생존분석에서 Competing Risk는 관심 사건이 발생하기 전에 다른 사건이 먼저 발생하여 관심 사건의 관측이 불가능해지는 상황을 의미한다. 의료 연구에서는 사망, 이식, 치료 중단과 같이 임상적으로 의미 있는 사건들이 서로 경쟁 관계에 놓이는 경우가 많기 때문에 Competing Risk 구조를 무시한 분석은 심각한 통계적 왜곡을 초래할 수 있다.
Competing Risk의 개념과 발생 구조
Competing Risk는 단순한 중도절단과 본질적으로 다르다. 중도절단은 정보가 사라진 경우이지만, Competing Risk는 실제로 다른 사건이 발생했음을 의미한다. 예를 들어 암 재발을 분석할 때 사망은 단순 검열이 아니라 재발 가능성을 영구적으로 제거하는 경쟁 사건이다.
이러한 구조에서 경쟁 사건을 중도절단으로 처리하면, 관심 사건의 발생 확률이 과대추정되는 문제가 발생한다. 이는 Kaplan–Meier 곡선이 Competing Risk 상황에서 부적절하다고 평가받는 이유다.
Kaplan–Meier 방법의 한계
Kaplan–Meier 방법은 검열이 비정보적이라는 가정을 전제로 한다. 그러나 Competing Risk는 명백히 정보적 사건이다. 경쟁 사건이 발생한 대상자는 이후 관심 사건이 발생할 가능성이 없기 때문이다.
이 가정을 위반한 상태에서 Kaplan–Meier 곡선을 적용하면, 실제 임상 위험보다 높은 누적 발생률이 추정된다. 따라서 Competing Risk 구조가 존재하는 연구에서는 Kaplan–Meier 해석 자체가 통계적으로 잘못될 수 있다.
누적발생함수와 Cause-Specific Hazard
Competing Risk 분석에서 가장 기본이 되는 지표는 누적발생함수다. 이는 특정 사건이 일정 시점까지 발생할 실제 확률을 직접적으로 추정한다. 임상적으로 직관적인 해석이 가능하다는 점에서 널리 사용된다.
Cause-Specific Hazard는 특정 사건이 발생할 순간 위험을 의미하며, 경쟁 사건은 검열로 처리된다. 이 접근은 위험 요인 분석에는 유용하지만, 절대 위험 추정에는 적합하지 않다. 연구 목적에 따라 두 지표는 명확히 구분되어야 한다.
Fine–Gray 모형의 적용 기준
Fine–Gray 모형은 Competing Risk 상황에서 누적발생함수에 직접 영향을 미치는 공변량 효과를 추정한다. 이는 임상 의사결정에 필요한 실제 발생 확률을 해석할 수 있다는 장점이 있다.
그러나 Fine–Gray 모형의 회귀계수는 전통적인 Cox 모형의 위험비와 동일하게 해석할 수 없다. 공변량이 경쟁 사건 분포에도 영향을 미치기 때문에, 해석에는 주의가 필요하다.
연구 목적에 따른 모델 선택 전략
위험 요인 자체를 규명하는 것이 목적이라면 Cause-Specific Hazard 접근이 적합하다. 반면 특정 시점까지의 실제 발생 확률을 비교하려는 경우에는 누적발생함수 또는 Fine–Gray 모형이 더 적절하다.
임상 연구에서는 두 방법을 병행하여 보고하는 것이 권장된다. 이를 통해 공변량의 생물학적 영향과 임상적 위험을 동시에 설명할 수 있다.
Competing Risk 분석에서 자주 발생하는 오류
가장 흔한 오류는 경쟁 사건을 단순 검열로 처리하는 것이다. 또한 Competing Risk 구조를 인지하고 있음에도 불구하고, 결과 해석에서 Kaplan–Meier 곡선을 그대로 사용하는 경우도 많다.
모형 선택의 논리를 명확히 기술하지 않거나, 연구 목적과 불일치한 지표를 제시하는 것 역시 중요한 문제로 지적된다.
Competing Risk 분석의 임상적 의미
Competing Risk 분석은 통계 기법의 문제가 아니라 임상 현실을 반영하는 분석 철학에 가깝다. 실제 환자는 하나의 사건만을 경험하며, 사건 간의 경쟁 관계는 치료 전략과 예후 해석에 직접적인 영향을 미친다.
따라서 생존분석에서 Competing Risk를 올바르게 적용하는 것은 연구 정확도를 넘어, 임상 의사결정의 신뢰성을 확보하는 핵심 요소라고 할 수 있다.