클래스 수가 늘어날수록 민감도는 감소하지 않는다

초록

본 논문은 이산형 임상 척도의 클래스(구간) 수와 진단 정확도 사이의 관계를 수학적으로 분석한다. 민감도와 특이도를 정확도 지표로 삼아, 클래스 수가 증가하면 민감도가 감소하지 않는 비감소 함수를 이룬다는 정리를 증명하였다. 이는 더 세분화된 척도가 질병 판별에 유리함을 이론적으로 뒷받침한다.

상세 분석

논문은 먼저 임상 연구에서 흔히 사용되는 이산형 척도(예: 설문지 점수, 등급형 검사 결과)를 정의하고, 이를 확률 변수 X와 이진 질병 상태 Y(0=비환자, 1=환자)와의 조건부 분포로 모델링한다. 척도의 클래스 수를 k라고 할 때, 각 클래스 i(1≤i≤k)는 임계값 t_i에 의해 구분되며, 판정 규칙은 “X≥t_j이면 양성”으로 설정한다. 민감도는 P(양성|Y=1)이며, 특이도는 P(음성|Y=0)이다.

핵심 정리는 “k가 증가하면(즉, 더 많은 클래스로 세분화하면) 민감도는 비감소한다”는 것이다. 이를 증명하기 위해 저자는 다음과 같은 가정을 둔다. 첫째, 각 클래스의 확률 질량은 비음수이며 전체 합은 1이다. 둘째, 클래스 구분을 위한 임계값은 순서대로 증가한다. 셋째, 클래스 추가는 기존 구간을 더 작은 구간으로 나누는 형태이며, 새로운 구간에 할당되는 확률 질량은 기존 구간의 일부이다.

증명 과정은 귀납법을 이용한다. k=2인 경우(이진 척도)에서 민감도는 기본값 S_2이다. k를 k+1로 늘릴 때, 기존 임계값 t_j를 유지하면서 새로운 임계값 t_{j’}를 삽입한다. 이때 양성 판정에 포함되는 확률 질량은 기존 양성 구간에 추가된 부분을 포함하거나 동일하게 유지된다. 따라서 P(양성|Y=1)_{k+1} ≥ P(양성|Y=1)_k가 성립한다.

특이도에 대해서는 반대 방향의 관계가 성립할 수 있음을 논의한다. 즉, 클래스 수가 늘어나면 특이도가 감소할 가능성이 있다(거짓 양성 증가). 따라서 연구자는 민감도 향상을 위해 클래스 수를 늘리는 것이 바람직하지만, 특이도와의 트레이드오프를 고려해야 함을 강조한다.

수학적 증명 외에도 저자는 시뮬레이션을 통해 다양한 분포(정규, 베타, 이항)와 임계값 설정에서 정리가 실험적으로도 일관됨을 확인하였다. 또한, 실제 임상 데이터(우울증 설문지, 알레르기 테스트)에 적용해 기존 3-5 클래스 척도를 7-10 클래스로 확장했을 때 민감도가 현저히 상승했으나 특이도는 약간 감소한 사례를 제시한다.

이 연구는 척도 설계 시 “클래스 수 증가 → 민감도 비감소”라는 원칙을 제공함으로써, 특히 조기 진단이 중요한 질환(암, 감염병)에서 높은 민감도를 목표로 하는 도구 개발에 실질적인 가이드라인을 제공한다. 다만, 클래스 수가 무한히 커질 경우 통계적 안정성(표본 크기 대비 파라미터 수)과 실용적 해석 가능성에 한계가 있기에, 적절한 클래스 수 선택을 위한 추가 연구가 필요하다.