공변량 불일치 상황에서 이중 보정 기반 RCT‑OS 이질효과 추정법

1. **연구 배경 및 문제 정의** - 이질 치료 효과(CATE)는 정밀 의료·예방에 핵심이지만, 무작위 임상시험(RCT)은 표본이 작아 이질성을 탐지하기 어려운 경우가 많다. 반면 관찰연구(Observational Study, OS)는 대규모이며 풍부한 공변량을 제공하지만, 비무작위 설계로 인한 교란이 존재한다. - 기존 데이터 융합 방법은 두 데이터셋이 동일한 공변량을 가정한다. 실제 임상·역학 연구에서는 RCT와 OS가 서로 다른 변수 집합을 수집하는 ‘공변량 불일치(covariate mismatch)’가 흔히 발생한다. 이 경우, 직접적인 가중치 보정이나 회귀 결합은 핵심 효과 조절 변수를 놓쳐 편향을 초래한다. 2. **방법론적 기여: MR‑OSCAR** - **공변량 분할**: 전체 변수 X를 RCT‑only(U), 공유(Z), OS‑only(V)로 구분한다. - **Assumption 1 (RCT 내부 타당성)**: SUTVA, 무작위화 독립성, 양쪽 치료군에 대한 최소 확률 보장. - **Assumption 2 (전이 가능성)**: V|Z의 조건부 분포가 RCT와 OS에서 동일하고, RCT 내에서는 U⊥V|Z. 이는 V를 Z만으로 예측해도 편향을 유발하지 않음을 의미한다. - **1단계 – 보간(Imputation)**: OS에서 ĝ: Z→V 를 학습하고, RCT에 Z를 입력해 V̂=ĝ(Z) 를 생성한다. - **2단계 – 보정(Calibration)**: OS에서 전체 변수 (U, Z, V̂) 로 각 치료군별 결과 모델 μ̂_o,a 를 학습한다. 이후 RCT 데이터에 대해 μ̂_o,a 를 적용하고, 실제 RCT 결과와의 차이를 불일치 함수 δ_a(Z,U) 로 추정한다. 이는 OS‑derived 예측을 RCT에 맞추는 역할을 한다. - **CMO와 pseudo‑outcome**: 보정된 CMO μ̂_r(x_r)=∑_{a}π_{r,−a}(x_r)·μ̂_r,a(x_r) 를 사용해 pseudo‑outcome τ̂_m = A·