제약회사 연구원의 블로그

— p-value가 낮아지는 순간, 해석은 오히려 위험해진다어느 순간부터 우리는데이터를 이렇게 읽기 시작한다.“p-value가 0.05보다 작다 → 의미 있다”이건 너무 익숙해서이제는 거의 반사처럼 이어지는 사고다.그래서 결과를 정리할 때도자연스럽게 이렇게 쓴다.“이 단백질은 유의하게 증가하였다”그리고 그 다음 문장은거의 자동으로 따라온다.“따라서 이 단백질은 중요한 역할을 한다”하지만 이 두 문장 사이에는생각보다 큰 간극이 있다.그리고 대부분의 오류는바로 이 간극에서 시작된다.숫자는 명확하지만, 의미는 그렇지 않다통계적으로 유의하다는 것은수학적으로는 매우 명확한 개념이다.하지만 biological 의미는그렇지 않다.예를 들어보자.fold change: 1.05p-value: 0.0001이 데이터는통계적..

– 복잡한 생물학을 ‘유의/비유의’로 축소하는 순간Metabolomics 연구에서 p-value는 거의 모든 분석의 중심에 있다. 환자군과 대조군을 비교하고, 수백에서 수천 개의 metabolite 중에서 통계적으로 유의한 변화를 보이는 것들을 선별하는 과정은 매우 익숙한 분석 흐름이다.문제는 이 과정이 너무 자연스럽게 반복되면서, 어느 순간 metabolomics 연구 전체가 “유의한 metabolite를 찾는 작업”으로 단순화된다는 점이다.하지만 metabolomics 데이터가 담고 있는 정보는 그렇게 단순하지 않다. 대사체는 수많은 생리적 변수, 환경 요인, 시간적 변화, 그리고 복잡한 네트워크 구조를 반영한다. 그럼에도 불구하고 p-value 중심 해석은 이 복잡한 시스템을 이분법적인 구조로 축소..

p-value가 처방을 바꾸지 못할 때1️⃣ 차이는 있지만 ‘치료 범위 안’에 있을 때예시그룹 A 평균 농도: 8.2 µg/mL그룹 B 평균 농도: 9.1 µg/mLp = 0.003 (통계적으로 유의)하지만 치료 범위가 5–15 µg/mL라면?👉 두 그룹 모두 치료 범위 내👉 용량 조절 필요 없음임상 결론→ 의미 없음2️⃣ 평균 차이가 개별 환자 결정에 적용되지 않을 때TDM은 집단 연구가 아니라 개별 환자 최적화가 목적입니다.연구 결과:특정 유전자형에서 평균 농도 20% 증가 (p 임상 현실:환자 간 변동성 ±50%개별 환자 예측 불가👉 집단 평균 차이는 개별 환자 용량 결정에 쓸 수 없음3️⃣ 효과 크기(effect size)가 임상 임계값보다 작을 때예시농도 차이: 0.7 µg/mL통계적으로 ..