분류한다. 네 가지 주요 전략이 식별된다:
- 발생-잠재기(Incidence–Latency) 분해: 완치된 집단(발생)과 감수성이 있는 집단(잠재기)을 분리하는 지배적인 접근 방식이다. 변형으로는 기저 범주 다항 로짓(baseline-category multinomial logit), 이진 로지스틱 감수성, 영잉여 혼합/누적 발생 함수(CIF) 형식이 포함된다.
- 수직적(Vertical, 감수성) 인수분해: 감수성이 경쟁 위험 해저드 시스템으로의 진입을 결정하고, 사건 유형을 실패 시점에 조건화하는 구조적 접근 방식이다.
- 잠재적 경쟁 원인(Latent Competing-Causes, 촉진 시간) 구성: 완치가 실패를 유발하는 원인의 잠재 계수가 0인 상태(예: 포아송, 음이항 또는 파괴 과정)를 통해 인코딩된다.
- 결함(Defective, 부적절) 생존 분해: 명시적인 완치 지표나 혼합 가중치 없이, 부적절한 생존 분포의 제한적 꼬리(limiting tail)에 의해 완치가 유도된다.
잠재기 구조(Latency Structure): 모수적(예: Weibull, Gompertz, inverse-Gaussian), 구간 상수(piecewise-constant), 비례 위험(PH), 가속 실패 시간(AFT), 변환(transformation), CIF 기반, 그리고 비모수적 잠재기 모델을 비교한다.
의존성 및 관찰 프로세스 가정: 잠재적 실패 시간 간의 의존성과 실패-검열 간의 의존성, 클러스터 내 연관성, 그리고 마스킹된 원인을 구분한다. 많은 모델이 반사실적 잠재 실패 시간의 결합 분포를 모델링하지 않고 관찰된 사건 분포만을 명시한다는 점을 강조한다.
추정 프레임워크: 직접 및 부분 가능도 최대화, 기대-최대화(EM) 알고리즘(신경망 M-단계 포함), 역 확률 검열 가중치(IPCW)를 이용한 추정 방정식, 베이지안 계산(MCMC, 데이터 증강), 그리고 코풀라-그래픽(copula-graphic) 추정법을 조사한다.

이 프레임워크를 설명하기 위해, 저자는 공공 골수 이식 데이터를 사용하여 결함-고멘츠(defective-Gompertz) 경쟁 위험 완치 구성을 활용한 재현 가능한 예시를 제공하며, 적합된 꼬리 확률이 보편적인 지표가 아니라 특정 모델 정의에 따라 어떻게 해석되어야 하는지를 보여준다.

주요 기여 (Key Contributions)

분류 체계(Taxonomic Framework): 주요 기여는 26개의 다양한 방법론적 논문을 5축 체계로 조직한 것이다. 이 분류 체계는 명시적인 완치 지표와 결함 분포의 꼬리 질량을 구분하고, 잠재적 경쟁 위험 의존성과 실패-검열 의존성을 구분하는 등, 흔히 혼동되는 모델들 사이의 차이를 명확히 한다.
추정량의 명확화: 전역 완치와 원인 특이적 완치, 그리고 혼합 공식, 수직적 인수분해, 잠재-계수 구성 간의 차이를 명확히 구분하여, 이러한 선택이 완치 분율, 누적 발생 함수(CIF), 그리고 회귀 매개변수의 해석에 어떤 영향을 미치는지 보여준다.
재현성 평가: 본 논문은 소프트웨어 가용성을 기록하며, 일부 저자들이 코드(예: Python, R, FORTRAN)를 제공하기는 하지만, 주요 구성을 통합하는 널리 채택된 명확한 라이선스의 R 또는 Python 프레임워크는 없음을 지적한다. 대부분의 구현은 커스텀 코드에 의존하여 벤치마킹과 검증을 제한한다.
예시 적용: 결함-고멘츠 모델의 적용을 보여주는 재현 가능한 예시를 제공하여, 꼬리 확률은 모델 의존적이라는 점을 강조한다.

결과 (Results)

혼합 모델의 지배성: 혼합 공식이 문헌에서 여전히 지배적인 접근 방식이다. 그러나 본 검토는 이름이 유사한 모델들이 실제로는 근본적인 메커니즘과 가정에서 크게 다를 수 있음을 밝혀낸다.
모델링 격차: 잠재적 실패 시간 간의 의존성은 완치나 잠재기 구조에 비해 명시적으로 모델링되는 경우가 적다. 실패-검열 의존성, 클러스터 내 연관성, 마스킹된 원인은 더 작은 하위 집합에서만 집중적으로 다뤄진다.
추정의 다양성: 추정 방법은 표준 가능도 최대화 및 EM 알고리즘부터 신경망 M-단계, 고급 베이지안 데이터 증강, 코풀라-그래픽 추정에 이르기까지 매우 다양하다.
소프트웨어 한계: 본 검토는 재현성이 제한적임을 발견했다. 소수의 논문만이 공개 코드 저장소를 보고하고 있으며, 경쟁 위험 완치 모델을 위한 통합된 명확한 라이선스의 소프트웨어 패키지를 제공하는 곳은 없다.

의의 (Significance)
본 논문은 제안된 분류 체계가 연구자들이 모델을 투명하게 선택하고 보고하며, 추정 접근 방식을 비교하고, 추가적인 이론, 소프트웨어 개발, 벤치마킹 및 재현 가능한 응용 분야의 구체적인 필요성을 식별하는 데 도움이 된다고 주장한다. 이는 유사한 이름을 가진 모델들이 서로 다른 추정량을 목표로 할 수 있는 파편화된 문헌에서 발생하는 혼란을 해결하는 것을 목표로 한다. 본 검토는 새로운 통계 이론을 제안하는 것이 아니라, 비교를 위한 공통의 개념적 및 수학적 프레임워크를 제공하기 위해 기존의 기여를 종합하는 것이다. 저자는 적합된 꼬리 확률이 모든 방법론 간의 비교 근거가 아닌, 사용된 특정 모델 및 종점(endpoint) 정의에 따라 엄격하게 해석되어야 함을 강조한다.

기술 요약: 경쟁 위험 완치 모델: 방법론적 문헌에 대한 5축 체계적 검토

유사한 논문