청구자료 논문 리뷰어 지적과 답변: 교란·분류오류

ByEditverse Korea Editorial Team

심사평에 “Claims data lack BMI, smoking status, and laboratory values, so residual confounding cannot be excluded.” 같은 문장이 있다면(가상의 코멘트 예시), 건강보험 청구자료로 쓴 논문이라는 뜻입니다. 이런 청구자료 논문 리뷰어 지적은 원고 한 편의 약점이기 전에 자료 구조에서 나오는 지적이어서, 대응 순서도 어느 정도 정해져 있습니다.

청구자료는 진료비 청구를 위해 쌓인 자료여서 혈압이나 혈당 같은 치료 결과가 기록되지 않습니다[1]. 임상 지표와 생활습관 정보는 이런 자료에 없는 경우가 많고, 그 때문에 잔여 교란(residual confounding)이 생깁니다[2]. 그래서 리뷰어는 교란(confounding), 분류오류(misclassification), 진단 기회 차이를 거의 같은 순서로 묻습니다. 이 글은 그 지적 8가지에 대해 무엇을 돌리고, 원고 어디를 고치고, 영문 답변서에 어떻게 쓸지 정리합니다.

답변서 전체의 구조와 어조는 리뷰어 답변 작성 가이드에서, 판정별 일정과 결정 규칙은 수정 후 게재 재심 대응에서 다뤘고, RECORD 보고 항목과 HIRA 자료 신청 절차는 HIRA 빅데이터 신청 절차에 있습니다. 이 글은 통계·설계 쪽 지적에 한정합니다. 본문의 리뷰어 코멘트는 모두 가상의 예시이고, 영문 답변 문장은 Editverse가 쓴 예시입니다.

간단히 말하면

청구자료 논문의 리뷰어 지적에는 “추가 분석 하나, 원고 수정 한 곳, 답변 문장 하나”를 짝지어 답하십시오. 미측정 교란은 E-value와 음성대조로, 분류오류는 검증된 정의와 정의 변경 민감도 분석으로, 진단 기회 차이와 건강한 사용자 효과는 신규 사용자·활성 대조 설계와 진료 이용량 보정으로 답합니다. 건강검진 변수처럼 처음 신청에 없던 변수가 필요하면 자료 재신청이 걸릴 수 있으므로, 재투고 기한의 첫 주에 가능 여부부터 분류하십시오.

청구자료 논문 지적 8가지와 답변 방향

아래 표는 자료 구조에서 따라오는 순서이고 빈도 순위가 아닙니다. 지적마다 “먼저 돌릴 분석”과 “원고에서 고칠 곳”을 짝지어 두면 답변서의 각 항목이 한 줄씩 닫힙니다. 받은 지적에 해당하는 절만 읽어도 됩니다.

번호리뷰어 지적먼저 돌릴 분석원고에서 고칠 곳
1미측정 교란(검사 수치, BMI, 흡연)신청 변수 확인, E-value, 음성대조, 양적 편향분석Results 민감도 분석, Limitations
2상병·노출 정의가 타당한가(분류오류)검증 연구 인용, 엄격·완화 정의 민감도 분석Methods 정의 표, 보충자료
3진단 기회 차이(검출 편향)진료 이용량 보정, 초기 구간 제외, 음성대조 결과Methods, 보충자료
4건강한 사용자 효과신규 사용자, 활성 대조 설계Methods 연구 설계
5다중검정과 대표본 p값일차 결과 사전 지정, 표준화 차이, 효과크기와 신뢰구간Methods 통계 절, Table 1
6결측변수별 결측 비율, 완전사례 분석과 다중대체 비교Methods, 보충자료
7경쟁위험누적발생함수, cause-specific hazardResults
8일반화 가능성대상 범위·자료 기간·비급여 제외 명시Discussion, Limitations

미측정 교란: 검사 수치·BMI·흡연에 답하는 법

청구자료의 잔여 교란은 해당 분야에서 오래 지적된 문제이고, 이를 “한계로 인정한다”는 정성적 논의에 그치지 말고 민감도 분석으로 다루라는 것이 권고입니다[2]. 답변도 같은 방향으로 씁니다. 숫자를 하나 내놓고 그 숫자의 의미를 한 문장으로 적습니다.

1단계: 신청한 변수에 검진 변수가 있는지 확인

먼저 자료부터 봅니다. NHIS 자료에는 건강검진 정보가 있어 건강 행태와 생체 지표 변수를 담고 있고, 검진 참여율은 2014년에 74.8%였습니다[3]. HIRA 자료는 청구 내역 중심이고 NHIS 자료에는 사망 기록, 일부 검진 기록, 소득 같은 사회경제 변수가 더해집니다[1]. NHIS 개방시스템의 표본코호트DB 안내도 건강검진 테이블을 “1차 일반건강검진 주요 결과 및 문진에 의한 생활습관 및 행태관련 자료”로 설명합니다[4]. 다만 이 안내 페이지에서는 BMI나 흡연 같은 개별 변수명을 확인하지 못했으므로, 신청서에 적은 변수 목록에서 직접 확인하십시오. 검진 변수가 이미 신청 범위에 있다면 보정 모형에 넣는 것이 가장 강한 답이고, 없다면 아래 도구로 답한 뒤 마지막 절의 재신청 가능성 점검으로 이어집니다.

2단계: 네 가지 도구

  • E-value. 관찰된 연관을 완전히 설명하려면 미측정 교란이 노출과 결과 양쪽과 최소 어느 정도의 위험비로 연관되어야 하는지를 수 하나로 나타냅니다. 제안자들은 점추정치와 신뢰구간에서 귀무값에 가까운 한계 모두에 대해 계산하라고 권합니다[5].
  • 음성대조(negative control). 인과 효과가 없다고 알려진 결과(또는 노출)로 같은 분석을 돌려 교란과 다른 편향의 신호를 찾는 방법입니다[6].
  • 양적 편향분석. 체계적 오차의 방향, 크기, 불확실성을 수치로 추정합니다[7].
  • 외부 정보를 이용한 보정. 설문 같은 외부 자료에서 이진 교란변수 정보를 얻어 연관을 대수적으로 보정하는 방식이 있습니다[2].

유전적 도구변수를 쓰는 접근은 별도 주제이며 멘델 무작위화 입문에서 소개했습니다.

가상의 예시: E-value 계산과 해석

표본코호트에서 약제 A 사용군의 심부전 입원 위험이 비사용군보다 높았다고 가정합니다(HR 1.45, 95% CI 1.20–1.75). 결과 발생이 추적 종료 시점에 대상자의 15% 미만이면 HR을 위험비로 보고 계산할 수 있습니다[8]. 결과가 흔하면 OR나 HR을 그대로 쓰지 않고 변환해야 합니다[9]. 위험이 증가하는 방향의 식은 E = RR + √(RR×(RR−1))입니다[9].

  • 점추정치: 1.45 + √(1.45×0.45) = 1.45 + 0.81 = 2.26
  • 신뢰구간 하한: 1.20 + √(1.20×0.20) = 1.20 + 0.49 = 1.69

해석은 이렇게 씁니다. 측정된 공변량을 보정한 뒤에도, 미측정 교란이 약제 사용과 심부전 입원 양쪽에 위험비 2.26 이상으로 연관되어야 점추정치를 완전히 설명할 수 있습니다. 신뢰구간이 1을 포함하게 하려면 1.69 이상이면 됩니다. 이 값이 크다거나 작다는 판단은 주제 지식에 달려 있습니다[9].

관찰된 위험비에 따른 E-value 곡선(가상의 예시). HR 1.45는 E-value 2.26, 신뢰구간 하한 HR 1.20은 E-value 1.69
관찰된 위험비와 E-value의 관계. 표시한 두 점은 위 가상의 예시(HR 1.45, 95% CI 1.20–1.75)에 식을 적용한 계산값입니다. 식 출처: Gaster 등(2023), VanderWeele & Ding(2017).

비교 기준은 문헌에서 찾습니다. Gaster 등은 항우울제와 유산의 메타분석에서 E-value 2.17을 문헌에 보고된 음주·흡연의 연관 크기와 견주었습니다. 음주는 노출과의 연관(10.25)과 결과와의 연관(3.1)이 모두 E-value보다 커서 관찰된 연관을 설명할 수 있었고, 흡연은 노출과의 연관(2.06)이 E-value보다 작아 단독으로는 설명하기 어려웠습니다[9]. 같은 방식으로 흡연, 음주, BMI의 문헌값을 찾아 표로 정리하면 리뷰어에게 구체적인 답이 됩니다.

한계도 같이 적습니다. E-value가 낮다고 교란이 확정되는 것도, 높다고 교란이 배제되는 것도 아닙니다. 적응증에 의한 교란(confounding by indication)은 E-value가 높아도 연관을 크게 왜곡할 수 있고, E-value는 연관을 부풀리는 교란을 다루며 교란 외 편향은 다루지 못합니다[9]. 그래서 E-value는 다른 민감도 분석과 함께 제시합니다.

음성대조는 설계가 간단합니다. 약제 A와 인과 관계가 없다고 임상 전문가들이 합의한 결과 하나를 골라 같은 모형으로 돌립니다(가상의 예). HR이 1에 가까우면 측정되지 않은 건강 상태 차이가 크지 않다는 방향의 근거가 되고, 1.3처럼 나오면 교란이나 검출 편향의 신호로 읽어야 합니다[6].

답변서 문장 예시(영문 예시는 Editverse 작성, [ ]는 연구에 맞게 교체)

Reviewer comment(가상의 예시): “Because claims data lack BMI, smoking status, and laboratory values, residual confounding is likely. Please address this.”

Response: We agree that these variables are not recorded in claims data. [Because the health screening records were included in our data request, we additionally adjusted for BMI and smoking status (revised Table 2).] To quantify the potential impact of remaining unmeasured confounding, we calculated the E-value. An unmeasured confounder would need to be associated with both [drug A use] and [heart failure admission] by a risk ratio of at least 2.26 (1.69 for the confidence limit closest to the null), beyond the measured covariates, to explain away the observed association. This analysis is added to the Results (p. [X], lines [X–X]), and the limitation is stated in the Discussion (p. [Y]).

분류오류: 상병 정의가 실제 질환을 잡고 있는가

청구자료로 질환을 정의하려면 조작적 정의(operational definition)가 필요합니다. ICD-10 코드만 쓸지, 약제와 처방 기간, 검사, 시술을 결합할지에 따라 환자 정의의 정확도가 달라질 수 있고, 정의를 만들 때 임상의의 의견이 필수라는 것이 국내 리뷰의 설명입니다[1]. 리뷰어가 “이 정의는 검증되었는가”를 묻는 이유입니다. 국내 검증 연구 세 편만 비교해도 정확도는 질환과 정의에 따라 크게 다릅니다. 정의 구성 요소와 washout은 청구자료 상병 정의에서 다룹니다.

질환(자료)검증 방법결과
염증성 장질환(NHIS)17개 병원 1,697명, 의무기록 기준. ICD-10 코드 + 의료이용 청구 1회 이상 + 처방 청구 1회 이상 정의민감도 93.1%, 특이도 98.1%, 양성예측도 97.5%. 산정특례(RID) 등록 코드를 쓴 정의는 이보다 성능이 낮았고 2차 병원 환자에서 특히 그랬음[10]
류마티스관절염(NHIS)산정특례 등록자를 기준으로 삼아 코드·처방 결합 정의 9개 평가. 검증 대상 59,823명 중 50,082명(83.7%)이 등록자생물학적제제, DMARD 3종 초과, 임의 DMARD를 결합한 정의의 정확도 91.4%로 가장 높음[11]
골다공증성 척추골절(HIRA)2개 기관 2,819명의 의무기록과 영상 검토. 진단·시술·영상 코드 결합 정의정의 충족 995명 중 594명이 실제 골절. 민감도 62.5%, 양성예측도 59.7%[12]

세 연구는 대상 질환, 기준(의무기록, 산정특례 등록), 정의 구성이 모두 달라 서로 직접 비교할 수는 없습니다. 그래도 양성예측도가 59.7%에서 97.5%까지 벌어진다는 사실은, 정의를 “코드가 있으면 환자”로 두면 안 된다는 근거로 답변서에 쓸 수 있습니다. 대응 순서는 다음과 같습니다.

  1. 해당 질환의 국내 청구자료 검증 연구를 PubMed에서 찾습니다. 검색어에 NHIS, HIRA, Korean claims, nationwide, national health insurance data 같은 키워드를 넣으면 같은 자료를 쓴 연구와 정의를 찾기 쉽습니다[1].
  2. 검증된 정의가 있으면 그대로 쓰고 Methods에서 인용합니다. 없으면 정의를 분석 전에 고정하고, 엄격한 정의와 완화한 정의로 민감도 분석을 합니다.
  3. 가능하면 소속 병원 의무기록의 하위 표본으로 양성예측도를 직접 추정합니다. 해당 작업에 별도 IRB 절차가 필요한지는 소속 기관 IRB에 확인하십시오.

가상의 예시: 정의 변경 민감도 분석 표

정의사건 수HR (95% CI)
기본: 주상병 또는 부상병 코드 1회 이상1,2401.45 (1.20–1.75)
엄격 1: 입원 1회 이상 또는 외래 2회 이상9801.48 (1.19–1.84)
엄격 2: 코드 + 관련 처방 1회 이상7601.52 (1.22–1.89)
가장 엄격: 입원 + 관련 처방4101.61 (1.18–2.20)

가상의 예시입니다. 엄격한 정의는 기본 정의의 부분집합이므로 사건 수가 줄고 신뢰구간이 넓어집니다. 네 정의 모두 HR이 1.45~1.61이고 방향이 같다면 “정의에 따라 결과가 뒤집히지 않는다”고 답할 수 있습니다. 어느 정의에서 신뢰구간이 1을 포함하면, 그 이유가 사건 수 감소 때문인지 효과 차이 때문인지를 본문에서 설명합니다.

노출 정의도 같이 점검합니다. 노출 정의 때문에 결과가 발생할 수 없는 추적 기간이 생기면 immortal time bias가 됩니다[13]. 처방 이전 기간을 노출군의 추적시간에 넣고 있지는 않은지 코호트 구성표에서 확인하십시오.

답변서 문장 예시(영문 예시는 Editverse 작성, [ ]는 연구에 맞게 교체)

Reviewer comment(가상의 예시): “The case definition based on diagnostic codes alone may misclassify patients. Was it validated?”

Response: We thank the reviewer. Our primary definition [(at least one inpatient or two outpatient claims with ICD-10 code [X] plus a relevant prescription)] followed a previously validated algorithm [ref]. To assess the effect of outcome misclassification, we repeated the analysis with stricter and looser definitions (Supplementary Table [S3]). The hazard ratios were consistent in direction and magnitude (range, [1.45–1.61]). The definitions are now summarised in Table [1] (p. [X]).

진단 기회 차이와 건강한 사용자 효과

검출 편향: 진료를 많이 받으면 진단도 많아진다

검출 편향(detection bias)은 결과를 확인하는 방식이 군마다 체계적으로 다른 데서 생깁니다[14]. 청구자료의 상병은 진료를 받아야 기록되므로, 노출군이 비노출군보다 진료와 검진을 더 자주 받는다면 같은 질환도 노출군에서 더 자주 “진단”되어 위험이 부풀려질 수 있습니다. Catalogue of Bias는 관찰연구에서 검출에 영향을 주는 요인을 찾아 보정하거나 층화하라고 안내합니다[14]. 실무 점검으로 다음 세 가지를 돌립니다(Editverse 정리).

  • 기준시점 이전 1년의 외래 방문 수와 검진 수검 여부를 공변량으로 추가합니다.
  • 노출 직후 기록이 몰리는 초기 구간(예: 첫 6개월)을 제외하고 다시 분석해 결과가 유지되는지 봅니다.
  • 앞 절의 음성대조 결과를 함께 보고합니다. 음성대조 결과에서도 연관이 보이면 진료 이용 차이를 의심할 근거가 됩니다[6].

건강한 사용자 효과: 약을 꾸준히 먹는 사람은 원래 건강하다

예방 치료나 건강한 행태를 가진 사람이 약제를 시작하고 유지하는 경향 때문에 효과가 과장되는 편향이 있습니다. Shrank 등은 이를 건강한 사용자 효과(healthy user effect), 건강한 순응자 효과(healthy adherer effect), 기능 상태·인지 저하에 의한 교란, 선택적 처방에 의한 교란으로 나눠 설명합니다[15]. 설계로 줄이는 방법이 있습니다. 신규 사용자 설계는 현재 치료 과정이 시작되는 시점부터 관찰되는 사람으로 분석을 제한해, 이미 오래 복용한 “생존자”가 섞이는 문제를 없앱니다[16]. 활성 대조 신규 사용자 설계는 두 약제를 직접 비교하는 무작위 시험을 모방해 선택적 처방과 순응에서 오는 편향을 완화합니다[17].

한국 자료에서는 검진 변수를 쓰면 대상이 검진 수검자로 좁아진다는 점도 짚어야 합니다. 검진은 수검자에게만 기록되고, 2014년 검진 참여율이 74.8%였으므로[3] 검진을 받지 않은 사람은 해당 연도의 검진 변수가 없습니다. 수검자와 비수검자의 건강 행태가 같다고 가정할 수 없으므로, 분석 대상의 범위를 Limitations에 적습니다.

답변서 문장 예시(영문 예시는 Editverse 작성, [ ]는 연구에 맞게 교체)

Reviewer comment(가상의 예시): “Patients who receive the drug may be healthier and more health-conscious, and may be diagnosed more often because they see physicians more frequently.”

Response: To reduce healthy-user and detection bias, we restricted the cohort to new users with an [active comparator (drug B)] and adjusted for the number of outpatient visits and health screening participation in the year before the index date. We also repeated the analysis after excluding the first [6] months of follow-up (Supplementary Table [S4]). The results were [similar] (HR [X], 95% CI [X–X]). These changes are described in Methods (p. [X]).

통계 지적 네 가지: 다중검정, 대표본 p값, 결측, 경쟁위험

다중검정과 대표본 p값

확인적 연구에서 여러 검정 결과를 하나의 결론으로 합칠 때는 다중검정 보정이 필요하다는 것이 Bender와 Lange의 정리입니다[18]. 반대로 Rothman은 자료가 실제 관찰이라면 일상적인 보정을 하지 않는 정책이 해석 오류를 줄인다고 주장합니다[19]. 두 입장은 연구의 성격에 따라 갈립니다. 답변은 이렇게 정리합니다. 일차 결과를 분석 전에 지정했다고 밝히고, 이차 결과와 하위군 분석은 탐색적이라고 표시하고, 수행한 검정의 수를 적습니다. NHIS 자료 소개 논문(2017)은 IRB 승인과 연구계획서 제출을 요구한다고 밝히므로[3], 일차 결과가 연구계획서에 적혀 있다면 그 문서의 날짜를 답변서에 적을 수 있습니다. 기본 개념은 다중비교 보정와 p-value의 함정에 있습니다.

대상자가 수십만~수백만 명이면 아주 작은 차이도 p값이 작아집니다. 이때 기저 특성의 균형은 p값만으로 판단하지 말고 표준화 차이(standardized difference)로 평가합니다[20]. 결과는 p값과 함께 효과크기와 신뢰구간으로 해석합니다.

결측

검진 변수는 검진을 받은 사람에게만 있으므로 결측이 생깁니다. 변수별 결측 비율을 표로 제시하고, 완전사례 분석과 다중대체 분석 결과를 나란히 보고합니다. 다중대체의 사용과 보고 방법은 Sterne 등의 정리를 따릅니다[21]. 결측 기전에 대한 가정은 문장으로 적습니다. 자세한 방법은 결측치 처리 방법과 보고법을 보시기 바랍니다.

경쟁위험

고령 코호트에서는 결과가 발생하기 전에 사망하는 경우가 흔합니다. 경쟁위험(competing risk)이 있는데 Kaplan-Meier 방법으로 발생률을 추정하면 상향 편향이 생깁니다[22]. 발생률은 누적발생함수로 추정하고, 회귀모형은 병인 질문에는 cause-specific hazard 모형이, 절대위험과 예후 추정에는 누적발생함수 모형이 더 적합할 수 있다고 정리됩니다[22]. 두 모형을 모두 돌려 결과를 나란히 보고하면 어느 쪽을 요구하든 답이 됩니다.

일반화 가능성

한국인의 97%가 건강보험에 가입되어 있어 청구자료는 거의 전 국민을 포함합니다[1]. 한국 내 대표성은 강점입니다. 반면 자료에는 급여 항목만 기록되고 비급여 항목은 없으며[1], 다른 의료체계와 인종 집단에 그대로 적용할 수 있는지는 별도 확인이 필요합니다. 대상 범위, 자료 기간, 비급여 제외를 Discussion에 명시하고, 작성법은 Limitations 섹션 작성법을 참고하십시오.

지적영문 답변 문장 예시
다중검정The primary outcome was prespecified in the study protocol approved on [date]. Secondary and subgroup analyses are labelled exploratory, and the number of tests performed is now reported (Methods, p. [X]).
대표본 p값Given the large sample size (n = [X]), we report standardized differences for baseline comparisons (Table 1) instead of relying on P values and interpret the results by effect size and confidence interval.
결측Health screening variables were missing for [X]% of the cohort (Supplementary Table [S5]). Complete-case and multiple imputation analyses gave consistent estimates (HR [X] vs [X]).
경쟁위험Death before the outcome was treated as a competing event. We report cause-specific hazard ratios and models based on the cumulative incidence function (Results, p. [X]).
일반화Our data cover almost the entire population insured by the National Health Insurance Service of Korea; generalisability to other health care systems and populations remains to be confirmed (Discussion, p. [X]).

한국 연구자 맥락: 추가 분석이 가능한지부터 분류하십시오

2022년 국내 리뷰에 따르면 NHIS와 HIRA의 맞춤형 자료는 소유가 인정되지 않고, 기관의 분석센터를 방문하거나 원격으로 접속해 분석합니다[1]. 현재 절차는 기관 안내로 다시 확인하십시오. 필요한 변수는 처음 신청에 넣어야 하며, 나중에 추가하려면 신청과 추출에 다시 시간이 듭니다[1]. 대조군을 고려하지 않고 신청했다가 분석이 제한되거나 재신청한 사례도 보고되어 있습니다[1]. 그래서 리비전 요청을 받으면 분석을 짜기 전에 지적을 세 갈래로 분류합니다.

  1. 신청한 변수·기간 안에서 가능한 분석. E-value, 정의 민감도 분석, 초기 구간 제외, 표준화 차이, 결측·경쟁위험 분석이 여기에 해당합니다. 바로 진행합니다.
  2. 신청 범위 밖의 변수가 필요한 분석. 검진 변수를 신청하지 않았다면 추가 신청이 가능한지와 소요 일정을 자료 제공 기관의 안내로 확인합니다. 일정이 기한을 넘으면 양적 편향분석과 한계 서술로 답하고, 그 이유를 답변서에 적습니다. HIRA 자료의 신청 단계는 앞서 소개한 글에 정리돼 있습니다.
  3. 외부 자료가 필요한 분석. 의무기록 하위 표본으로 양성예측도를 추정하는 경우입니다. 해당 병원의 IRB 요건을 먼저 확인합니다.

분류가 끝나면 일정표를 기한에서 거꾸로 짭니다. 아래는 재투고 기한이 60일이라고 가정한 가상의 예시입니다. 분석센터 이용 일정은 기관 사정에 따라 정해지므로 날짜를 첫 주에 확정하십시오.

시점(가상)할 일남기는 것
1–7일지적 분류(바로 가능 / 재신청 필요 / 불가), 공저자 역할 배정분류표
8–25일분석센터 접속 일정 확보, 추가 분석 실행, 코드·로그 보관결과표, 분석 코드
26–38일본문과 보충자료 수정, 정의 표·코호트 흐름도 갱신수정본
39–50일답변서 작성(지적별 분석, 수정 위치), 공저자 최종 확인답변서 초안
51–58일영문 점검, 제출 시스템 입력, 접수 확인 저장제출 기록

보고 관련 지적이 오면 RECORD 체크리스트를 따릅니다. RECORD는 STROBE의 확장으로, 일상적으로 수집된 보건 자료를 쓴 연구에 맞춘 13개 항목입니다[23].

청구자료 논문의 리비전은 원고 준비부터 게재 확정까지 이어서 지원받을 수 있습니다. 작성 단계부터 맡기려면 논문 작성부터 게재 확정까지 풀 서비스를, 리뷰어가 요구한 추가 분석의 설계와 분석 코드, 결과 표 정리만 필요하면 통계 재분석(리비전)를, 영문 답변서와 수정 위치 대응표를 정리하려면 리비전·리뷰어 답변 지원를 확인해 보십시오. Editverse는 ICMJE 권고, COPE 지침, GPP 2022(GPP3 개정판)에 따라 진행합니다. 학생·비펀딩 연구자 할인이나 범위 문의는 문의하기 또는 [email protected]으로 연락해 주십시오.

마무리

청구자료 논문의 리뷰어 지적은 자료 구조에서 나오기 때문에 답도 정형화할 수 있습니다. 미측정 교란에는 E-value와 음성대조, 분류오류에는 검증된 정의와 정의 변경 분석, 진단 기회 차이와 건강한 사용자 효과에는 설계와 진료 이용량 보정으로 답하고, 각 답변에 원고의 수정 위치를 붙이십시오. 가장 먼저 할 일은 신청한 변수와 기간 안에서 가능한 분석이 무엇인지 분류하는 것입니다.

참고문헌
1. Kyoung DS, Kim HS. Understanding and Utilizing Claim Data from the Korean National Health Insurance Service (NHIS) and Health Insurance Review & Assessment (HIRA) Database for Research. J Lipid Atheroscler. 2022;11(2):103-110. DOI: 10.12997/jla.2022.11.2.103 / PMID: 35656154
2. Schneeweiss S. Sensitivity analysis and external adjustment for unmeasured confounders in epidemiologic database studies of therapeutics. Pharmacoepidemiol Drug Saf. 2006;15(5):291-303. DOI: 10.1002/pds.1200 / PMID: 16447304
3. Cheol Seong S, Kim YY, Khang YH, et al. Data Resource Profile: The National Health Information Database of the National Health Insurance Service in South Korea. Int J Epidemiol. 2017;46(3):799-800. DOI: 10.1093/ije/dyw253 / PMID: 27794523
4. 국민건강보험공단 건강보험 빅데이터 개방시스템. 표본코호트DB 안내. nhiss.nhis.or.kr. 기준일 2026-10-12 (해당 페이지는 2002~2015년 자료 기준 설명이며 수정일 표시 없음)
5. VanderWeele TJ, Ding P. Sensitivity Analysis in Observational Research: Introducing the E-Value. Ann Intern Med. 2017;167(4):268-274. DOI: 10.7326/M16-2607 / PMID: 28693043
6. Lipsitch M, Tchetgen Tchetgen E, Cohen T. Negative controls: a tool for detecting confounding and bias in observational studies. Epidemiology. 2010;21(3):383-388. DOI: 10.1097/EDE.0b013e3181d61eeb / PMID: 20335814
7. Lash TL, Fox MP, MacLehose RF, Maldonado G, McCandless LC, Greenland S. Good practices for quantitative bias analysis. Int J Epidemiol. 2014;43(6):1969-1985. DOI: 10.1093/ije/dyu149 / PMID: 25080530
8. EValue R package, evalues.HR 함수 설명서(rare 인수). rdrr.io/cran/EValue. 기준일 2026-10-12
9. Gaster T, Eggertsen CM, Støvring H, Ehrenstein V, Petersen I. Quantifying the impact of unmeasured confounding in observational studies with the E value. BMJ Med. 2023;2(1):e000366. DOI: 10.1136/bmjmed-2022-000366 / PMID: 37159620
10. Lee CK, Ha HJ, Oh SJ, et al. Nationwide validation study of diagnostic algorithms for inflammatory bowel disease in Korean National Health Insurance Service database. J Gastroenterol Hepatol. 2020;35(5):760-768. DOI: 10.1111/jgh.14855 / PMID: 31498502
11. Cho SK, Sung YK, Choi CB, Kwon JM, Lee EK, Bae SC. Development of an algorithm for identifying rheumatoid arthritis in the Korean National Health Insurance claims database. Rheumatol Int. 2013;33(12):2985-2992. DOI: 10.1007/s00296-013-2833-x / PMID: 23918169
12. Yu MH, Hong N, Lee S, et al. Operational Definition Identifying Osteoporotic Vertebral Fractures in the Claims Database. J Korean Med Sci. 2022;37(32):e249. DOI: 10.3346/jkms.2022.37.e249 / PMID: 35971763
13. Suissa S. Immortal time bias in pharmaco-epidemiology. Am J Epidemiol. 2008;167(4):492-499. DOI: 10.1093/aje/kwm324 / PMID: 18056625
14. Catalogue of Bias Collaboration, O’Sullivan J, Banerjee A, Pluddemann A. Detection bias. In: Catalogue of Bias. 2017. catalogofbias.org. 기준일 2026-10-12
15. Shrank WH, Patrick AR, Brookhart MA. Healthy user and related biases in observational studies of preventive interventions: a primer for physicians. J Gen Intern Med. 2011;26(5):546-550. DOI: 10.1007/s11606-010-1609-1 / PMID: 21203857
16. Ray WA. Evaluating medication effects outside of clinical trials: new-user designs. Am J Epidemiol. 2003;158(9):915-920. DOI: 10.1093/aje/kwg231 / PMID: 14585769
17. Lund JL, Richardson DB, Stürmer T. The active comparator, new user study design in pharmacoepidemiology: historical foundations and contemporary application. Curr Epidemiol Rep. 2015;2(4):221-228. DOI: 10.1007/s40471-015-0053-5 / PMID: 26954351
18. Bender R, Lange S. Adjusting for multiple testing–when and how? J Clin Epidemiol. 2001;54(4):343-349. DOI: 10.1016/s0895-4356(00)00314-0 / PMID: 11297884
19. Rothman KJ. No adjustments are needed for multiple comparisons. Epidemiology. 1990;1(1):43-46. PMID: 2081237
20. Austin PC. Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Stat Med. 2009;28(25):3083-3107. DOI: 10.1002/sim.3697 / PMID: 19757444
21. Sterne JA, White IR, Carlin JB, et al. Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ. 2009;338:b2393. DOI: 10.1136/bmj.b2393 / PMID: 19564179
22. Austin PC, Lee DS, Fine JP. Introduction to the Analysis of Survival Data in the Presence of Competing Risks. Circulation. 2016;133(6):601-609. DOI: 10.1161/CIRCULATIONAHA.115.017719 / PMID: 26858290
23. Benchimol EI, Smeeth L, Guttmann A, et al. The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLoS Med. 2015;12(10):e1001885. DOI: 10.1371/journal.pmed.1001885 / PMID: 26440803

이어서 읽기

원고 상담

이 주제로 원고를 준비 중이신가요?

연구 분야와 원고 단계를 남겨 주시면 PhD·MD·통계 전문가가 검토 방향을 이메일로 안내해 드립니다.

  • PhD · 의학박사(MD) · 통계 전문가 · 분야 전문가가 함께 검토
  • 선결제 없이 시작, 첫 초안 확인 후 결제
  • 대학·기관 지침과 COPE·ICMJE 기준 준수, 비밀유지(NDA)
  • 영업일 기준 24시간 이내 이메일 답변

    개인정보처리방침에 동의하며, 보내는 내용이 비밀유지(NDA) 원칙에 따라 처리됨을 확인합니다.

    영업일 기준 24시간 이내 이메일로 답변드립니다 (한국 시간). 선결제는 없습니다. 직접 문의: [email protected]

    Similar Posts