역사 제한 마진 구조 모델을 이용한 종단 연구의 인과 추론

초록

새롭게 제안된 역사 제한 마진 구조 모델(HRMSM)은 기존 마진 구조 모델(MSM)보다 짧고 사용자가 지정한 노출 이력을 기반으로 치료 효과를 정의한다. 전통적인 MSM은 연구 시작부터 결과 측정 시점까지의 전체 치료 이력을 사용하지만, HRMSM은 실용적인 공중보건 연구에 더 적합하거나 설계·분석이 용이한 인과 매개변수를 제공한다. 본 논문에서는 HRMSM의 형식적 통계 틀을 제시하고, HRMSM이 계산 효율성을 높이고 표본 크기·통계적 검정력 문제를 완화한다는 점을 강조한다. 또한 충분한 모델 가정 하에 HRMSM 파라미터를 일관적으로 추정할 수 있는 세 가지 추정법—역치료 가중치(IPTW), G‑컴퓨테이션, 이중 강건(DR) 추정법—을 개발한다. 마지막으로, MSM 파라미터의 식별 및 일관적 추정을 위해 일반적으로 채택되는 가정(반사실 존재, 일관성, 시간 순서, 순차적 무작위화)이 HRMSM 파라미터에도 동일하게 적용되어 식별과 일관적 추정이 가능함을 증명한다.

상세 요약

HRMSM은 기존 MSM이 갖는 “전체 이력” 접근법의 한계를 보완한다는 점에서 큰 의미를 가진다. 종단 연구에서는 관측 시점이 늘어날수록 치료 이력의 차원이 급격히 확대되며, 이는 가중치 모델의 불안정성, 희소 데이터 문제, 그리고 계산량 폭증으로 이어진다. 연구자가 실제 관심을 갖는 인과 효과는 종종 최근 몇 번의 치료에만 의존하는 경우가 많다. 예를 들어, 백신 효과를 평가할 때는 마지막 접종 여부가 핵심이며, 과거의 모든 접종 기록을 모두 고려할 필요가 없다. HRMSM은 이러한 “사용자 지정 히스토리 길이(k)”를 사전에 정의함으로써, 모델의 차원을 제한하고 추정 과정에서 발생할 수 있는 극단 가중치(weight explosion)를 완화한다. 이는 특히 대규모 전자건강기록(EHR) 데이터나 장기간 추적 연구에서 계산 효율성을 크게 향상시킨다.

식별 가정 측면에서도 HRMSM은 MSM과 동일한 전제조건을 요구한다. 반사실(counterfactual) 존재와 일관성(consistency)은 모든 시점에서 관측된 치료가 실제 반사실 치료와 동일하다는 기본 전제이며, 시간 순서(time‑ordering)와 순차적 무작위화(sequential randomization) 가정은 각 시점에서 치료 할당이 과거 관측값에 조건부로 독립임을 의미한다. 이러한 가정이 충족될 경우, 제한된 이력에 기반한 인과 효과도 잠재적 결과 프레임워크 내에서 명확히 정의되고, IPTW, G‑컴퓨테이션, DR 추정법을 통해 일관적으로 추정할 수 있다. 특히 DR 추정법은 치료 가중치 모델과 결과 회귀 모델 중 하나만 정확하면 추정이 일관된다는 이중 강건성을 제공하므로, 모델 오-specification 위험을 감소시킨다.

통계적 검정력(power) 측면에서도 HRMSM은 장점이 있다. 전체 이력을 포함한 MSM은 높은 차원 때문에 표본이 제한될 경우 추정 분산이 크게 증가한다. 반면, 히스토리 길이를 제한하면 자유도가 감소하고, 동일한 표본 크기에서 보다 정확한 추정값을 얻을 수 있다. 이는 연구 설계 단계에서 필요한 표본 규모를 줄이거나, 동일한 규모에서 더 미세한 효과를 탐지할 수 있게 한다.

하지만 HRMSM에도 한계가 존재한다. 히스토리 길이(k)를 어떻게 선택하느냐가 결과에 큰 영향을 미칠 수 있다. 과도하게 짧게 설정하면 중요한 누적 효과를 놓칠 위험이 있고, 반대로 너무 길게 설정하면 MSM과 실질적으로 구분되지 않는다. 따라서 사전 지식, 임상 메커니즘, 혹은 데이터‑드리븐 방법(예: 교차 검증 기반 최적 k 선택) 등을 활용한 신중한 결정이 필요하다. 또한, 제한된 히스토리 가정이 실제 무작위화 가정과 충돌할 경우(예: 치료가 과거 이력에 따라 달라지는 경우) 식별이 어려워질 수 있다.

향후 연구에서는 HRMSM을 다중 치료(다중 노출) 상황에 확장하거나, 동적 치료 규칙(dynamic treatment regimes)과 결합하는 방법을 모색할 수 있다. 또한, 머신러닝 기반 가중치 추정과 결합해 극단 가중치 문제를 더욱 효과적으로 완화하는 전략도 기대된다. 전반적으로 HRMSM은 인과 추론의 실용성을 높이고, 복잡한 종단 데이터에서 보다 효율적인 분석을 가능하게 하는 중요한 도구로 자리매김할 전망이다.