Inappropriate use of bivariable analysis to screen risk factors for use in multivariable analysis 🆕 최근 업데이트

authors

Sun et al.

year

1996

category

other

pdf

PDF

source

Source

업데이트

2026-09-06

요약

이 논문은 다변량 분석(multivariable analysis)을 수행하기 전, 변수 선별을 위해 이변량 분석(bivariable analysis, BVS)을 사용하는 관행이 방법론적으로 부적절함을 입증한다. 저자들은 BVS가 confounding을 적절히 통제하지 못해, 실제로는 중요한 위험 요인(risk factor)을 오차로 인해 배제할 수 있음을 이론적 및 실제 데이터 예시를 통해 시연했다. 특히, 이변량 분석에서 통계적으로 유의하지 않던 변수가 다변량 분석에서 confounder를 통제함으로써 유의한 독립 예측 인자로 나타나는 현상을 여러 사례로 확인했다. 또한 자동화된 forward 또는 stepwise 모델링 방식이 confounding 존재 하에 어떻게 오류를 유발하는지 분석했다. 연구진은 이러한 방법론적 결함을 피하기 위해 backward elimination procedure 등 대안적 변수 선택 전략을 검토하고 권장한다. 이 연구는 임상 연구에서 통계적 모델 구축 시 변수 선별 기준의 중요성과 confounding control의 필수성을 강조한다.

방법

이 연구는 hypothetical data와 actual clinical data를 사용하여 BVS 방법의 한계를 입증하는 methodological study이다. 모든 통계 분석은 SAS system version 6.08 for Windows를 사용하여 수행되었다. Hypothetical examples에서는 coronary artery disease (CAD) 발생과 patient sex, physical activity 간의 관계를 모의 데이터로 구성하여 stratified analysis와 multivariable logistic regression을 비교했다. 실제 데이터 예시로는 두 가지 cohort를 사용했다: 첫 번째는 cardiac patients 3,359명을 대상으로 한 hospital mortality 예측 연구(referral database), 두 번째는 isolated coronary artery bypass graft (CABG) 수술 환자 1,355명을 대상으로 한 preoperative risk factor 분석(CABG database)이다.

변수 선별 방법론 비교를 위해 bivariable logistic regression과 multivariable stepwise/backward logistic regression을 병행 적용했다. BVS에서는 일반적으로 p < 0.05 (또는 일부 연구에서 p < 0.10, 0.20, 0.25)인 변수만 다변량 모델에 포함시키는 기준을 사용했다. 반면 multivariable analysis에서는 confounding 효과를 통제하기 위해 모든 잠재적 변수를 동시에 고려하는 stepwise 또는 backward elimination procedure를 적용했다. Stepwise regression의 entry/removal threshold는 p = 0.10/0.05로 설정되었으며, backward elimination은 p = 0.05로 제거 기준을 두었다. Primary endpoint는 hospital mortality였으며, secondary analysis로는 risk factor 간의 correlation과 confounding effect를 정량화하기 위해 risk index score를 계산하여 비교했다.

주요 결과

Hypothetical data 분석에서, patient sex와 CAD 발생 간 관계는 unstratified bivariable analysis에서는 유의하지 않았다 (OR = 1.202, p = 0.198). 그러나 physical activity라는 confounder를 통제하는 stratified analysis나 multivariable logistic regression을 적용했을 때, female sex는 CAD 발생의 독립적인 위험 인자로 확인되었다 (Stratum-specific OR: Inactive group 1.429, Active group 2.200; Multivariable OR = 1.543, p = 0.003). 이는 physical activity가 patient sex와 negatively correlated (OR = 0.450, p < 0.001)되어 confounding effect를 일으켰음을 보여준다. 유사하게, 다른 hypothetical dataset (n=4068)에서도 bivariable analysis에서 유의하지 않던 patient sex (p = 0.267)가 multivariable analysis에서는 유의한 위험 인자로 emerged (OR = 1.503, p = 0.0064)했다.

Actual data 분석에서, referral database (n=3,359)의 hospital mortality 예측 모델에서 prior thrombolytic therapy는 bivariable analysis에서 유의하지 않았다 (OR = 0.685, p = 0.1698). 그러나 multivariable stepwise logistic regression을 적용하여 confounders를 통제한 결과, 이 변수는 통계적으로 유의한 보호 요인으로 확인되었다 (OR = 0.347, p = 0.0013). 이는 prior thrombolytic therapy가 high-risk patients에게 더 많이 투여되었음(positive confounding)을 반영한다. CABG database (n=1,355) 분석에서도 prior CABG history는 bivariable analysis에서 유의하지 않았으나 (p = 0.1334), multivariable analysis에서는 유의한 위험 인자로 나타났다 (OR = 2.088, p = 0.0253). 또한 history of diabetes도 bivariable analysis에서 p = 0.2426으로 유의하지 않았으나, multivariable model에서는 p = 0.1313으로 경계선 유의 수준까지 상승했다. 이러한 결과는 BVS를 통한 초기 변수 배제가 중요한 clinical predictors를 누락시킬 수 있음을 입증한다.

강점

이 논문은 단순한 이론적 논쟁을 넘어, hypothetical simulation과 실제 임상 데이터 (cardiac referral 및 CABG cohort)를 모두 사용하여 방법론적 오류의 실증적 증거를 제시했다는 점에서 강점이 있다. 특히, confounding effect가 어떻게 bivariable association을 왜곡하여 유의미한 변수를 false negative로 만드는지 구체적인 odds ratio와 p-value 변화로 시각화하여 설명력이 높다. 또한, widely used인 stepwise regression의 한계뿐만 아니라 backward elimination procedure의 상대적 우위를 비교 분석하여, 연구자들에게 대안적인 통계적 접근법을 제시했다. 1990년대 중반 당시 medical literature에서 BVS가 보편적으로 사용되던 시점에, 이 관행이 systematic bias를 유발할 수 있음을 명확히 지적한 선구적인 연구이다.

한계

이 연구의 hypothetical examples은 특정 confounding 구조 (예: physical activity와 sex의 inverse correlation)를 가정하여 구성되었으므로, 모든 clinical scenario에 일반화하기에는 제한적일 수 있다. 또한, actual data 분석에서 사용된 cohort들은 특정 hospital (Good Samaritan Hospital)의 referral patients로 구성되어 있어, selection bias가 존재할 가능성이 있으며 다른 population으로 extrapolate하는 데 주의가 필요하다. 논문은 주로 logistic regression을 중심으로 논의하고 있어, survival analysis (Cox model)나 linear regression 등 다른 multivariable modeling 기법에서의 BVS 영향에 대한 직접적인 검증은 포함되지 않았다. 마지막으로, 이 연구는 1996년 당시의 통계 소프트웨어 및 관행을 반영하므로, modern machine learning techniques이나 penalized regression (LASSO 등)이 등장한 현재 맥락에서의 적용성은 직접적으로 다루지 않는다.

해석

이 논문은 clinical research에서 변수 선별(variable selection) 과정의 중요성을 재조명하며, "univariate significance"를 기준으로 변수를 필터링하는 관행이 confounding control 실패로 이어져 biased estimates를 생성할 수 있음을 경고한다. 이는 특히 observational studies나 retrospective cohort studies에서 confounders가 복잡하게 얽혀 있을 때 critical한 함의가 있다. LLM Wiki의 epidemiology 및 biostatistics 문헌들과 연결하여 볼 때, 이 연구는 multivariable modeling의 기본 원칙인 "adjust for confounders"를 구현하기 위해서는 초기 단계에서의 aggressive variable exclusion을 피해야 함을 지지한다. 현대 AI/ML 기반의 medical prediction model 개발에서도 feature selection 시 domain knowledge와 statistical significance만을 의존하기보다, causal inference 관점에서 confounding structure를 고려한 모델 구축이 필요함을 시사한다.