Cox 비례 위험 모델: 만성 질환 연구를 위한 그림 가이드

2026년 6월 20일 발행 | 최종 업데이트: 2026년 8월 10일

심부전 환자 340명을 대상으로 5년간 추적 관찰하는 심장내과 전공의는 단순히 두 평균값을 비교하는 것 이상의 정보가 필요합니다. 새로운 항응고제를 투여받은 환자들이 기존 항응고제를 투여받은 환자들에 비해 뇌졸중이나 사망에 도달하는 속도가 얼마나 빠른지 또는 느린지, 연령, 신장 기능, 이전 병력 등을 모두 고려하여 모든 환자의 추적 관찰 기간(연구 종료 시점까지 생존한 환자 포함)을 한 번에 파악해야 합니다. 콕스 비례 위험 모형(Cox proportional hazards model)은 바로 이러한 질문에 대한 해답을 제시합니다. 1972년 영국의 통계학자 데이비드 콕스가 개발한 이 모형은 심장학, 종양학, 신장학 및 생존 결과를 기반으로 하는 대부분의 분야에서 사건 발생까지의 시간 데이터를 분석하는 표준 방법으로 자리 잡았으며, 추적 관찰 데이터 세트를 시간 경과에 따른 상대적 위험에 대한 단일 수치인 위험비(hazard ratio)로 변환합니다.

이 가이드에서는 위험비, 위험 함수, 모델에서 명시되지 않은 기준 위험, 비례 위험 가정 및 이를 검증하는 데 사용되는 쇤펠드 잔차 검정의 작동 원리를 자세히 설명합니다. 첫 번째 예제에서는 공개된 실제 폐암 임상시험 데이터셋을 사용하여 Cox 회귀 모델을 적합시키는 과정을 보여줍니다. 이 데이터셋은 다른 자료에서 복사한 것이 아니라 본 논문을 위해 직접 계산한 것입니다. 두 번째 예제에서는 추적 관찰 기간 동안 변화하는 공변량(장기 이식 여부)을 기준 시점에 고정된 것처럼 모델링했을 때 위험비가 어떻게 변하는지 보여줍니다. 마지막으로 공변량 선택, 연속형 코딩과 범주형 코딩의 차이, 층화 모델, 그리고 변수당 사건 수 문제를 다룹니다. 각 내용은 이전 연구에 대한 모호한 언급이 아닌 구체적이고 검증 가능한 참고 문헌을 통해 뒷받침됩니다.

주요 요점

• 콕스 비례 위험 모델은 시간에 따른 기준 위험의 특정 형태를 가정하지 않고 각 공변량에 대한 위험비를 추정하는데, 이러한 특성 때문에 완전 모수적 모델이 아닌 준모수적 모델로 분류됩니다.
• 본 가이드에서는 228명의 환자를 대상으로 한 NCCTG 폐암 임상시험 데이터 세트에 직접 적용하여 3개의 공변량을 포함하는 Cox 모델을 분석한 결과, ECOG 수행 상태가 1점 증가할 때마다 위험비는 1.590(95% CI 1.273~1.986)이고, 여성 대 남성의 위험비는 0.575(95% CI 0.414~0.799)인 것으로 나타났습니다.
• R의 survival 패키지에 내장된 cox.zph 함수를 통해 검정되는 Schoenfeld 잔차는 각 공변량과 모델 전체에 대해 비례 위험 가정이 성립하는지 확인하는 표준적인 방법으로 남아 있습니다.
• 추적 관찰 기간 동안 변화하는 공변량(예: 장기 이식 수혜)을 등록 시점에 고정된 것처럼 모델링하면, 이 가이드 후반부에 나오는 실제 스탠포드 심장 이식 데이터를 사용한 시뮬레이션에서 겉보기에 보호 효과가 있는 것처럼 보이는 위험비가 0.180으로 부풀려지는 반면, 동일한 공변량을 시간에 따라 변하는 것으로 올바르게 코딩했을 때의 위험비는 1.016이었습니다.
• 공변량당 10개의 사건은 모델 안정성을 위한 합리적인 최소 기준이지만, 2007년 미국 역학 저널에 발표된 시뮬레이션 연구에 따르면 실제 최소값은 전체 표본 크기와 예측 변수가 결과 변수를 얼마나 명확하게 구분하는지에 따라 달라집니다.

콕스 비례 위험 모형이 실제로 추정하는 것은 무엇인가?

모든 생존 모델은 단일 전체 확률이 아닌 매 순간 변화하는 위험을 설명하는 방법을 필요로 합니다. 위험 함수(h(t))는 바로 이러한 역할을 하며, 해당 시점까지 사건이 발생하지 않은 사람들 중에서 그 시점(t)에 사건이 발생하는 순간적인 비율을 나타냅니다. 예를 들어, 월 위험률이 0.02라는 것은, 그 시점에 여전히 위험에 노출된 환자들 중 약 2%가 다음 달 동안 사건을 경험할 것이라는 의미입니다. 즉, 해당 비율이 전체 기간 동안 일정하게 유지된다는 가정 하에 말입니다.

데이비드 콕스는 1972년 왕립통계학회지에 발표되어 이후 36,000회 이상 인용된 논문 "회귀 모형과 생명표" 에서 위험률의 기준 형태에 대한 어떠한 가정도 하지 않고 위험률을 중심으로 하는 회귀 구조를 구축했습니다. 공변량 값이 x₁부터 xₖ까지인 사람의 경우, 이 모형은 위험률을 h(t) = h₀(t) × exp(b₁x₁ + b₂x₂ + … + bₖxₖ)로 나타냅니다. 여기서 h₀(t)는 기준 위험률, 즉 모든 공변량이 0인 사람의 위험 궤적이며, 전혀 명시되지 않은 상태입니다. 모든 공변량 효과는 지수항을 통해 반영되며, h₀(t)는 두 사람의 위험률 비율에서 상쇄되므로, 이 모형은 기준 위험률 자체를 추정할 필요 없이 위험률 비율을 추정할 수 있습니다. 통계학자들은 이러한 속성을 준모수적이라고 부르며, 이는 Cox 모델이 Weibull 회귀와 같은 완전 모수적 대안보다 임상 생존 분석에서 우위를 차지하는 이유를 설명합니다. 완전 모수적 대안은 분석가가 실제 생물학적 위험이 정확하게 따르는 경우가 드문 h₀(t)의 형태에 전념해야 하기 때문입니다.

단일 계수를 지수화하면 exp(b₁)이 되는데, 이는 임상 논문에서 실제로 보고되는 위험비입니다. 이진 치료 변수에 대한 계수가 0.405인 경우 위험비는 1.50이 되는데, 이는 비례성 원칙이 성립하는 추적 관찰 기간 동안 모든 시점에서 치료군이 대조군보다 순간적인 위험이 50% 더 높다는 것을 의미합니다.

시간 경과에 따른 사건 발생 데이터, 검열, 그리고 일반 회귀 분석의 한계점

시간 경과에 따른 사건 발생 결과는 사건 발생 여부와 발생까지 걸린 시간이라는 두 가지 정보를 담고 있습니다. 선형 회귀 분석은 이 두 정보를 제대로 활용하지 못하며, 로지스틱 회귀 분석은 시간적 요소를 완전히 무시하여 12일째 사망한 환자와 1,200일째 사망한 환자를 모두 "사건 발생"이라는 동일한 범주로 분류합니다. 두 접근 방식 모두 거의 모든 생존 데이터 세트에 내재된 복잡한 상황, 즉 일부 대상자가 연구에서 중도 탈락하거나, 연구 종료 시점에 도달하거나, 사건 발생 전에 추적 관찰에서 제외되는 상황을 제대로 처리하지 못합니다.

통계학자들은 이러한 상황을 우측 절단(right censoring)이라고 부르는데, 이는 데이터가 누락되었거나 잘못되었다는 의미가 아닙니다. 8년 동안 재발 없이 추적 관찰된 환자는 분석에 8년이라는 완전한 무사건 기간을 제공하며, "발생했다" 또는 "발생하지 않았다"라는 단정적인 판단에만 의존하는 분석 방법은 이러한 중요한 정보를 낭비하게 됩니다. 이 사이트의 다른 부분에서 다루는 생존 분석의 기본 원칙은 절단이 근본적인 위험과 독립적이라는 가정에 기반합니다. 즉, 20개월 시점에서 절단된 환자는 20개월 시점에도 여전히 추적 관찰 중인 환자와 평균적으로 동일한 미래 위험을 가진다는 것입니다. 건강한 환자보다 질병이 더 심한 환자가 더 자주 중도 탈락한다면 이러한 가정이 위배되고, 그로 인해 발생하는 모든 Cox 회귀 모델 결과는 편향을 그대로 반영하게 됩니다.

좌측 절단과 구간 절단은 임상 Cox 회귀 분석에서 비교적 드물게 나타나며, 특히 생체 지표가 기록된 시점이 아닌 첫 번째 측정 이전에 알려지지 않은 시점에서 어떤 임계값을 넘었을 때와 같은 특정 설계에서 가장 중요합니다. 모델링을 시작하기 전에 사건 지표와 시간 변수를 일관되게 정의하면 후속 통계적 기법으로도 수정할 수 없는 오류 유형을 방지할 수 있습니다.

콕스 회귀 모델에서 위험비 해석하기

위험비(hazard ratio)를 올바르게 해석하려면 흔히 발생하는 두 가지 오류를 피해야 합니다. 위험비는 사건 발생 시기가 얼마나 더 빠른지를 나타내는 것이 아니며, 전체 연구 기간에 걸쳐 측정된 위험률(risk ratio)과도 다릅니다. 위험비는 각 시점에서의 상대적 위험을 나타내며, 비례 위험 가설에 따라 해당 비율은 월별로 변동하는 것이 아니라 전체 추적 관찰 기간에 걸쳐 균일하게 적용됩니다.

치료 배정과 같은 이진 공변량의 경우, 위험비 0.70은 치료군이 대조군보다 특정 시점에서 순간적인 위험이 30% 낮다는 것을 의미합니다. 연령과 같은 연속 공변량의 경우, 동일한 0.70은 1년 증가에 적용되며 더 큰 차이에서는 곱셈적으로 증가합니다. 따라서 10년의 연령 차이는 위험비가 0.70의 10제곱이 되며, 0.70의 10배와는 전혀 다릅니다. 포레스트 플롯을 보면 위험비가 질병 진행 속도에 대한 계수처럼 해석되는 경우가 있지만, 모델은 개별 환자의 질병 진행 속도를 추정하는 것이 아닙니다. 모델은 그룹 간 사건 발생률의 비율을 추정할 뿐입니다.

예제를 통해 실제 폐암 임상시험 데이터에 Cox 모델 적용하기

교과서에 나오는 가상의 수치를 재현하는 대신, 아래 모델은 R에 포함된 NCCTG 폐암 코호트라는 실제 공개 데이터 세트를 기반으로 실행됩니다. survival 패키지. 로프린지와 그의 동료들은 1994년 임상 종양학 저널(Journal of Clinical Oncology)에 해당 연구 결과를 발표했습니다.이 연구는 북중부 암 치료 그룹(North Central Cancer Treatment Group)의 진행성 폐암 또는 대장암 환자 1,115명을 대상으로 환자가 작성한 설문지가 의사의 평가 외에 추가적인 예후 정보를 제공하는지 여부를 검증했습니다. R 모델에 포함된 하위 데이터 세트는 폐암 환자 228명으로, 생존 기간(일 단위)과 함께 연령, 성별, ECOG 수행 상태(의사가 0(완전히 활동적)부터 4(침상 안정)까지 평가한 척도)를 기록했습니다.

형 coxph(Surv(time, status) ~ age + sex + ph.ecog, data = lung) 해당 환자들의 경우, 불완전한 수행 상태 기록 하나가 제외되면 이 가이드에 따라 계산된 것과 정확히 동일한 위험비가 아래와 같이 반환됩니다.

두 가지 패턴이 두드러집니다. 다른 변수 없이 연령만 단독으로 모델에 포함했을 때 위험비는 1.019(95% CI 1.001~1.037, p=0.042)로 통계적으로 유의미합니다. 성별과 기능 상태를 동일 모델에 포함시키면 연령의 위험비는 1.011로 감소하고 p값은 0.232로 상승하여 아무런 영향이 없는 경우와 구별할 수 없게 됩니다. 이 코호트에서 연령은 강력한 독립 예측 변수가 아니었습니다. 단독으로 봤을 때는 기능 상태와 분산을 공유했기 때문에 강력해 보였을 뿐이며, 다변수 조정은 이러한 패턴을 밝히기 위해 존재합니다. 실제로는 기능 상태가 모델에서 지배적인 변수로 작용하며, 기능 능력이 1단계 감소할 때마다 위험도가 59% 증가합니다. 또한 성별은 그 자체로 상당한 통계적으로 유의미한 차이를 보이는데, 이 코호트에서 여성은 전체 추적 기간 동안 남성보다 위험도가 43% 낮았습니다. 모델의 일치도 통계(무작위로 선택된 두 환자 중 누가 먼저 사망했는지 정확하게 순위를 매기는 빈도를 나타내는 지표)는 0.637로 나왔는데, 이는 세 가지 공변량을 함께 사용했을 때 고위험 환자와 저위험 환자를 동전 던지기보다 훨씬 더 잘 구분하지만 완벽한 순위 매기기에는 한참 못 미친다는 것을 의미합니다.

쇤펠드 잔차를 이용한 비례 위험 가설 검정

콕스 회귀 모델에서 보고되는 모든 위험비는 두 공변량 값 사이의 위험률 비율이 전체 추적 기간 동안 일정하게 유지된다는 가정에 기반합니다. 치료 초기에는 위험을 급격히 낮추지만 2년 차에는 대조군과 유사한 수준으로 수렴하는 치료법은 단일하고 정확한 위험비를 갖지 못합니다. 이러한 변화를 평균화하면 초기와 후기 기간 모두를 잘못 나타내는 수치가 산출되기 때문입니다.

데이비드 쇤펠트의 1982년 바이오메트리카 논문 그는 이제 그의 이름을 딴 잔차를 도입했는데, 각 공변량과 사건 발생 시점별로 하나씩이며, 해당 공변량에 대해 비례 위험 가정이 성립한다면 시간에 따른 추세가 나타나지 않아야 합니다. 패트리샤 그램쉬와 테리 테르노는 1994년 바이오메트리카(Biometrika) 논문에서 검정 통계량을 공식화했습니다. 현재 4,700회 이상 인용된 이 검정은 스케일링된 쇤펠드 잔차를 시간 또는 시간 변환값과 상관시켜 각 공변량에 대한 카이제곱 검정과 모델 전체에 대한 전역 검정을 수행합니다. R은 Grambsch-Therneau 검정을 다음과 같이 구현합니다. cox.zph()위의 3개 공변량을 포함하는 폐암 모델에 대해 이를 실행하면 아래와 같은 결과가 나옵니다.

해당 표의 네 가지 p값 모두 일반적인 0.05 임계값보다 낮지 않으므로, 이 특정 모델은 연령, 성별 또는 수행 상태에 대해 개별적으로 또는 종합적으로 비례성을 의심할 만한 강력한 통계적 근거를 제공하지 않습니다. 로그-로그 플롯은 수치 검정을 시각적으로 보완하는 도구로, 범주형 공변량의 각 수준에 대해 log(−log(S(t)))를 log(t)에 대해 각각 플롯합니다. 평행한 곡선은 비례 위험을 지지하는 반면, 교차하거나 눈에 띄게 수렴하는 곡선은 Schoenfeld 검정에서 나타날 수 있는 위반 가능성을 시사합니다. 공변량이 이 검사를 통과하지 못하는 경우, 대부분의 상황에 적용할 수 있는 두 가지 실질적인 해결책이 있습니다. 하나는 추적 기간을 분할하여 공변량의 계수가 특정 시점 전후로 다르게 계산되도록 하는 것이고, 다른 하나는 문제가 되는 변수를 단일 계수를 추정하는 대신 층화 모델로 옮기는 것입니다. 이 방법은 이 가이드의 뒷부분에서 다룹니다.

공변량 선택 및 연속형 예측 변수 대 범주형 예측 변수

콕스 모델은 데이터 세트에 포함된 환자 수와 관계없이 무제한의 예측 변수 목록을 허용하지 않습니다. 673명의 환자와 252명의 사망자가 발생한 실제 심장 질환 임상 시험을 기반으로 1996년에 수행된 시뮬레이션에서는 7개의 후보 예측 변수와 전체 표본의 변수당 사건 수 비율(EPV) 36을 사용하여 변수당 사건 수를 2개까지 줄이면 편향된 계수와 신뢰 구간이 생성되어 명시된 비율에서 실제 값을 포함하지 못하는 것으로 나타났습니다. 그 결과, 변수당 사건 수 10개가 일반적인 기준이 되었습니다. 비팅호프와 맥컬록은 2007년 미국 역학 저널에 발표된 시뮬레이션 연구에서 이 문제를 다시 검토하여 변수당 사건 수 10개보다 훨씬 낮은 경우에도 신뢰 구간 포함률과 편향이 허용 가능한 범위 내에 유지되는 상황이 존재함을 발견했습니다. 그들은 전체 표본 크기와 예측 변수가 결과를 얼마나 명확하게 구분하는지가 원시 EPV 비율만큼 중요하다고 결론지었습니다. 10 EPV는 모델을 최종 확정하기 전에 확인해야 할 최소 기준일 뿐이며, 그 이상의 값이 모델을 자동으로 신뢰할 수 있다는 보장은 아닙니다.

연속형 예측 변수를 특정 기준점을 중심으로 예/아니오로 나누는 것, 예를 들어 나이를 "65세 이상"과 "65세 미만"으로 변환하는 것은 표현하기는 간단해 보이지만, Cox 회귀 모델이 활용하도록 설계된 정보를 버리는 결과를 초래합니다. 로이스턴, 알트만, 사우어브레이의 2006년 논문( 인용 횟수 약 1,900회)은 연속형 예측 변수를 이분화하면 통계적 검정력이 저하되고, 특히 임상적 근거에 따라 미리 기준점을 정하는 대신 데이터를 분석한 후에 기준점을 선택할 경우 잔여 교란 변수가 남을 수 있음을 보여주었습니다. 예측 변수를 연속형으로 유지하고, 스플라인이나 분수 다항식 항을 통해 로그 위험률과의 관계를 엄격한 선형 관계가 아닌 곡선 관계로 표현하는 것이 일반적으로 두 그룹으로 나누는 것보다 데이터가 전달할 수 있는 정보를 더 많이 보존합니다.

상호작용 항도 동일하게 신중하게 다뤄야 합니다. 기저 질환 중증도에 따라 치료 효과가 달라지는 경우, 두 개의 하위 그룹 분석을 독립적으로 수행하여 각각 별도의 위험비를 보고하는 대신, 모델에 치료 효과와 중증도를 곱한 항을 포함시켜야 합니다. 하위 그룹 분석은 상호작용 항을 직접 검정했을 때 통계적으로 구별되지 않는다는 것을 보여줄 수 있는 "한 그룹에서는 유의하지만 다른 그룹에서는 유의하지 않은" 잘못된 결과를 도출할 가능성을 높이기 때문입니다.

콕스 모델에서 시간에 따라 변하는 공변량

일부 공변량은 추적 관찰 기간 동안 고정되어 있지 않습니다. 환자의 치료 상태, 질병 단계 또는 수년에 걸쳐 반복적으로 측정된 검사 수치는 모두 시간이 흐르는 동안 변화합니다. 따라서 이러한 공변량을 기준 시점의 값으로만 ​​코딩한 다음 추적 관찰 기간 동안 고정된 값으로 처리하면 위험비가 크게 왜곡될 수 있습니다. 표준적인 해결책은 공변량에 변화가 없었던 기간 동안 각 구간별로 행을 하나씩 배치하는 방식으로 데이터 세트를 구성하는 것입니다. Surv(start, stop, event) R에서는 더 간단한 방법보다는 Surv(time, status) 이 가이드 앞부분에서 사용된 형식입니다.

스탠포드 심장 이식 데이터는 다음과 같이 수집되었습니다. 존 크롤리와 마리 후는 1977년 미국 통계학회지(Journal of the American Statistical Association)에 논문을 발표했습니다. 370회 이상 인용되었으며 현재 R에 내장되어 있습니다. heart 데이터셋을 분석하여 왜곡을 직접적으로 보여줍니다. 이식 여부를 고정된 기준선 공변량으로 잘못 코딩한 103명의 환자와 75명의 사망자를 모델링하고, 환자들이 최종적으로 도달한 이식 여부에 따라 비교한 결과, 이식에 대한 위험비는 0.180(95% CI 0.104~0.310, p<0.001)으로 나타났으며, 이는 생존에 매우 강력하고 유의미한 이점임을 시사합니다. 동일한 데이터를 계수 과정 형식으로 재코딩하여, 환자의 공변량 이력에서 이식 여부가 실제로 이식을 받은 날짜에만 "활성화"되도록 하고, 다시 모델링한 결과는 다음과 같습니다. coxph(Surv(start, stop, event) ~ transplant + age + surgery, data = heart) 그 결과 위험비는 1.016(95% CI 0.555~1.861, p=0.958)으로 나타났으며, 이는 통계적으로 아무런 효과가 없는 것과 구별할 수 없는 수치입니다.

두 행 사이의 간극에는 '불멸 시간 편향'이라는 이름이 붙어 있는데, 이는 환자가 이식 수술을 받기 전에 해당 공변량이 '예'로 바뀌기까지 충분히 생존해야 하기 때문에 발생하는 현상입니다. 기준 시점 데이터만 사용하는 코딩 방식은 이식 수술을 받은 환자들이 이식 자격을 얻기까지 필요한 생존 시간을 암묵적으로 이식 그룹에 부여하는데, 이는 동일한 규칙을 적용했을 때 '이식받지 않은' 환자들이 결코 축적할 수 없는 시간입니다. 존스와 파울러는 2017년 '중환자 치료 저널(Journal of Critical Care)'에 발표한 연구에서 중증 인플루엔자 환자의 오셀타미비르 치료에 대한 실제 데이터를 사용하여 동일한 왜곡 현상을 입증했습니다 . 표준 콕스 회귀 모델과 로지스틱 회귀 모델 모두 사망률에 대한 보호 효과를 시사했지만, 시간 의존적 콕스 모델에서 환자가 실제로 약물을 투여받기 위해 생존해야 한다는 사실을 고려하자 이러한 효과가 완전히 사라졌습니다. 이는 위에서 언급한 심장 이식 데이터에서 나타나는 것과 동일한 패턴입니다.

계수를 부여해서는 안 되는 변수에 대한 층화 Cox 모델

때때로 어떤 변수는 생존에 분명히 영향을 미치지만, 연구에서 위험비(hazard ratio)를 구하고자 하는 변수는 아닐 수 있습니다. 예를 들어 다기관 임상시험에서 병원 위치가 그러한 경우이거나, 쇤펠드 잔차(Schoenfeld residuals)가 변환으로도 해결할 수 없는 명확한 비례 위험 가정 위반을 나타내는 공변량인 경우가 있습니다. 층화 콕스 회귀 모델은 각 층이 완전히 독립적인 기준 위험 함수를 갖도록 하고, 층화 변수를 제외한 모든 공변량은 모든 층에 걸쳐 하나의 공통 계수를 유지하도록 함으로써 이러한 두 가지 상황을 모두 처리합니다.

폐암 사례를 재구성하기 coxph(Surv(time, status) ~ age + ph.ecog + strata(sex), data = lung) 성별에 대한 계수를 추정하는 대신 성별로 층화 분석을 수행했습니다. 연령의 경우 위험비는 1.011(95% CI 0.993~1.029, p=0.253)이고, 수행 상태의 경우 위험비는 1.588(95% CI 1.268~1.988, p<0.001)로 나타났는데, 두 값 모두 층화 분석을 하지 않은 추정치와 유사합니다. 이는 앞서 수행한 Schoenfeld 검정에서 성별 자체가 이 데이터 세트에서 비례성 원칙을 위반한다는 강력한 증거가 나타나지 않았다는 점을 고려하면 타당합니다. 달라지는 것은 모델이 답할 수 있는 질문입니다. 층화 분석 모델은 더 이상 성별에 대한 위험비를 보고할 수 없습니다. 성별이 이제 공변량으로 작용하는 대신 별도의 기준 위험도를 정의하기 때문입니다. 이러한 절충은 층화 변수 자체의 효과가 연구에서 보고해야 하는 효과가 아닐 때만 의도적으로 감수할 가치가 있습니다.

콕스 회귀 분석을 망치는 흔한 실수들

• 비례위험성 검사를 수행하지 않고 위험비만 보고하는 것. 실제 효과가 크게 변하는 추적 기간 동안 평균값을 낸 단일 수치는 해당 기간의 초기와 후기 모두에서 위험을 잘못 나타낼 수 있습니다.
• 이벤트 발생 횟수가 감당할 수 있는 것보다 더 많은 공변량을 포함시킵니다. 40개의 사건에 대해 12개의 예측 변수를 사용하는 콕스 모델을 적용하면, 표제에서 전체 표본 크기가 아무리 커 보이더라도 잡음보다 신뢰할 수 없는 계수들이 여러 개 생성됩니다.
• 위험비율을 시점과 관련된 정보로 해석합니다. 위험비 2.0은 순간적인 위험이 두 배라는 의미이지, 사건 발생 속도가 두 배 빠르다는 의미가 아닙니다. 임상적인 논의에서 이 두 가지 개념이 자주 혼동됩니다.
• 시간에 따라 변하는 노출을 마치 기준선에 고정된 것처럼 코딩합니다. 이 가이드 앞부분의 심장 이식 비교 사례는 단 하나의 선택이 위험비에 얼마나 큰 왜곡을 초래할 수 있는지, 때로는 임상적 결론을 완전히 뒤집어 놓을 수 있는지를 보여줍니다.
• 편리한 기준점 또는 데이터에서 도출된 기준점을 중심으로 연속형 예측 변수를 이분화합니다. 검정력이 떨어지고 잔여 교란 요인이 다시 나타나는데, 이는 앞서 언급한 로이스턴, 알트만, 사우어브레이가 2006년 논문에서 정량화한 결과와 정확히 일치합니다.
• 경쟁 이벤트를 일반적인 검열처럼 취급하는 것. 관심 결과가 발생하기 전에 관련 없는 원인으로 사망한 환자는 추적 관찰에서 제외된 환자와는 다르며, 이러한 차이를 무시하는 표준 Kaplan-Meier 또는 Cox 접근 방식은 실제로 연구 대상인 사건의 누적 발생률을 과대평가하게 됩니다.

기본 Cox 모델을 넘어서는 확장

만성 질환 연구에서는 기본적인 Cox 모델만으로는 처리할 수 없는 상황에 흔히 직면합니다. 환자가 두 가지 이상의 치명적인 사건이나 사망을 경험할 수 있는 경우, 예를 들어 종양학 코호트에서 심혈관 질환으로 인한 사망과 암으로 인한 사망이 경쟁하는 상황이 발생할 수 있으며, 한 사건을 다른 사건에 대한 일반적인 중도절단으로 처리하면 누적 발생률 추정치가 과대평가됩니다. 이 사이트의 다른 페이지에서 더 자세히 다루는 경쟁 위험 프레임워크는 단순한 Kaplan-Meier 추정치를 바로 이러한 상황을 처리하도록 설계된 누적 발생률 함수로 대체합니다.

환자가 단일한 최종 사건이 아닌 진단에서 관해, 재발, 사망에 이르기까지 여러 단계의 임상 상태를 거치는 경우, 동일한 위험 기반 논리를 단일 전환이 아닌 여러 전환에 걸쳐 확장하는 다중 상태 및 질병-사망 모델링 접근 방식이 필요합니다 . 몇 개의 고정된 기준선 공변량 대신 생존 시간과 함께 반복적으로 측정된 생체지표를 수집하는 연구는 종단적 궤적을 사건 발생 위험에 직접 연결하는 결합 모델 에 더 잘 맞는 경우가 많습니다 . 이러한 접근 방식은 마지막으로 관찰된 생체지표 값을 표준 Cox 모델에 단순히 입력하는 것보다 측정 오류와 불규칙한 방문 시점을 더 신중하게 처리합니다. 재발 사건 데이터, 단일 최종 결과가 아닌 반복적인 입원, 그리고 가족이나 병원 내에서 관찰되지 않은 공유 위험에 대한 취약성 항은 모델을 더욱 확장하며, 각각 실제 임상 데이터가 환자별 단일하고 독립적인 사건 발생 시간 결과에서 벗어나는 특정 방식을 다룹니다.

콕스 회귀 분석에 대한 통계적 근거 확보

일부 콕스 회귀 모델은 세 개의 잘 선택된 공변량과 예측 변수 목록에 대한 적절한 사건 발생 횟수를 사용하는 간단한 모델입니다. 그러나 다른 모델들은 시간에 따라 변하는 노출, 경쟁 위험, 여러 기관에서 수집된 클러스터링된 데이터 또는 비례 위험 가정 위반과 같은 복잡한 요소를 포함하므로 단순한 재적합으로는 해결되지 않는 층화 모델이나 확장 모델이 필요할 수 있습니다. Editverse의 통계 전문가들은 계획된 분석에 각 공변량당 충분한 사건 발생 횟수가 포함되었는지 확인하는 것부터 학위 논문 심사위원이나 학술지 심사자가 실제로 읽을 방법 및 결과 서술을 작성하는 것까지 모든 범위의 작업을 처리합니다.

맺음말

콕스 모델이 산출하는 모든 수치는 분석가가 위험의 기본 형태를 추측할 필요 없이 계산된 하나의 위험비로 거슬러 올라가며, 전체 추적 기간 동안 단일 위험비가 의미를 갖도록 하는 비례 위험 조건에 대해 가정하는 것이 아니라 검증됩니다. 가상의 표가 아닌 실제 공개된 폐암 임상시험 데이터 세트에 적용한 이 모델은 다변수 조정의 가치를 보여주는 정확한 패턴을 반환했습니다. 즉, 더 나은 예측 변수가 모델에 추가되면 더 이상 중요하지 않게 되는, 그 자체로는 유의미한 예측 변수와, 전체 기간 동안 강력하게 유지되는 수행 상태 효과가 나타났습니다.

코딩 선택은 모델의 수학적 계산만큼이나 현실적인 결과를 초래합니다. 이 가이드 앞부분에 소개된 스탠퍼드 심장 이식 비교 사례는 공변량 변화 허용 시점을 잘못 처리한 탓에, 통계적으로 유의미한 강력한 이점으로 둔갑했습니다. 이는 '불멸의 시간 편향'이라는 왜곡 현상과, 시간 의존적 모델이 이를 수정하기 전까지 실제 임상 결론을 오도했던 과거의 사례와 관련이 있습니다. 철저한 검증을 통과하는 콕스 회귀 모델을 구축하려면 공변량 선택, 비례 위험 검정, 그리고 추적 관찰 기간 동안 변화하는 모든 변수의 코딩을 동등하게 중요한 설계 결정으로 다뤄야 합니다. 단순히 주요 위험비가 이미 발표 가능한 수준으로 나온 후에 실행하는 사후 고려 사항이 되어서는 안 됩니다.

참고자료

1. Cox 박사. 회귀 모형 및 생명표. JR 통계학회 시리즈 B. 1972;34(2):187-202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
2. Loprinzi CL, Laurie JA, Wieand HS, et al. 환자가 작성한 설문지를 통한 예후 변수의 전향적 평가. 북중부 암 치료 그룹. J Clin Oncol. 1994;12(3):601-607. https://doi.org/10.1200/JCO.1994.12.3.601
3. Schoenfeld D. 비례 위험 회귀 모델의 부분 잔차. 생체측정학. 1982;69(1):239-241. https://doi.org/10.1093/biomet/69.1.239
4. Grambsch PM, Therneau TM. 가중 잔차에 기반한 비례 위험 검정 및 진단. 생체측정학. 1994;81(3):515-526. https://doi.org/10.1093/biomet/81.3.515
5. Vittinghoff E, McCulloch CE. 로지스틱 회귀 및 Cox 회귀에서 변수당 10개 사건 규칙 완화. Am J Epidemiol. 2007;165(6):710-718. https://pubmed.ncbi.nlm.nih.gov/17182981/
6. Royston P, Altman DG, Sauerbrei W. 다중 회귀 분석에서 연속형 예측 변수를 이분화하는 것은 좋지 않은 생각이다. Stat Med. 2006;25(1):127-141. https://doi.org/10.1002/sim.2331
7. Crowley J, Hu M. 심장 이식 생존 데이터의 공분산 분석. J 오전 통계 협회 1977;72(357):27-36. https://doi.org/10.1080/01621459.1977.10479903
8. Jones M, Fowler R. 사건 발생 시간 결과에 대한 관찰 연구에서 나타나는 불멸 시간 편향. J 크리티컬 케어. 2017, 36 : 195 - 199. https://pubmed.ncbi.nlm.nih.gov/27546771/