기여분율 지표의 적용과 해석: 임상 진료에서 정책까지
Application and interpretation of attributable fraction measures from clinical practice to policy: a narrative review
Article information
Trans Abstract
Purpose
Attributable fraction (AF) measures, including AF and population attributable fraction (PAF), quantify the potential reductions in disease burden if specific risk factors were eliminated. Although relative risk describes the strength of association, it does not directly address the clinically and policy-relevant question of how much disease is preventable. This article presents an integrated framework for interpreting AF and PAF across clinical and population contexts, focusing on applications to cancer prevention.
Current concepts
AF, defined at the level of exposed individuals, helps explain causal contribution and the preventable proportion in clinical settings. PAF that is based on exposure prevalence among those with the disease (Pc) reflects the causal composition of disease among patients, whereas PAF based on exposure prevalence in the population (Pe) estimates potential impacts of population-level interventions. These measures are grounded in a counterfactual framework and require causal interpretation. This review presents key formulations, including Levin’s and Miettinen’s approaches, together with their underlying assumptions. By distinguishing target populations and question types—causation, prevention, and prioritization—AF and PAF provide complementary insights at the individual, patient group, and population levels.
Discussion and conclusion
AF measures offer a unified framework linking causal inference with clinical decision-making and public health policy. AF supports patient-level counseling and intervention prioritization, whereas PAF informs population-level prevention and resource allocation. Appropriate interpretation requires careful consideration of causal assumptions, target populations, and the presence of multiple risk factors. Overall, AF and PAF are essential tools for translating epidemiologic evidence into actionable clinical and policy decisions.
서론
배경
질병 예방 전략을 수립할 때 가장 중요한 질문은 ‘특정 위험요인을 줄이거나 제거했을 때 실제로 얼마나 많은 질병이 감소하는가’이다[1]. 임상과 공중보건 영역에서 위험요인과 질병 간의 연관성은 다양한 연구를 통해 제시되어 왔으며, 상대위험도(relative risk, RR)는 이러한 연관성의 강도를 이해하는 데 널리 사용되는 지표이다[2,3]. 그러나 RR은 위험이 몇 배 증가하는가를 보여줄 뿐, 해당 위험요인이 실제 질병 부담에서 차지하는 크기나 예방 가능성을 직접적으로 설명하지는 못한다[2].
실제 의료현장에서는 ‘이 위험요인을 줄이면 얼마나 많은 환자를 예방할 수 있는가’, ‘이 환자의 질병이 해당 요인 때문일 가능성은 어느 정도인가’, ‘어떤 위험요인을 우선적으로 개입해야 하는가’와 같은 보다 실질적인 질문이 중요하다. 특히 암과 같은 만성질환은 다요인적 원인 구조를 가지기 때문에, 개별 위험요인의 상대적 중요성과 개입 우선순위를 정량적으로 평가하는 것이 필요하다[4–6].
이러한 한계를 보완하기 위해 제시된 지표가 기여분율(attributable fraction, AF)이며, 특정 위험요인이 질병 발생에 얼마나 기여하는지를 정량적으로 평가할 수 있다[3]. 이 지표는 해당 위험요인이 없었더라면 질병이 얼마나 줄어들었을 것인가라는 가정을 기반으로 하여, 예방 효과를 직접적으로 표현할 수 있다는 점에서 임상 및 정책 의사결정에 중요한 의미를 갖는다.
최근 한국에서는 흡연, 음주, 신체활동, 감염, 비만, 호르몬 요인, 약물 등 주요 위험요인에 대한 인구집단 기여분율(population attributable fraction, PAF) 연구가 체계적으로 수행되었으며[7–14], 이는 예방 전략 수립을 위한 중요한 근거를 제공하고 있다. 이들 연구는 주로 인구 내 노출률(Pe)을 기반으로 하는 Levin 수식을 활용하여 전체 인구집단에서의 예방 가능 질병 부담을 추정하였다[4]. 암의 기여분율은 감염을 포함한 다양한 위험요인에 대해 국제적으로 널리 연구되어 왔으며, 이러한 결과는 다양한 인구집단에서 일관된 패턴을 보인다[15–23].
목적
이 논문에서는 기여분율(AF, PAF)의 개념과 수식을 체계적으로 정리하고, 대상자 수준과 질문 유형에 따라 적절한 지표를 선택하는 방법을 제시하며, 이를 임상과 정책에 적용하는 과정을 설명하고자 한다.
기여분율 적용의 출발점: 대상자와 질문
기여분율을 이해할 때 가장 중요한 점은 수식이 아니라 누구를 대상으로 한 질문인가를 먼저 정의하는 것이다[24–26]. 동일한 위험요인이라 하더라도, 인구집단을 대상으로 할 것인지, 환자 집단을 대상으로 할 것인지, 또는 위험 노출집단을 대상으로 할 것인지에 따라 질문의 의미와 해석이 달라진다. Table 1은 대상 집단과 질문 유형에 따라 주요 AF 개념을 요약한다.
Conceptual comparison of AR measures
인구집단 수준에서는 질병 부담 감소와 정책 효과 평가가 핵심이며, 환자 집단 수준에서는 질병의 원인 구성과 위험요인 비교가 중요하다. 개별 환자 수준에서는 특정 환자의 질병 발생 또는 재발에 대한 인과적 기여도와 예방 가능성을 설명하는 것이 핵심이다.
따라서 기여분율을 적용할 때에는 먼저 대상자를 다음과 같이 세 가지 수준으로 구분해야 한다. 첫째, 인구집단 수준의 PAF는 전체 인구를 대상으로 하며, 특정 위험요인이 질병 발생에 얼마나 기여하는지를 평가하여 예방 정책과 자원 배분 전략을 수립하는 데 활용된다[15–21,27]. 둘째, 환자 집단을 대상으로 하는 PAF는 이미 특정 질병이 발생한 전체 환자들을 대상으로 하며, 질병이 어떤 위험요인에 의해 구성되어 있는지를 파악하고, 집단 수준에서의 관리 및 개입 전략을 설계하는 데 활용된다. 다만, 환자-대조군 연구에서 교차비(odds ratio, OR)가 RR을 근사하는 경우에는 Pc 기반 정보를 이용하여 인구집단 수준의 PAF를 추정하는 데 활용될 수 있다[5,28]. 셋째, 노출자 집단(즉, 고위험 대상)에서의 AF는 특정 위험요인에 노출된 집단에서 질병 발생에 대한 원인적 기여도와 잠재적 예방 가능성을 정량화 하는 지표로 사용된다[6].
이 지표는 다음과 같은 세 가지 질문에 답하기 위해 사용된다. 첫째, 원인에 대한 질문이다. 이 질병이 얼마나 특정 위험요인 때문인가라는 질문으로, 이미 발생한 질병을 기준으로 인과적 기여도를 해석하는 문제이다. 예를 들어, 폐암 환자가 ‘제 폐암이 흡연 때문인가요?’라고 질문하는 경우, 이는 개인 수준에서의 인과적 기여도를 묻는 대표적인 상황이다. 또한 환자 집단 수준에서는 ‘폐암 환자 중 얼마나 많은 비율이 흡연과 관련되어 있는가?’라는 질문으로 확장될 수 있다.
둘째, 예방에 대한 질문이다. ‘이 위험요인을 줄이면 앞으로 얼마나 많은 질병을 예방할 수 있는가’라는 질문으로, 미래 질병 감소 효과를 평가하는 문제이다. 예를 들어, 흡연자에게 ‘지금 금연하면 폐암을 얼마나 예방할 수 있는가?’라는 질문이나, ‘정책 수준에서 흡연율을 낮추면 폐암 발생이 얼마나 감소하는가’라는 질문이 이에 해당한다.
셋째, 개입 우선순위에 대한 질문이다. 이는 ‘여러 위험요인 중 어떤 요인을 먼저 교정해야 가장 큰 예방 효과를 얻을 수 있는가’를 묻는 것으로, 동일 환자 또는 집단에서 존재하는 다양한 위험요인의 상대적 기여도를 비교하여 개입 전략을 결정하는 문제이다. 예를 들어, 폐암 환자에서 흡연, 비만, 음주와 같은 여러 위험요인이 동시에 존재하는 경우, ‘어떤 요인을 먼저 교정해야 질병 발생 또는 사망을 가장 크게 줄일 수 있는가?’라는 질문이 이에 해당한다.
이와 같이 기여분율은 단순한 계산식이 아니라, 질문의 유형과 대상자 수준에 따라 선택되는 해석 도구이기 때문에, 먼저 누구를 대상으로 할 것인지에 대해 결정하고, 그런 다음 무엇을 묻고 있는가, 즉 원인인지, 예방인지, 우선순위인지를 명확히 한 후, 그에 맞는 지표를 선택하고 해석하는 것이 중요하다.
기여분율에서의 반사실적 사고와 인과추론 개념
기여분율 지표는 실제 관찰된 결과와 특정 위험요인이 존재하지 않았을 경우를 가정한 결과를 비교하는 반사실적(counterfactual) 사고에 기반한다[25,26,29]. 즉, 동일한 집단에서 해당 위험요인이 제거되었을 경우를 가정함으로써, 그 요인이 질병 발생에 얼마나 기여했는지를 해석하는 개념이다.
이러한 해석은 단순한 통계적 연관성이 아니라 인과적 추론(causal inference)에 기반하며, 위험요인과 질병 간의 연관성이 존재하는 것만으로는 충분하지 않다. 기여분율을 인과적 효과로 해석하기 위해서는 해당 위험요인이 실제로 질병 발생에 기여했는지에 대한 인과적 판단이 선행되어야 한다.
인과성 평가는 Hill 기준과 같은 보조적 틀을 통해 이루어질 수 있다[2]. 특히 강한 연관성, 일관성, 시간적 선행성, 생물학적 개연성 등은 위험요인이 질병의 원인으로 해석될 수 있는지를 판단하는 데 중요한 근거를 제공한다.
예를 들어, 흡연과 폐암의 관계는 강한 연관성과 일관된 연구 결과, 그리고 명확한 시간적 선행성을 갖고 있기 때문에 인과성이 확립된 관계로 받아들여진다[9,28]. 이러한 경우 기여분율은 흡연이 없었더라면 폐암이 얼마나 감소했을 것인가를 비교적 타당하게 추정할 수 있다.
반면, 인과성이 충분히 확립되지 않은 요인에 대해서는 기여분율을 직접적인 인과 효과로 해석하는 데 주의가 필요하다[25,26,28,29]. 특히 교란(confounding), 선택바이어스(selection bias), 측정오차(measurement error) 등이 존재하는 경우에는 기여분율 추정치가 실제 인과 효과를 반영하지 못할 수 있다.
따라서 기여분율은 단순한 기술적 지표가 아니라, 인과적 가정이 충족된 상황에서 위험요인을 제거했을 때 기대되는 질병 감소 효과를 추정하는 해석 도구로 이해해야 하며, 그 적용과 해석에 있어서는 대상 집단, 연구 설계, 그리고 인과적 타당성을 함께 고려하는 것이 중요하다.
수식과 해석
기여분율은 특정 위험요인이 질병 발생에 얼마나 기여하는지를 정량적으로 평가하기 위한 도구로, 서로 다른 대상자 수준과 질문에 답하기 위해 다양한 형태의 수식이 사용된다. AF와 PAF의 주요 공식은 Table 2에 요약되어 있다. 따라서 기여분율은 단순한 계산식이 아니라, 누구를 대상으로 무엇을 묻는가에 따라 선택되어야 하는 해석 체계로 이해하는 것이 중요하다[4–6].
Matrix of target population, question type, and measure selection
수식
고위험 대상(위험 노출자) 집단 기여분율(AF among the exposed)
AF는 노출자 집단에서 발생한 질병 중 해당 노출로 인해 발생한 비율을 의미한다. 즉, 노출자에서 발생한 질병 중 얼마가 이 요인 때문인가라는 질문에 답하는 지표이다[6]. 예를 들어 RR이 10인 경우 AF는 0.9로 계산되며, 이는 노출자에서 발생한 질병의 약 90%가 해당 위험요인에 기인할 가능성이 있음을 의미한다.
AF는 본질적으로 노출자 집단을 대상으로 한 지표이지만, 임상에서는 AF를 개별 환자의 질병이 해당 요인에 기인할 가능성을 설명하는 확률적 지표로 해석하여 활용할 수 있다[6,28]. 또한 AF는 해당 위험요인을 제거했을 때 향후 발생할 질병 중 어느 정도가 예방 가능한가를 설명하는 데에도 사용될 수 있다.
기여위험도
기여위험도(attributable risk, AR)는 노출자의 발생률과 비노출자의 발생률 간 차이를 의미하며, 노출로 인해 추가로 발생한 질병의 절대적 크기를 나타낸다[6]. 예를 들어 ‘1,000명당 몇 명이 추가로 발생하는가’와 같은 형태로 해석할 수 있다.
그러나 AR은 인구집단 전체에 적용하기 위해서는 대표성 있는 자료가 필요하며, 다양한 위험요인이 동시에 존재하는 경우 특정 요인의 순수한 효과를 분리하기 어렵다는 한계가 있다[3]. 따라서 예방 전략의 우선순위 설정에는 주로 PAF가 활용된다.
인구집단 기여분율(PAF): Pe 기반 PAF와 Pc 기반 PAF
PAF는 특정 위험요인을 제거했을 때 감소 가능한 질병의 분율을 나타내는 지표로 의미하며, 적용 대상에 따라 해석이 달라진다. Pe 기반 PAF는 인구집단 수준에서의 예방 효과를, Pc 기반 PAF는 환자 집단 내 질병 원인 구성을 설명하는 데 주로 활용된다[4]. 계산 방식에 따라 인구집단 수준과 환자 집단 수준에서 각각 다르게 적용된다.
Pe 기반 PAF
Pe는 인구에서의 노출률이다.
이 수식은 인구 내 노출률(Pe)과 RR을 이용하여, 해당 위험요인을 제거할 경우 전체 인구에서 질병이 얼마나 감소할 수 있는지를 추정한다. 인구집단 수준에서 예방 정책 수립과 자원 배분의 근거로 가장 널리 사용되는 형태이다[4,6,21].
Pc 기반 PAF
Pc는 특정 질병을 가진 환자 중 노출률이다.
이 수식은 질병이 있는 환자 집단에서 노출된 율(Pc)을 이용하여, 환자 집단 내 질병의 원인 구성을 평가하는 데 사용된다[5]. 이는 인구집단 수준의 예방 효과를 직접적으로 의미하지는 않으며, 일반 인구의 노출률을 정확히 모르는 임상 현장(병원 데이터 등)에서 매우 실용적이다. 또한 환자-대조군 연구에서 OR이 RR을 근사하는 경우에는 Pc 기반 정보를 이용하여 인구집단 수준의 PAF를 추정하는 데 활용될 수 있다.
특수 상황: RR이 매우 큰 경우
RR이 매우 크거나 특정 위험요인이 필수 원인에 가까운 경우, 환자 집단에서의 노출률 자체가 기여분율로 해석될 수 있다[5].
이 수식을 사용하는 데에는 몇 가지 조건이 있다. 첫 번째는 RR=∞ (무한대) 또는 매우 큰 경우이고 위험요인 노출이 필수 원인(necessary cause)인 경우이다. 이 때 질병 발생은 거의 전적으로 노출된 사람들에서만 나타난다. 다른 말로 설명하면 요인 노출이 없으면 질병이 사실상 발생하지 않는 경우인데, 예를 들어, 엡스타인-바바이러스(Epstein-Barr virus, EBV) 감염과 비인두암, Helicobacter pylori와 위 점막관련림프조직(mucosa-associated lymphoid tissue) 림프종과 같이 매우 높은 RR과 높은 노출률이 보고된 사례들이 이에 해당한다[10,21]. 이러한 경우 환자 집단에서의 노출률이 기여분율에 근사하는 값을 보일 수 있다. 두 번째는 단일 원인 질환에 가까운 특성을 가지거나 비교위험도를 안정적으로 추정하기 어려운 경우이다. 사람유두종바이러스(human papilloma virus, HPV) 감염과 자궁경부암의 관계는 이러한 예로, 대부분의 사례에서 HPV 감염에 기인하는 것으로 보고되며, PAF를 계산할 때에는 해당 노출의 기여도를 100%로 가정하여 추정하는 접근이 사용되기도 한다[21,23,27].
수식 간 관계와 해석
기여분율 수식들은 서로 독립적인 개념이 아니라, 동일한 인과 구조를 서로 다른 관점에서 표현한 것이다. AF는 노출집단 중심의 기여도를, Pc 기반 PAF는 환자 집단 중심의 기여도를, Pe 기반 PAF는 인구집단 중심의 기여도를 반영한다[5,6].
즉, 동일한 위험요인이라 하더라도 해석의 기준이 되는 대상 집단에 따라 수식이 달라진다. 따라서 기여분율은 계산식 자체보다, 어떤 대상 집단과 질문에 적용되는지를 고려하여 해석하는 것이 중요하다.
기여분율은 인과적 해석을 전제로 하므로, 다음과 같은 점을 고려해야 한다. 첫째, RR은 교란요인이 충분히 보정된 값이어야 하며, 단순한 연관성에 기반한 값은 그대로 적용할 수 없다[25,26,29]. 둘째, 노출과 질병 간의 인과성이 일정 수준 확보되어야 하며, 인과성이 불확실한 경우 기여분율 해석은 제한적이다[25,26,29]. 셋째, 여러 위험요인이 동시에 존재하는 경우 각 위험요인의 PAF를 단순 합산할 수 없다. 동일한 질병 발생에 여러 요인이 중복 기여할 수 있기 때문에, PAF의 합은 100%를 초과할 수 있다[5,28]. 넷째, 노출의 정의와 측정 방법에 따라 결과가 달라질 수 있으므로, 자료의 대표성과 측정 타당성을 함께 고려해야 한다.
따라서 기여분율은 계산 결과 자체보다, 인과적 가정과 해석의 맥락을 함께 고려하여 적용해야 한다.
기여분율의 사례 적용: 수치 기반 해석
기여분율은 이론적 개념과 수식을 넘어, 실제 인구집단에서 질병 부담을 정량적으로 평가하고 임상 및 정책 의사결정에 적용되는 실용적 도구이다[1,4]. 다양한 대상 수준에서의 AF 해석에 대한 대표적인 예시는 Table 3에 제시되어 있다. 앞서 제시한 대상자 수준과 질문 유형에 따라 동일한 위험요인이라 하더라도 서로 다른 방식으로 해석되며, 실제 연구 결과를 적용할 때 그 의미가 더욱 명확해진다. 이러한 적용 과정은 위험요인을 확인하고, 환자에게 인과적 기여도를 설명한 후, 위험요인 감소를 위한 개입을 시행하며, 이후 인구집단 수준에서의 영향을 평가하고, 최종적으로 여러 위험요인 간 개입 우선순위를 결정하는 단계적 과정으로 이해할 수 있다.
Interpretation of attributable fraction measures across target levels: a conceptual example of the smoking–cancer association
환자 집단 수준: 질병의 원인 구성
환자 집단에서는 질병 환자 중 특정 위험요인에 의해 발생한 비율이 얼마인지를 파악하는 것이 핵심이다. 이 경우 환자 집단의 노출률(Pc)을 기반으로 하는 PAF가 사용되며, 질병의 원인 구성을 설명하는 데 활용된다[5].
대표적인 예로, 흡연과 폐암의 관계에서 폐암 사망의 약 80% 이상이 흡연에 기인하는 것으로 보고되었으며[15], 이후 다양한 연구에서도 폐암 환자 중 약 70–90%가 흡연과 관련된 것으로 추정되고 있다[7]. 이는 환자 집단에서 흡연이 주요 원인 요인임을 의미한다.
또한 감염 관련 암에서는 이러한 경향이 더욱 뚜렷하다. EBV 감염으로 인한 비인두암에서는 약 70–89%, HPV로 인한 항문암은 약 75–100% 수준의 기여도를 보이는 것으로 보고되고 있다[10]. 이러한 경우는 비교위험도가 매우 큰 상황으로, PAF≈Pc로 해석할 수 있는 대표적인 사례이다[5].
위험 노출집단(고위험 대상) 집단 수준: 원인 설명과 예방 해석
임상에서는 노출자에서 발생한 질병이 얼마나 특정 위험요인 때문인가, 또는 해당 위험요인을 교정하면 얼마나 예방할 수 있는가를 설명하는 것이 중요하다. 이 경우 노출자 집단에서의 기여분율(AF)이 활용된다[6].
흡연과 폐암 간의 비교위험도가 10일 경우 AF는 약 0.9로 계산되며, 이는 흡연자의 폐암 중 약 90%가 흡연에 기인할 가능성이 있음을 의미한다. 이러한 해석은 환자에게 질병의 원인을 설명하는 데 직관적인 근거를 제공하며, 단순한 RR보다 임상적 의사소통에 더 유용하다[6].
또한 동일한 구조는 예방 상황에서도 적용될 수 있다. 예를 들어 흡연자에게 금연의 효과를 설명할 때, AF는 현재 상태에서 발생할 폐암의 상당 부분이 예방 가능함을 의미한다[7].
고위험 대상[위험 노출자] 수준: 다중 위험요인에서의 의사결정
암은 다요인적 원인 구조를 가지므로, 하나의 환자에서 여러 위험요인이 동시에 존재하는 경우가 흔하다. 이 경우 어떤 위험요인을 우선적으로 교정해야 하는지를 결정하는 것이 중요하다.
예를 들어, 흡연(RR≈10, AF≈0.9)과 비만(RR≈1.5, AF≈0.33)을 동시에 가진 환자에서는, 흡연이 더 높은 기여도를 가지므로 금연이 우선적인 개입 대상이 된다[7,11]. 이와 같이 AF를 비교함으로써 개별 환자 수준에서 예방 효과가 가장 큰 중재를 선택할 수 있으며, 이는 임상적 의사결정에 직접적으로 활용될 수 있다[6,24].
인구집단 수준: 예방 효과와 정책 적용
인구집단 수준에서는 특정 위험요인을 줄였을 때 전체 질병 발생이 얼마나 감소하는가를 평가하는 것이 핵심이며, 이 경우 인구집단 노출률(Pe)을 기반으로 하는 PAF가 사용된다[4].
한국에서 수행된 연구에 따르면 주요 위험요인으로 인한 암의 PAF는 다음과 같이 보고된다[7–14,22]. 2015년 기준으로 남성의 경우, 감염은 약 12%, 흡연은 약 23%, 식이요인은 8%, 음주는 5%, 비만과 신체활동 부족은 약 3%, 직업요인은 약 2% 수준이다.
예를 들어 한국에서 담배 흡연 노출을 완전히 제어할 경우 전체 암 발생의 약 23%가 감소할 수 있으며, 이는 인구집단 수준에서의 예방 효과를 의미한다[7]. 또한 여러 위험요인을 동시에 고려할 경우 PAF 비교를 통해 정책적 우선순위를 설정할 수 있다[5,16–20,27]. 한국에서는 흡연과 감염이 가장 높은 기여도를 보이므로 해당 요인에 대한 개입이 가장 큰 예방 효과를 가져올 것으로 평가된다[7–14].
특정 환자에서의 예후와 관련된 질문인 경우
기여분율을 재발이나 사망과 같은 향후 사건에 적용할 경우에는 추가적인 정보가 필요하다. 특히 환자 수준의 의사결정에서는 일반 인구에서 산출된 위험도를 그대로 적용하는 것이 아니라, 해당 환자 집단에서 직접 산출된 위험도를 사용하는 것이 중요하다.
예를 들어 폐암 환자의 경우 지속적 흡연이 사망에 미치는 영향을 평가하기 위해서는 폐암 환자 코호트에서 산출된 위험도와 노출 분포가 필요하다. 이는 효과 추정치가 적용되는 대상 집단에 따라 달라질 수 있기 때문이다. 따라서 2차 예방 상황에서는 대상 집단을 명확히 정의하고, 해당 집단에서 직접 산출된 자료를 기반으로 기여분율을 해석하는 것이 필요하다.
대상자 수준에 따른 수치 해석의 차이
기여분율 해석에서 중요한 점은 동일한 위험요인이라 하더라도 대상자 수준에 따라 수치의 의미가 달라진다는 것이다. 흡연과 폐암의 관계에서 노출집단(AF)은 약 90%, 환자 집단(Pc 기반 PAF)은 약 70–90%, 인구집단(Pe 기반 PAF)은 한국 인구에서 약 50–80%로 산출되는데, 이는 서로 다른 질문에 대한 답이다. 따라서 기여분율을 해석할 때에는 해당 수치가 어떤 수준에서 산출된 것인지 명확히 구분해야 한다.
결론
기여분율은 특정 위험요인을 제거했을 때 질병이 얼마나 감소할 수 있는지를 설명하는 지표로, 대상자 수준과 질문의 유형에 따라 해석이 달라진다. 개별 환자에서는 AF, 환자 집단에서는 Pc 기반 PAF, 인구집단에서는 Pe 기반 PAF가 각각 적절하게 사용되어야 한다. 따라서 기여분율은 단순한 계산식이 아니라 인과적 가정과 대상 집단을 고려하여 적용해야 하는 해석 도구이다. 궁극적으로 이는 임상 진료와 공중보건 정책에서 예방 전략의 우선순위를 결정하는 데 유용하게 활용될 수 있다.
Notes
Conflict of interest
No potential conflict of interest relevant to this article was reported.
Funding
This work was funded by the National Research Foundation of Korea (NRF) grant funded by the Korea government (MSIT) (No. RS-2024-00345260) and by research support from the Korean Foundation for Cancer Research (Grant No. CB-2017-A-2).
Data availability
Not applicable.