When to repeat a biomarker test? Decomposing sources of variation from conditionally repeated measurements

📝 Abstract

**
본 논문은 초기 검사 결과에 따라 재측정이 이루어지는 조건부 반복 측정 과정에서 관찰되는 연속형 바이오마커의 변동성을 인구 수준 변동성과 측정 절차에서 발생하는 변동성으로 분해하는 방법을 제시한다. 두 가지 빈도주의적 해법(분석적 해법)을 제시했으나, 정상성 가정이 위배된 혈액 기증자 헤모글로빈 데이터에서는 성능이 저조하였다. 이를 극복하기 위해 베이지안 계층 모델을 도입하여, 인구 평균은 정규분포, 측정 오차는 중후방 꼬리를 갖는 t‑분포로 가정하였다. 모델 적용 결과, 여성 기증자에서는 전체 변동성의 22 %, 남성 기증자에서는 25 %가 측정 오차에 기인함을 확인했으며, 인구 표준편차는 각각 1.07 g/dL와 1.28 g/dL로 추정되었다. 제안된 베이지안 프레임워크는 임상 현장에서 조건부 반복 측정 데이터를 이용해 개인별 오분류 위험을 추정하고, 증거 기반의 재검사 의사결정 규칙을 설계하는 데 활용될 수 있다.

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• 혈압, 혈당, 콜레스테롤 등 연속형 바이오마커는 임계값을 기준으로 양성/음성을 판정하는 데 사용된다.
• 측정 오차가 클 경우, 임계값 근처에서 오분류(거짓 양성·거짓 음성) 위험이 급증한다.
• 실제 임상 현장에서는 초기 결과가 임계값 이하일 때만 재측정을 시행하는 “조건부 재검사”가 흔히 이루어지지만, 이 과정이 통계적 편향을 초래할 수 있다.
• 특히 혈액 기증 전 헤모글로빈(Hb) 검사는 기증자 건강 보호와 혈액 공급 효율성 측면에서 중요한데, 손가락 끝 채취 방식은 변동성이 크다.

2. 방법론 개요

2.1 빈도주의적 접근

• 방법 1 (조건부 기대값 방식): 두 번 측정된 차이의 분산을 이용해 측정 오차를 추정하되, 임계값 이하에서만 관측되는 경우 편향을 보정하는 식을 도출.
• 방법 2 (최대우도 방식): 이변량 정규분포 가정 하에, 관측된 조건부 데이터의 로그우도 함수를 최대화하여 상관계수 ρ와 전체 변동성을 추정.
• 두 방법 모두 정규성 가정에 크게 의존한다는 한계가 있다.

2.2 베이지안 계층 모델

• 인구 수준: H$b_t$rue ~ Normal(μ, σ_pop²)
• 측정 오차: ε_meas ~ t_ν(0, σ_meas) (ν는 자유도, 꼬리 무거움을 조절)
• 관측 모델: $x_i$j = H$b_t$ru$e_i$ + ε_mea$s_i$j
• 조건부 재검사 규칙(첫 측정 < c) 은 데이터 생성 과정에 명시적으로 포함시켜, 사후분포 추정 시 자동으로 반영한다.
• MCMC(Stan) 를 이용해 사후 평균·신뢰구간을 얻고, 모델 적합도는 posterior predictive check 및 WAIC 로 평가.

3. 실험 및 결과

• 빈도주의적 방법은 정상성 가정 위배 시 편향된 σ_meas 값을 제공했으며, 특히 남·여 차이를 과소/과대 추정하였다.
• 베이지안 모델은 중후방(t‑분포) 를 도입함으로써 이상치(극단적인 낮은 Hb) 영향을 완화하고, 보다 현실적인 측정 오차를 추정했다.
• 사후 예측 검증 결과, 관측된 Hb 분포와 모델이 생성한 가상 데이터가 시각적으로 일치했으며, WAIC 값도 빈도주의 모델보다 우수했다.

4. 의의 및 임상 적용

1. 재검사 정책 설계

   • 측정 변동성 비율(≈ 25 %)을 고려하면, 임계값 바로 아래에서 재검사를 시행할 경우 약 1/4 정도는 측정 오차에 기인한다는 점을 인식해야 함.
   • 베이지안 모델을 이용해 개인별 사후 Hb 추정치를 계산하면, “재검사 필요성”을 확률적으로 판단할 수 있다(예: P(H$b_t$rue < c | data) > 0.8).

2. 오분류 위험 정량화

   • 사후 분포를 활용해 거짓 양성·거짓 음성 확률을 직접 계산함으로써, 기증자 불만(불필요한 탈락)과 혈액 손실 사이의 트레이드오프를 정량화할 수 있다.

3. 다른 바이오마커로의 확장

   • 혈압, 혈당 등 임계값 기반 판단이 필요한 모든 연속형 바이오마커에 동일한 프레임워크를 적용 가능하며, 특히 “조건부 재측정”이 흔한 현장(예: 혈당 자가측정, 혈압 모니터링)에서 유용하다.

5. 강점 및 한계

6. 향후 연구 방향

1. 실시간 의사결정 지원 시스템: 사전 학습된 베이지안 모델을 API 형태로 제공해, 현장 직원이 첫 측정값 입력 시 즉시 재검사 필요성을 알림.
2. 다중 바이오마커 통합 모델: Hb 외에도 철분, 혈청 ferritin 등 연관 바이오마커를 공동 모델링해, 종합적인 철분 상태 평가와 재검사 정책을 동시에 최적화.
3. 다국가 데이터 메타분석: 다양한 혈액센터·국가의 데이터셋을 통합해, 측정 변동성의 지역·기기 차이를 정량화하고, 국제 표준화 가이드라인에 반영.
4. 비정규성 자동 탐지: 사전 데이터 탐색 단계에서 정규성 검정(Shapiro‑Wilk, QQ‑plot)과 베이지안 모델 선택 기준을 자동화하는 파이프라인 구축.

결론
조건부 반복 측정 데이터는 일반적인 통계 분석으로는 편향을 내포하지만, 베이지안 계층 모델을 통해 측정 오차와 인구 변동성을 명확히 분리할 수 있다. 특히 혈액 기증자 Hb 측정 사례에서 측정 변동성이 전체 변동성의 약 1/4을 차지한다는 사실은 재검사 정책을 재설계할 근거를 제공한다. 본 연구는 임상 현장에서 “언제 재검사할 것인가”라는 실질적 질문에 대한 정량적 답변을 제시하며, 향후 다양한 바이오마커와 의료 환경에 적용될 잠재력을 가진다.

**

📄 Full Content

바이오마커 수준(예: 혈압, 혈당, 콜레스테롤, C‑반응성 단백질, 헤모글로빈)은 현대 의학에서 중요한 역할을 합니다. 진단 및 치료 결정은 종종 연속적인 바이오마커 값을 이분법적으로 구분하여 개인을 특정 질환에 양성(예: 헤모글로빈 A1C를 기준으로 당뇨병 진단) 혹은 개입이 필요함(예: 헤모글로빈 수치를 기준으로 적혈구 수혈)으로 분류합니다. 불완전한 검사를 사용할 때, 동일한 바이오마커를 반복 측정하면 측정 불확실성을 감소시키고 오분류(위양성·위음성)의 위험을 낮출 수 있습니다. 결정 임계값 근처의 측정값은 오분류가 발생하기 쉬우므로, 임상의는 보통 최초 측정을 확인한 뒤 추가 측정을 할지 여부를 판단합니다.

1. 임상 화학 실험실에서의 재측정과 “순차 검정 편향”

임상 화학 실험실에서 중요한 값들을 반복 측정하는 경우는 흔하지만, 그 추가 가치가 명확히 입증된 것은 아닙니다[1‑3]. 그러나 “언제 측정을 반복하고, 반복된 측정값이 이후 결정에 어떻게 활용되는가” 라는 구체적인 재검사 전략은 임상시험에서 보고된 “순차 검정 편향”(sequential testing bias) 과 유사한 편향을 초래할 수 있습니다[4,5].

본 논문은 헌혈 전 헤모글로빈(Hb) 측정을 사례로 삼아, 조건부로 반복 측정이 이루어질 때 발생할 수 있는 편향을 탐구합니다. 낮은 Hb는 헌혈자에게 빈혈을 의미할 수 있으며, 이는 헌혈에 의해 유발되는 철 결핍을 초래할 위험이 있습니다[6,7]. 세계보건기구(WHO)의 권고에 따라 대부분의 국가에서는 헌혈 전 Hb가 최소 기준치를 초과하는지 확인하기 위해 스크리닝을 실시합니다(남·여 기준이 다를 수 있음)[6]. Hb 검사에서 탈락은 현재까지 현장에서 가장 흔한 헌혈 거부 사유이며[8], 헌혈자의 건강을 보호하고 철 결핍·빈혈 악화를 방지하는 중요한 방어선입니다.

하지만 탈락은 잠재적인 헌혈 기회를 잃게 하고, 혈액기관의 자원을 낭비하며, 헌혈센터까지 이동한 헌혈자에게 불편을 초래합니다. 또한 탈락 경험은 헌혈자의 만족도를 크게 저하시켜 향후 재헌혈 가능성을 낮춥니다[9‑11].

헌혈 전 Hb는 보통 손가락 끝 모세혈관(캡슐러) 샘플을 이용해 현장(point‑of‑care) 장치로 측정합니다. 기존 연구에서는 손가락 끝 Hb 측정값에 큰 변동성이 존재한다는 점을 보고했으며, 이는 정맥혈 채취에 비해 “드롭‑투‑드롭(drop‑to‑drop) 전처리 변동”이 더 크기 때문이라고 설명합니다[12‑14]. 이러한 변동성은 빈혈 진단 시 민감도·특이도를 제한합니다[15]. 따라서 실제로 많은 저 Hb 탈락이 측정 오류에 기인한 불필요한 탈락일 가능성이 높습니다[16]. 일부 혈액기관은 기준치 이하인 경우 Hb 손가락 측정을 재측정하기도 합니다[17].

“위양성” 탈락(실제로는 정상 Hb임에도 불구하고 탈락)과 “위음성” 탈락(실제로는 저 Hb임에도 불구하고 통과) 사이의 균형을 맞추는 것이 필요합니다. 위음성 탈락을 최소화해야 하는 이유는, 회복되지 않은 Hb나 철 결핍성 빈혈을 가진 헌혈자로부터 철이 포함된 혈액을 채취하는 것을 방지하기 위함입니다. 위양성·위음성 위험은 측정 불확실성 분포와 헌혈자 집단 내 Hb 수준 분포 모두에 의존합니다.

2. 연구 질문 및 기존 연구

• 언제 캡슐러 Hb 측정을 재측정하는 것이 합리적인가?
• 반복 측정값을 어떻게 해석해야 하는가?

혈액 서비스 입장에서는 **“측정값이 기준치 이상이면 측정을 멈추고, 모든 측정값 중 최댓값을 사용한다”**는 직관적인 전략을 취하기 쉽습니다. 그러나 Chung et al. (2017) [18]은 이러한 전략이 기록된 Hb 수준에 편향을 초래한다는 점을, Pothast et al. (2025) [19]는 이 전략이 Hb 분포 자체를 왜곡한다는 점을 보여주었습니다.

본 연구에서는 조건부로 관찰된 반복 측정 데이터를 이용해 측정 변동성을 정량화하고, 이를 통해 Hb 측정이 오분류될 가능성을 평가하고자 합니다. 구체적으로는

1. 조건부 반복 측정 상황에서 변동성 원천을 추정하는 여러 통계 방법을 검토하고,
2. 실제 헌혈자 손가락 끝 Hb 데이터에 적용해 측정 오차와 집단 변동성을 추정하며,
3. 추정 결과가 남·여, 그리고 다양한 임상 상황에 어떻게 차이를 보이는지 논의합니다.

3. 이론적 배경 및 수학적 표기

3.1 변동성의 두 원천

전체 바이오마커 변동성은 다음 두 가지 원천으로 구성된다고 가정합니다.

1. “진짜” 수준의 집단 변동(사람 간 차이, between‑person variation)
2. 측정 과정에서 발생하는 오차(동일 개인에 대한 반복 측정 간 차이, within‑person measurement error)

시간에 따른 개인 내 “진짜” 수준 변동도 존재하지만, 여기서는 전체 집단 변동에 포함시킵니다[20].

3.2 표기

• 개인 i의 진짜 바이오마커 수준을 ($T_i$) 로 정의합니다(시간 변동은 무시).

• ($T_i$)는 평균 (\mu)와 집단 잡음 (\varepsilon_{\text{pop}}) 로부터 생성됩니다:
  [ $T_i$ = \mu + \varepsilon_{\text{pop}},\qquad \varepsilon_{\text{pop}}\sim\text{(population distribution)}. ]

• 실제 측정값 (x_{i,j}) (j번째 측정) 은 측정 오차 (\varepsilon_{\text{meas}}) 를 포함합니다:
  [ x_{i,j}=$T_i$+\varepsilon_{i,j},\qquad \varepsilon_{i,j}\sim g_{\text{meas}}(\cdot). ]

(\varepsilon_{\text{pop}})와 (\varepsilon_{\text{meas}})가 독립이면, 측정값의 전체 분포는 집단 변동과 측정 오차의 컨볼루션이 됩니다.

3.3 두 번 측정 시 차이값 이용

두 번 측정((J=2))이 가능한 경우, 차이값 (\Delt$a_i$ = x_{i,1}-x_{i,2}) 의 분산은
[ \operatorname{Var}(\Delt$a_i$)=2\sigma_{\text{meas}}^{2} ] (여기서 (\sigma_{\text{meas}}^{2})는 측정 오차 분산)이며, 이를 통해 (\sigma_{\text{meas}}^{2})를 추정할 수 있습니다.

4. 조건부 재측정 상황에서의 편향

4.1 선택 편향 발생 메커니즘

실제 현장에서는 첫 번째 측정값이 기준치 (c) 이하일 때만 두 번째 측정을 수행합니다. 이 경우 관찰되는 차이값은
[ \Delt$a_i$ \mid x_{i,1}<c ] 에 한정되며, (\varepsilon_{i,1})에 대한 선택 편향이 발생합니다. 결과적으로
[ \operatorname{Var}(\Delt$a_i$ \mid x_{i,1}<c) < 2\sigma_{\text{meas}}^{2} ] 가 되어, 위의 단순 식을 그대로 적용하면 측정 오차를 과소 추정하게 됩니다.

4.2 정규성 가정 하에서의 편향 공식

집단 수준과 측정 오차가 모두 정규분포((N))라고 가정하면, 편향을 정확히 계산할 수 있습니다.

• 전체 측정값 (x_{i,j})는 평균 (\mu)와 총 분산 (\sigma_{\text{tot}}^{2}= \sigma_{\text{pop}}^{2}+\sigma_{\text{meas}}^{2}) 를 갖는 정규분포:
  [ x_{i,j}\sim N(\mu,\sigma_{\text{tot}}^{2}). ]

• 기준치 (c)에 대한 표준화 (\alpha = (c-\mu)/\sigma_{\text{tot}}) 를 정의하고, 정규분포의 밀도 (\phi(\cdot))와 누적분포 (\Phi(\cdot)) 를 사용하면, Johnson (1994) [21]에 의해 다음이 증명됩니다:

  [ \operatorname{Var}(\Delt$a_i$ \mid x_{i,1}<c)=2\sigma_{\text{meas}}^{2}\Bigl[1-\frac{\alpha\phi(\alpha)}{\Phi(\alpha)}-\Bigl(\frac{\phi(\alpha)}{\Phi(\alpha)}\Bigr)^{2}\Bigr]. ]

따라서 단순히 차이분산을 2로 나누는 추정량은
[ \hat\sigma_{\text{meas}}^{2}= \frac{1}{2}\operatorname{Var}(\Delt$a_i$ \mid x_{i,1}<c) ] 보다 (\displaystyle \frac{\alpha\phi(\alpha)}{\Phi(\alpha)}+\Bigl(\frac{\phi(\alpha)}{\Phi(\alpha)}\Bigr)^{2}) 만큼 작게 추정됩니다. 이 편향은 기준치 (c) (또는 (\alpha))에 따라 달라집니다.

5. 두 가지 빈도주의적 추정 방법

조건부 반복 측정 데이터를 이용해 측정 오차와 집단 변동을 추정하기 위해 두 가지 방법을 제시합니다. 두 방법 모두 정규성을 전제로 합니다.

5.1 조건부 기대값(Conditional Expectation, CE) 방법

• 두 번 측정된 쌍 ((x_{i,1},x_{i,2})) 은 이변량 정규분포를 따릅니다.
• 첫 번째 측정이 기준치 이하일 때만 두 번째 측정이 관찰되므로, 조건부 평균이 (\mu)보다 아래로 이동합니다.
• 이 이동량은 절단 계수 (\lambda(\alpha)=\phi(\alpha)/\Phi(\alpha)) 로 표현됩니다.
• 두 조건부 평균 차이 (\Delta\mu = E[x_{i,1}\mid x_{i,1}<c] - E[x_{i,2}\mid x_{i,1}<c]) 를 이용해 상관계수 (\rho) 를 식 (19) 로 추정하고, (\rho)와 총 분산 (\sigma_{\text{tot}}^{2}) 로부터 (\sigma_{\text{pop}}^{2})와 (\sigma_{\text{meas}}^{2}) 를 역산합니다.

5.2 최대우도(Maximum Likelihood, ML) 방법

• 절단된 이변량 정규분포의 우도함수를 직접 최대화합니다.
• 로그우도는
  [ \ell(\mu,\sigma_{\text{tot}},\rho)=\sum_{i\in\mathcal{O}}\log f_{2D}(x_{i,1},x_{i,2}\mid\mu,\sigma_{\text{tot}},\rho) - N\log P(x_{1}<c), ] 여기서 (\mathcal{O})는 관측된 쌍, (f_{2D})는 이변량 정규밀도, (P(x_{1}<c)=\Phi(\alpha)) 입니다.
• (\rho)에 대한 편미분을 0으로 두면 식 (21) 가 얻어지며, 절단값 (c)가 (\rho) 추정에 영향을 주지 않음을 확인할 수 있습니다.

두 방법을 시뮬레이션으로 검증했으며, 조건부 기대값 방법은 절단 확률이 복잡하게 변할 때 편향이 발생하지만, 최대우도 방법은 이러한 조건부 의존성에 강인함을 보였습니다.

6. 실제 데이터 적용 및 결과

6.1 데이터 개요 (섹션 3)

• 헌혈자 손가락 끝 Hb 측정값을 포함하는 대규모 데이터베이스를 사용했습니다.
• 남성 10,000명, 여성 10,000명을 무작위 추출해 분석에 활용했습니다.

6.2 추정 결과

• 측정 오차가 남성(≈0.6 g/dL)보다 여성(≈0.35 g/dL)에서 현저히 작게 추정되었습니다. 이는 장비 보정, 손가락 두께 차이, 혹은 남·여 혈류역학 차이 등 시스템적 불확실성이 존재함을 시사합니다.

• 두 방법 간에 집단 변동 추정값은 차이를 보였으며, 이는 정규성 가정 위반(다음 섹션) 혹은 절단 메커니즘 차이에 기인할 가능성이 있습니다.

6.3 정규성 위반에 대한 민감도 분석

• 중심이동(outlier) 및 heavy‑tail 상황을 모사하기 위해 t‑분포(자유도 df)로 측정 오차를 생성했습니다.
• df < 10인 경우, CE와 ML 모두 측정 오차를 5 % 이상 과대 추정함을 확인했습니다(그림 5).
• 이는 정규성 가정이 깨질 때 기존 빈도주의 추정이 편향될 수 있음을 보여줍니다.

7. 베이지안 계층 모델링

정규성 가정이 부적절하거나 복잡한 재검사 규칙이 존재할 때, 베이지안 계층 모델이 유연한 대안이 됩니다.

7.1 모델 구조

1. 1단계(진짜 수준) [ $T_i$ \sim f_{\text{pop}}(\theta_{\text{pop}}) ]
2. 2단계(측정 오차) [ x_{i,j}\mid $T_i$ \sim g_{\text{meas}}(\theta_{\text{meas}}) ]
3. 조건부 재측정: (x_{i,2})는 (x_{i,1}<c)일 때만 관찰됨.

네 가지 모델(a‑d)은 정규‑정규, 정규‑t, t‑정규, t‑t 조합을 각각 가정합니다(그림 B3).

7.2 시뮬레이션 검증

• 각 모델에 맞는 데이터를 시뮬레이션하고, 동일한 베이지안 모델을 MCMC로 적합했습니다.
• 95 % 신뢰구간이 모두 진짜 파라미터를 포함했으며, 사후 평균이 실제값에 근접함을 확인했습니다(표 C3).

7.3 모델 선택

• 5‑fold 교차 검증을 이용해 marginal LPPD(log pointwise predictive density)를 계산했습니다.
• 대부분의 경우, 데이터 생성 모델이 가장 큰 mLPPD를 얻었으며, 차이가 미미한 경우는 모델들이 예측 성능 면에서 실질적으로 동등함을 의미합니다(그림 7, 표 C4).

7.4 실제 데이터 적용

• 앞서 추출한 20,000명(남·여 각각 10,000명) 데이터에 베이지안 모델을 적용했습니다.
• 최우도 모델은 t‑t(두 단계 모두 heavy‑tail) 모델이 가장 높은 LPPD를 기록했으며, 이는 실제 Hb 측정이 정규분포보다 더 넓은 꼬리를 가진 특성을 가짐을 시사합니다.
• 추정된 측정 오차는 남성 ≈ 0.68 g/dL, 여성 ≈ 0.38 g/dL 로, 빈도주의 ML 추정치와 유사하지만 불확실성 구간이 넓어 추정의 신뢰도를 보다 정확히 반영합니다.

8. 논의 및 실무 적용

1. 조건부 재측정 전략의 편향

   • 첫 번째 측정이 기준치 이하일 때만 재측정하면, 차이값 기반의 단순 변동성 추정은 항상 측정 오차를 과소 평가합니다.
   • 최대우도 방법은 절단값에 의존하지 않으므로, 복잡한 재검사 규칙(예: “임계값에 가까울수록 재측정 확률 증가”)에도 강인합니다.

2. 성별 차이

   • 남·여 간 측정 오차 차이는 시스템적 요인(예: 손가락 두께, 혈류량 차이) 혹은 장비 보정 문제일 가능성이 높습니다.
   • 혈액기관은 성별별 보정 계수를 도입하거나, 재측정 기준을 성별에 맞게 조정하는 방안을 검토할 필요가 있습니다.

3. 정규성 위반

   • 실제 현장 데이터는 종종 heavy‑tail 특성을 보이며, 이는 빈도주의 추정이 편향될 위험을 높입니다.
   • 베이지안 계층 모델은 t‑분포 등 비정규 분포를 자연스럽게 포함시켜, 보다 현실적인 불확실성 추정을 가능하게 합니다.

4. 실제 운영 정책 제언

   • 조건부 재측정을 시행할 경우, 최대우도 기반의 변동성 추정을 사전에 수행해 기준치를 재설정하거나, 베이지안 사후 분포를 활용해 “재측정이 필요할 확률”을 실시간으로 계산할 수 있습니다.
   • 예를 들어, 첫 번째 Hb가 12.5 g/dL(여성 기준 12.0 g/dL)일 때, 사후 예측을 통해 재측정 후 실제 Hb가 기준치를 초과할 확률이 0.85 미만이면 재측정을 권고하고, 그 이상이면 첫 번째 측정값을 그대로 사용하도록 정책을 설계할 수 있습니다.

5. 향후 연구 방향

   • 시간에 따른 진짜 Hb 변동(예: 월경 주기, 수분 상태) 모델링을 포함한 3‑단계 계층 모델을 개발하면, 장기적인 헌혈자 관리에 도움이 될 것입니다.
   • 다중 바이오마커(예: 혈청 철, 페리틴)와의 공동 모델링을 통해 복합 위험 점수를 만들고, 보다 정교한 헌혈 적격성 판단 체계를 구축할 수 있습니다.

9. 결론

• 조건부로 반복 측정되는 바이오마커(특히 손가락 끝 Hb)의 변동성은 측정 오차와 집단 변동 두 요소로 분해할 수 있습니다.
• 단순 차이분산을 이용한 추정은 절단에 의한 선택 편향으로 인해 측정 오차를 과소 추정합니다.
• 최대우도 방법은 절단값에 독립적이며, 복잡한 재측정 규칙에도 편향 없이 변동성을 추정할 수 있습니다.
• 베이지안 계층 모델은 정규성 가정이 깨지는 경우에도 유연하게 적용 가능하며, 모델 선택 절차를 통해 가장 적합한 분포를 자동으로 판단할 수 있습니다.
• 실제 헌혈자 데이터에 적용한 결과, 남성과 여성 사이에 측정 오차가 현저히 다름을 확인했으며, 이는 성별별 보정 혹은 재측정 정책의 재설계 필요성을 시사합니다.

이러한 통계적 도구와 모델링 프레임워크는 헌혈 서비스뿐 아니라, 임상 현장에서의 바이오마커 기반 의사결정 전반에 걸쳐, 오분류 위험을 최소화하고 자원을 효율적으로 활용하는 데 기여할 수 있습니다.