주제 1.4 — 위험비(Hazard Ratio)

한 문장으로: 위험비는 한 집단에서 다른 집단에 비해 사건이 얼마나 빠르게 일어나는지를 요약한 간결하고 널리 보고되지만 널리 오독되는 수치이며, 이를 잘 읽는다는 것은 위험비가 구매, 평가, 보고 결정을 움직이게 두기 전에 항상 "추적 기간은 얼마나 되며, 어떤 집단이며, 절대적 수치로는 무엇을 얻는가?"를 묻는 것이다.

보건·돌봄에서 이것이 중요한 이유#

공급업체의 슬라이드에 "우리 개입은 위험비 0.75를 달성했다"라고 적혀 있다면, 리더는 나쁜 것의 25% 감소를 느끼도록 초대받고 있다. 그 느낌은 대개 사실이 보증하는 것보다 강하다. 위험비(HR)는 임상 및 공중보건 근거에서 가장 흔한 통계량 중 하나이자 가장 한결같이 오해받는 것 중 하나인데, 통계학자가 아니라 그것을 근거로 행동하는 이사회, 구매자, 홍보팀이 그렇다. 보건·돌봄에서 HR이 말하는 바와 사람들이 말한다고 생각하는 바 사이의 간극은 학술적 성가심이 아니다. 무엇을 구매하고, 무엇을 확산하고, 환자에게 무엇을 기대하라고 말할지를 바꾼다.

이 주제는 주제 1.3 — 근거 기반 의사결정의 실용적 짝이다. 그 주제는 근거의 강도를 위험의 수준에 맞추고 임상 근거와 전달 근거를 구별해야 한다고 주장했다. 이 주제는 한 겹 더 들어가, 여러분이 비중을 두라고 요청받을 임상 근거에 반복해서 등장하는 하나의 통계량을 다룬다. 어떻게 읽는지, 어디서 오도하는지, 함께 무엇을 요구해야 하는지다. 위험비를 직접 계산할 필요는 없다. 그러나 같은 헤드라인 HR이 슬라이드가 빠뜨린 사실에 따라 인생을 바꾸는 이득에 해당할 수도, 거의 감지할 수 없는 이득에 해당할 수도 있음을 알아야 하며, 그 사실을 요구하지 못하는 리더는 틀을 정한 사람의 처분에 맡겨진다. 이 수치들이 대중 메시지와 임상 경로를 형성하므로, 이를 잘못 다루는 것은 단순한 정확성이 아니라 신뢰와 형평성의 문제다.

핵심 개념#

위험(hazard)과 위험비. *위험(hazard)*이란 특정 시점에 아직 위험에 놓인 사람들 사이에서 사건(사망, 입원, 재발)이 일어나는 순간적 비율이다. 위험비는 치료군의 그 비율과 대조군의 비율의 비다. HR이 1보다 작으면 치료군에서 사건이 더 천천히 일어나고, 1보다 크면 더 빠르게, 정확히 1이면 차이가 없다. 이는 "사건까지의 시간" 자료를 다루는 통계학의 한 갈래인 생존 분석에서 나왔고, 보통 창시자의 이름을 딴 콕스 모형으로 알려진 비례 위험 모형으로 추정한다. 결정적으로 HR은 비율을 서술하는 것이지 확률이 아니며, 얻은 시간의 양도 아니다.

비례 위험 가정. 콕스 모형의 편리함은 하나의 가정에 기대고 있다. 위험비가 일정하다는 것, 즉 3개월에도 3년에도 같고 50세에게도 80세에게도 같다는 것이다. 이것이 비례 위험 가정이며 자주 틀린다. 실제 효과는 추적 기간에 따라(수술적 개입은 초기에 위험을 높이고 나중에 낮출 수 있다) 그리고 하위 집단에 따라(연령, 성별, 동반 질환, 빈곤) 달라진다. 가정이 깨지면 보고된 단일 HR은 시험의 특정 추적 기간과 집단 구성에 걸친 평균이다. 가중된 혼합일 뿐, 다른 환경으로 가져갈 수 있는 보편 상수가 아니다.

상대, 오즈, 그리고 절대. HR은 세 이웃과 쉽게 혼동된다. 상대 위험(또는 위험비 risk ratio)은 비율이 아니라 어떤 고정된 시점까지의 사건의 누적 확률을 비교한다. 사건이 드물 때는 HR에 가깝지만 흔할 때는 벌어진다. 오즈비는 확률이 아니라 오즈를 비교하며 기저 위험이 높을 때 극적으로 보일 수 있다. 세 가지 모두 상대적 척도다. 환자와 지불자가 실제로 신경 쓰는 것은 절대적인 것이다. 즉 절대 위험 감소(위험 차이), 곧 100명당 사건이 얼마나 줄었는지, 그리고 그 역수인 치료 필요 수(NNT), 곧 사건 하나를 막기 위해 치료해야 하는 사람 수다. 절대적 짝이 없는 상대적 척도는 문장의 절반이다.

중도 절단과 생존 곡선. 시험은 끝나고, 사람들은 이사하거나 탈락하거나, 자료가 확정될 때까지 사건을 겪지 않았을 뿐이기도 하다. 중도 절단(통계)은 생존 분석이 이렇게 부분적으로만 관찰된 삶을 다루는 방법이며 강점이지만, 심하거나 불균형한 중도 절단은 HR이 알려 줄 수 있는 것을 약화시킨다. 모든 HR에 딸린 정직한 시각적 동반자는 사건이 없는 비율을 시간에 따라 계단식으로 그린 카플란-마이어 추정량 곡선이다. 꾸준히 벌어지는 두 곡선은 교차하거나 수렴하는 두 곡선과 다른 이야기를 하지만, 셋 모두 같은 헤드라인 HR을 낼 수 있다.

교란과 비축소성. 관찰 연구의 HR은 교란으로 왜곡될 수 있다. 제3의 요인이 누가 치료를 받는지와 누가 사건을 겪는지를 모두 좌우하는 것이다. 무작위 시험은 이를 막지만 실세계 비교는 주의 깊게 보정하지 않는 한 막지 못한다. HR 같은 비에 특유한 더 미묘한 함정도 있다. *비축소성(non-collapsibility)*이라 하는데, 교란이 전혀 없더라도 위험 요인으로 보정한 뒤 얻는 비가 보정하지 않은 비와 달라질 수 있으며, 이는 순전히 비가 행동하는 방식의 인공물이다. 교훈은 같다. HR은 그것을 만들어 낸 정확한 모형과 집단에 묶여 있으며, 깔끔한 단일 수치가 시사하는 만큼 자유롭게 이동하지 않는다.

HR이 연수로 사 주는 것. 사람들은 "HR 0.75"를 "내가 더 오래 살 것이다"로 번역하지만, 그 이득의 크기는 전적으로 기저 위험과 집단의 사망이 이미 얼마나 압축되어 있는지에 달려 있다. 우연의 게임에서 약실 하나를 느슨하게 하는 것으로 생각해 보라. 비율을 줄이는 것은 기저 위험이 높고 넓게 퍼져 있을 때는 많은 추가 시간을 사 주고, 대부분의 사람이 이미 노년까지 생존하고 사망이 좁은 후반부 구간에 몰려 있을 때는 거의 사 주지 못한다. 같은 상대적 감소가 그 기저에 따라 서로 다른 양의 기대 수명으로 바뀐다. 그래서 HR은 그것이 나온 집단을 모르고서는 고정된 추가 연수로 읽을 수 없다.

통계적 유의성 대 임상적 유의성. 마지막으로, HR은 통계적으로 유의할 수 있다. 신뢰구간이 1을 제외한다는 뜻이다. 그러면서도 그것이 가리키는 효과는 특히 매우 큰 시험에서 임상적으로 사소할 수 있다. 유의성은 "이것이 우연과 구별되는가?"에 답하며, "경로를 바꿀 만한 가치가 있는가?"에는 답하지 않는다. 두 질문 모두 중요하며, 투자를 결정해야 하는 것은 두 번째뿐이다.

모범 사례#

1. 항상 "추적 기간은 얼마이며, 어떤 집단인가?"를 물으라. HR은 특정 시험 기간과 특정 등록 집단에 걸친 평균이다. 이를 근거로 행동하기 전에 추적 기간의 길이와 포함 및 제외 기준을 확인하라. 매우 고령이거나 매우 어린 사람, 또는 흔한 동반 질환이 있는 사람을 제외한 시험은 여러분의 집단을 전혀 서술하지 못할 수 있다. 이 맥락이 없는 HR은 헤드라인이 아니라 불완전한 수치로 다루라.

2. 모든 상대적 수치 옆에 절대적 숫자를 요구하라. 모든 HR이나 상대 위험에 대해 해당 집단의 절대 위험 감소와 치료 필요 수를 요청하라. "HR 0.75"는 커 보이지만, "3년간 200명을 치료할 때 사건 하나를 피함"은 비용, 업무 흐름 변화, 부작용을 치를 만한지 알려 준다. 상대적 척도와 절대적 척도는 항상 함께 나와야 하며, 대중에 대한 소통은 절대적 수치로 시작해야 한다.

3. 카플란-마이어 곡선을 반드시 보라. 단일 HR은 전체 이야기를 하나의 숫자로 압축해 효과가 이른지, 늦은지, 커지는지, 줄어드는지, 뒤집히는지를 가린다. 생존 곡선을 요청해 그 모양을 보라. 깔끔하게 벌어지는가, 교차하는가, 수렴하는가? 교차하는 곡선은 비례 위험 가정이 깨졌고 단일 HR이 오도하고 있다는 눈에 보이는 신호다.

4. 짧은 시험을 평생으로 외삽하지 말라. 3년에 걸쳐 측정한 위험비는 30년에 대한 주장을 허락하지 않는다. 효과는 사그라들거나, 뒤집히거나, 누적될 수 있고, 비례 위험 가정은 수명 전체에 걸쳐서는 거의 성립하지 않는다. 단기 HR을 앞으로 투사해 생존 연수의 극적인 이득을 말하는 경제 모형과 보도 문구를 특히 경계하라. 그 일을 하는 것이 어떤 가정인지 물으라(주제 6.1 — 보건경제학에서 다룸).

5. 통계적 유의성과 임상적 유의성을 구별하라. 1을 제외하는 신뢰구간은 효과가 아마 실재함을 알려 주지만, 효과가 중요할 만큼 큰지는 말해 주지 않는다. 큰 시험에서는 사소한 차이도 "유의"해진다. 크기, 즉 절대적 이득을 개입의 부담과 비용에 견주어 판단하고, 무엇이 가치 있는 것인지는 임상의와 환자가 정의하게 하라.

6. 관찰 연구의 HR은 각별히 의심하라. 무작위 시험 밖에서 HR은 진정한 효과보다 교란, 즉 더 아프거나 더 건강한 사람이 치료에 선택되어 들어오는 것을 반영할 수 있다. 무엇을 보정했는지, 측정되지 않은 교란 요인이 그럴듯한지 물으라. 실세계 근거는 가치가 있지만(주제 8.6 — 연구 및 실세계 평가 참조) 그 위험비는 더 적은 것이 아니라 더 많은 검토가 필요하다.

7. HR이 맥락 밖에서 재사용되고 있지는 않은지 확인하라. 한 집단, 용량, 추적 기간의 HR이 보편적인 것처럼 일상적으로 인용된다. 수치가 인용될 때는 원 연구까지 추적하여 집단과 평가 지표가 여러분의 결정과 맞는지 확인하라. 비축소성과 서로 다른 기저 때문에, 거기서는 참이었던 숫자가 여기서는 조용히 틀릴 수 있다.

8. 정직하게 보고하고, 사람들이 행동에 옮길 수 있는 것으로 시작하라. 여러분의 조직이 결과를 발표할 때는 모든 HR을 절대적 수치 및 쉬운 말의 틀과 짝지우고, 추적 기간과 집단을 밝히며, 단기 자료로 평생의 이득을 암시하지 말라. 이는 주제 10.1 — 핵심 성과 지표(KPI)에서 지표를 고르는 방식과 직접 이어진다. 헤드라인으로 내세우는 지표가 사람들이 믿는 바를 형성한다.

팀과 논의할 질문#

1. 위험비가 우리 이사회에 올라올 때, 추적 기간, 집단, 절대적 이득을 요청하는 법을 알고 있는가, 아니면 상대적 수치만으로 행동하는가? 이 질문은 리더십이 그들이 마주칠 가장 많이 오독되는 통계량을 따져 물을 수 있는지를 시험한다. HR이 특정 시험 기간과 특정 등록 집단에 걸친 평균이고, 같은 수치가 슬라이드가 생략한 기저 위험과 추적 기간에 따라 혁신적인 이득을 나타낼 수도, 무시할 만한 이득을 나타낼 수도 있기 때문에 중요하다. 긴장은 상대적 수치가 감정적으로 설득력 있고 반복하기 쉬운 반면, 절대적 수치, 곧 치료 필요 수나 100명당 피한 사건은 더 밋밋하고 얻기 어려워 일상적으로 빠진다는 점이다. 실제 최근 사례를 함께 살펴보라. 결정에 영향을 준 HR을 가져와 그것이 어떤 추적 기간을 다뤘는지, 누가 제외되었는지, 우리 집단에 대해 어떤 절대적 이득을 시사하는지 재구성하라. 당시 누가 그런 사실을 요청했는지, 답이 결정을 바꿨을지 물으라. 좋은 논의는 추적 기간, 집단, 절대적 짝이 함께하지 않는 HR로는 행동하지 않는다는 상시 기대로 끝난다.

2. 비즈니스 케이스, 편익 모형, 대중 메시지 어디에서 단기 위험비를 장기 또는 평생 주장으로 외삽하고 있을지 모르는가? 주제는 몇 년에 걸쳐 측정한 HR이 수십 년에 대한 주장을 허락하지 않는다고 경고한다. 효과가 사그라들거나 뒤집히거나 누적되고 비례 위험 가정이 수명 전체에 걸쳐서는 거의 성립하지 않기 때문이다. 보건경제 모형과 홍보팀 모두 단기 상대적 감소를 생존 연수나 비용 절감의 헤드라인 이득으로 앞으로 투사할 강한 유인을 갖고 있고, 그런 투사가 조용히 대규모 투자의 정당화가 될 수 있기에 중요하다. 상충 관계는 실재한다. 시험 지평 너머를 계획하고 모형화해야 하지만, 증거를 지나 투사하는 해마다는 발견이 아니라 가정이다. 현재 진행 중인 비즈니스 케이스나 편익 실현 모형을 꺼내 HR에서 도출된 편익이 어떤 시간 지평을 가정하는지, 시험 기간 이후 효과가 평탄해지면 케이스가 어떻게 될지 물으라. 환자 대상 메시지가 단기 자료에서 평생의 추가 연수를 암시하는지도 따져 보라. 정직한 답은 외삽이 무거운 일을 하는 곳을 명명하고, 가정을 스프레드시트에 묻어 두는 대신 공개적으로 밝히겠다고 약속한다.

3. "이것이 실재하는가?"와 "이것이 중요할 만큼 큰가?"를 일관되게 구별하는가 — 아니면 통계적 유의성만이 결정을 이끄는가? 이 질문은 통계적 유의성과 임상적 유의성의 혼동, 곧 1을 제외하는 신뢰구간이 효과의 크기와 무관하게 청신호로 취급되는 상황을 직시한다. 큰 시험과 큰 실세계 데이터셋은 사소한 차이를 통계적으로 유의하게 만들고, 디지털 보건 개입은 비용, 업무 흐름의 혼란, 같은 돈의 다른 용도에 대한 기회비용을 정당화하기에는 너무 작은 이득을 주면서도 "유의한" 위험비를 낼 수 있기 때문에 중요하다. 더 깊은 긴장은 크기가 임상적이고 가치 판단이라는 점이다. 무엇이 가치 있는지는 질환, 치료의 부담, 환자의 선호에 달려 있어 p값에 위임하거나 자동화할 수 없다. 유의한 결과의 힘에 일부 기대어 팀이 내린 결정 하나를 가져와 실제 절대 효과 크기가 얼마였는지, 행동에 옮길 만큼 크다고 누가 결정했는지 물으라. 이득이 가질 만한 가치가 있는지 판단하는 데 임상의와, 이상적으로는 환자가 참여했는지 탐색하라. 강한 답은 팀이 유의성만이 아니라 크기를 일상적으로 요청하며 둘을 모두 통과해야 하는 별개의 관문으로 다룸을 보여 준다.

4. 위험비가 무작위 시험이 아니라 일상 데이터나 공급업체의 실세계 데이터셋에서 나올 때, 무엇을 보정했는지와 측정되지 않은 교란이 효과를 설명할 수 있는지 묻는가? 결정에 도달하는 위험비는 점점 더 깨끗한 시험이 아니라 공급업체의 전후 분석, 등록 자료, 또는 여러분 자신의 일상 기록 같은 관찰 출처에서 나오며, 거기서 개입을 받은 사람들은 받지 않은 사람들과 체계적으로 다르다. 적응증에 의한 교란이 예외가 아니라 일반적이라서 중요하다. 더 건강하거나 더 아픈 환자가 치료에 선택되어 들어오며, 이를 신중히 보정하지 않으면 그 결과 HR은 치료가 한 일만큼이나 누가 치료받았는지를 측정한다. 긴장은 실세계 근거가 진정 가치 있고 규모로 도입된 디지털 서비스에는 유일한 근거인 경우가 많지만, 그 편리함이 팀으로 하여금 단지 연관성일 뿐인 것을 인과적으로 읽도록 유혹한다는 점이다. 팀이 의존한 실제 관찰 연구 HR을 따져 보라. 어떤 변수를 보정했는지, 어떤 그럴듯한 교란 요인이 측정되지 않았는지, 있을 법한 편향의 방향이 효과를 부풀리는지 줄이는지 물으라. 교란이 없더라도 위험 요인으로 보정하면 비가 이동할 수 있는 방식, 곧 비축소성이 수치를 인용하는 방식에 반영되었는지 고려하라. 정직한 답은 관찰 위험비를 더 적은 검토가 아니라 더 많은 검토가 필요한 가설로 다루며, 효과가 실재하려면 무엇이 참이어야 하는지 분명히 말할 수 있다.

5. 위험비 뒤의 카플란-마이어 곡선을 일상적으로 살펴보는가, 그리고 비례 위험 가정이 깨졌을 때 알아차릴 수 있는가? 단일 HR은 효과의 전체 모양을 하나의 숫자로 조용히 평균 내어, 추적 기간에 걸쳐 이득이 이른지, 늦은지, 커지는지, 줄어드는지, 뒤집히는지를 감춘다. 대부분의 위험비를 만드는 콕스 모형이 비가 시간에 걸쳐 일정하다고 가정하고 그 가정이 자주 틀리기에 중요하다. 수술이나 시술은 초기에 위험을 높이고 나중에 낮출 수 있으며, 교차하거나 수렴하는 곡선도 깔끔하게 벌어지는 곡선과 같은 말끔한 헤드라인 HR을 낼 수 있다. 상충 관계는 생존 곡선을 읽는 데 단일 수치를 반복하는 것보다 더 많은 노력과 전문성이 든다는 점이며, 곡선은 이야기를 복잡하게 만들기 때문에 요약 슬라이드에서 빠지는 경우가 많다. 팀이 행동에 옮긴 위험비 하나를 가져와 누군가 카플란-마이어 도표를 보았는지, 곡선의 모양이 이득이 언제 쌓였는지에 대해 무엇을 시사하는지, 비례 위험 가정이 검증된 적이 있는지 물으라. 교차하거나 수렴하는 선을 알아보고 그것이 우리 집단에 무엇을 뜻하는지 말할 통계 문해력을 팀의 누가 갖추었는지 논의하라. 좋은 답은 곡선을 보는 것을 전문가의 호의가 아니라 상시 기대로 삼고, 곡선의 부재를 건너뛸 사소한 일이 아니라 질문할 이유로 다룬다.

6. 단일 위험비가 우리가 실제로 서비스하는 사람들의 연령, 동반 질환, 빈곤에 걸친 이득의 불균등한 분포를 가리고 있지는 않은지 확인했는가? 하나의 헤드라인 HR은 효과가 균일하게 떨어지는 것처럼 보여 주지만, 시험의 등록 집단에 걸쳐 평균 낸 이득은 실제 보건·돌봄 집단의 상당 부분을 이루는 더 고령이고, 더 아프고, 더 빈곤한 사람들에게는 매우 다르게 떨어질 수 있다. 집계된 수치에 따라 행동하면 전반적으로 성과를 개선하는 듯 보이면서 불평등을 키울 수 있기에 중요하다. 더 건강한 하위 집단을 돕고 더 허약한 집단에는 거의 도움이 되지 않는 개입도 매력적인 평균 HR을 낸다. 긴장은 분해가 데이터, 통계적 검정력, 불편한 변동을 볼 의지를 요구하는 반면, 단일 수치는 보고하기 더 간단하고 옹호하기 더 쉽다는 점이다. 하나의 위험비로 이끌린 결정을 살펴 효과가 연령대, 동반 질환, 빈곤별로 분해된 적이 있는지, 시험이 그런 분해를 뒷받침할 만큼 우리 집단을 충분히 등록했는지 물으라. 서비스가 가동되면 불평등한 이득을 어떻게 모니터링할지, 실세계 평가와 형평성 의무에 어떻게 연결할지 고려하라. 정직한 답은 균일해 보이는 HR이 불평등한 현실을 가릴 수 있음을 받아들이고, 확산하기 전에 분해되고 절대적인 그림을 살펴보겠다고 약속한다.

실제 사례: 보건·돌봄 예시#

한 통합 돌봄 시스템(ICS)이 심부전 환자를 위한 원격 모니터링 서비스를 제안받는다. 공급업체의 핵심 주장은 사망 또는 예정되지 않은 입원이라는 복합 성과에 대한 위험비 0.72이며, "28% 감소"로 설명되고 인구 전체에 걸친 상당한 생존 연수 이득의 전망이 곁들여진다.

디지털 및 임상 책임자는 그 수치를 결론이 아니라 출발 질문으로 다룬다. 원 연구를 요청해 보니 추적 기간 중앙값 18개월의 단일 무작위 시험이며, 최근 입원 이력이 있고 유의한 인지 장애가 없는 75세 미만 환자를 등록한 것이다. 이는 고령이고 동반 질환이 더 많은 쪽으로 치우친 ICS의 실제 심부전 집단보다 더 건강하고 젊은 집단이다. 그들은 카플란-마이어 추정량 곡선을 요청해 두 선이 주로 첫 6개월에 벌어진 뒤 대체로 평행하게 달리는 것을 본다. 이득이 초기에 집중되어 있고 더 긴 지평에서 일정 HR 가정이 불안정하다는 암시다.

그런 다음 절대적 수치를 묻는다. 시험 집단으로 옮기면 이 HR은 완만한 절대 위험 감소에 해당하고, 복합 사건 하나를 막기 위한 치료 필요 수는 18개월에 걸쳐 약 20명이다. 의미는 있지만 "28% 감소"가 시사한 것보다 훨씬 덜 극적이며, 더 고령인 자신들의 집단에서는 더 작을 수도 있다. 보건경제 팀은 18개월 HR을 평생에 걸쳐 외삽하지 않고 모형을 다시 만들고, 초기 이득이 지속되지 않으면 어떻게 되는지 시험하라는 요청을 받는다. 임상 안전과 정보 거버넌스 책임자는 서비스를 그 자체의 장점으로 평가한다(주제 1.6 — 임상 안전 및 위험 관리). ICS는 진행하지만, 자체 실세계 평가를 갖춘 모니터링되는 단계적 도입으로 하며, 홍보팀에는 상대적 헤드라인이 아니라 절대적 이득과 정직한 한계로 시작하라고 브리핑한다. 나중에 지역 신문이 "28% 수치"에 대해 물었을 때, ICS는 그것이 정확히 무엇을 뜻하고 무엇을 뜻하지 않는지 설명할 수 있다.

부문별 관점#

HR을 읽는 모든 이는 같은 해석의 의무를 지지만, 압력과 안전장치는 조직에 따라 다르다.

스타트업#

스타트업의 유인은 가장 유리한 참인 숫자를 내놓는 것이고, 상대적 위험비가 가용한 가장 유리한 참인 숫자인 경우가 많다. 그래서 "HR 0.7"이 그 크기를 바로잡을 추적 기간, 집단, 절대적 이득 없이 피치 덱에 등장한다. 정직하고 궁극적으로 더 신뢰받는 길은 절대 효과와 치료 필요 수로 시작하고, 시험의 추적 기간과 제외 대상을 솔직히 밝히며, 비즈니스 케이스에서 단기 결과를 평생으로 투사하지 않는 것이다. 신중한 NHS 평가자와 진지한 투자자는 이런 질문을 던질 줄 알게 되어 가므로, 맥락을 스스로 내놓는 팀이 더 약하지 않고 더 강해 보인다. 이 규율은 거의 비용이 들지 않으며 창업자를 나중의 더 해로운 정정으로부터 보호한다.

소규모 사업체#

확립된 소규모 제공자 — 모니터링 도구나 공급업체의 주장을 저울질하는 일반의 진료소, 지역 약국, 요양원, 단일 사업장 클리닉 — 는 환자가 걸려 있지만 사내 통계학자도 시험을 읽을 시간도 거의 없다. 실무적 위험은 추적 기간, 집단, 절대적 이득을 재구성할 사람도, 진료소 명부에 대조해 시험할 분석 팀도 없기에 공급업체의 상대적 위험비를 액면 그대로 받아들이는 것이다. 비례적인 대응은 생존 분석을 통달하는 것이 아니라 어떤 공급업체에든 세 가지 쉬운 질문, 곧 어떤 추적 기간에, 어떤 환자들에게, 사건 하나를 막으려면 몇 명을 치료해야 하는지를 묻고, 수치만 보고 판단하지 않고 NICE 지침, CCG나 ICS 약사, 동료 네트워크 같은 공유 자원에 기대는 것이다. 서명하기 전에 절대적 수치와 시험의 제외 기준을 고집하는 소규모 제공자는 대형 트러스트의 통계적 화력 없이도 환자와 예산을 지킨다.

대기업#

NHS 트러스트나 ICS는 HR을 제대로 따져 볼 분석 역량과 환자 수를 갖추고 있고, 그것을 요구하는 책임도 지고 있다. 오독된 통계량에 따라 규모로 도입하는 것은 임상 안전과 공적 자금의 위험을 동시에 낳기 때문이다. 전형적 실패는 제도적 열의다. 존경받는 임상의가 옹호한 설득력 있는 상대적 수치가, 트러스트의 실제 집단(흔히 더 고령이고 더 아픈)에 대한 절대적 이득을 재구성하기도 전에 채택된다. 바로잡는 길은 상시 습관이다. 이사회 보고서의 모든 HR이 추적 기간, 집단, 절대 위험 감소, 카플란-마이어 곡선과 함께 도착하고, 모든 외삽이 그 가정을 명명한다. 대기업은 자체 일상 데이터에서 관찰 HR도 만들어 내며, 거기서는 교란이 상존하는 위험이고 보정이 명시적이어야 한다.

정부#

NICE, NHS England, 영국 보건안보청, DHSC 같은 국가 기관은 시스템 전체에 대한 근거의 틀을 어떻게 짤지 결정하는 경우가 많으므로, 위험비를 다루는 방식이 인구 규모에서 대중의 이해를 형성한다. 여기서의 결정은 규제, 의회, 언론의 감시를 받으며, 절대적 짝 없이 인용된 상대적 수치는 수백만 명을 오도하고 나중에 정정될 때 신뢰를 훼손할 수 있다. 의무는 상대적 수치와 함께 절대적 수치를 공표하고, 집단과 추적 기간을 밝히며, 비례 위험 가정과 짧은 시험 지평이 주장할 수 있는 것을 어디서 제한하는지 솔직히 말하는 것이다. 이 규모에서 정직한 틀짓기는 호의가 아니라 형평성의 도구다. 단일 HR에서 균일해 보이는 이득은 연령과 빈곤에 걸쳐 불균등하게 떨어질 수 있고, 분해된 절대적 그림만이 그것을 드러낸다.

흔한 실패 양상#

• 상대적 수치만 보고. 절대 위험 감소나 치료 필요 수 없이 "28% 감소"를 인용하는 것. 해독제: 모든 상대적 척도를 절대적 짝과 함께 제시하고 대중 메시지는 절대적 수치로 시작한다.
• 평생 외삽. 경제 모형이나 보도 문구에서 짧은 시험의 HR을 수십 년에 걸쳐 투사하는 것. 해독제: 근거 지평까지만 모형화하고 그 너머의 모든 가정을 명명한다.
• 집단 무시. 시험이 제외한 더 고령이고, 더 아프고, 더 빈곤한 집단에 시험의 HR을 적용하는 것. 해독제: 포함 및 제외 기준을 실제 집단과 대조해 확인한다.
• 불변성 가정. 하나의 HR이 모든 연령과 시점에서 유효하다고 다루는 것. 해독제: 카플란-마이어 곡선에서 교차하거나 수렴하는 선이 있는지 살핀다.
• 유의성을 중요성으로 착각. 효과가 임상적으로 사소한 통계적으로 유의한 HR에 따라 행동하는 것. 해독제: 크기를 임상 및 환자의 의견과 함께 별도로 판단한다.
• 관찰 HR을 비판 없이 신뢰. 교란을 묻지 않고 실세계 HR을 인과적으로 읽는 것. 해독제: 무엇을 보정했는지, 측정되지 않은 교란 요인이 그럴듯한지 묻는다.
• 숫자 세탁. HR을 원래 맥락에서 떼어 보편적인 양 재사용하는 것. 해독제: 인용된 모든 수치를 원 연구와 평가 지표까지 추적한다.

성숙도 모델#

체크리스트#

• 모든 위험비가 추적 기간의 길이와 시험의 포함 및 제외 기준과 함께 도착한다.
• 각 상대적 척도(HR, 상대 위험)가 절대 위험 감소 및 치료 필요 수와 짝지어진다.
• 카플란-마이어 곡선을 검토해 효과의 모양과 교차 또는 수렴 여부를 살핀다.
• 행동하기 전에 시험 집단을 실제 지역 집단과 대조해 확인한다.
• 명시적으로 밝힌 가정 없이 단기 HR을 평생으로 외삽하지 않는다.
• 통계적 유의성과 임상적 유의성을 별개의 관문으로 판단한다.
• 관찰 HR의 교란과 보정 내용을 면밀히 검토한다.
• 인용된 모든 HR을 원 연구, 평가 지표, 추적 기간까지 추적한다.
• 대중 및 이사회 소통이 절대적 이득과 정직한 한계로 시작한다.

주요 출처#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis(기초 정의).
• BMJ / The BMJ Statistics Notes 시리즈 — Douglas Altman과 J. Martin Bland — 위험비, 생존 곡선, 절대 대 상대 위험에 대한 쉬운 설명.
• David Spiegelhalter — The Art of Statistics: Learning from Data(Pelican, 2019) — 상대 및 절대 위험을 정직하게 소통하는 법.
• Gerd Gigerenzer 외 — Helping Doctors and Patients Make Sense of Health Statistics(Psychological Science in the Public Interest, 2007) — 상대적 수치가 왜 오도하는가.
• Cochrane — Handbook for Systematic Reviews of Interventions — 효과 척도의 해석.
• dynomight — 위험비와 기대 수명에 관한 에세이(dynomight.net) — 상대적 감소가 생존 연수와 같지 않은 이유, 그리고 개입이 연령에 따라 서로 다른 위험비를 갖는 이유에 대한 러시안룰렛 직관.
• Equator Network — CONSORT 보고 지침 — 사건 발생 시간 성과를 포함한 시험 효과를 어떻게 보고해야 하는가.

참고문헌#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/