전이학습을 활용한 안정적인 생존 추정 및 외삽

초록

본 논문은 외부 레지스트리·인구 사망 데이터를 베이지안 방식으로 전이학습하여 기준 인구를 구축하고, 이를 앵커로 삼은 유연한 파라메트릭 폴리하자드 모델을 통해 평균 생존시간과 생존 연수(LYG)를 안정적으로 외삽하는 방법을 제시한다. 유방암, 전이성 흑색종, 심장 부정맥 세 가지 실제 사례에 적용해 모델의 해석성·견고성을 검증한다.

상세 분석

이 연구는 “평균 생존(mean survival)”을 추정하기 위해 관측된 생존곡선의 면적을 넘어 장기적인 외삽이 필요하다는 점에 주목한다. 저자는 두 가지 핵심 아이디어를 결합한다. 첫째, 인구 전체 사망률을 Lee‑Carter 모델을 이용해 베이지안 방식으로 예측하고, 이를 연령·성별에 맞춰 합성된 외부 코호트로 만든다. 이렇게 만든 외부 코호트는 실제 임상 데이터와 동일한 기준(연령·성별)으로 정렬돼, “베이스라인(population anchor)” 역할을 수행한다. 둘째, 질병군과 외부군 모두를 다중 컴포넌트(폴리하자드) 형태의 위험함수로 모델링한다. 각 컴포넌트는 Weibull, Log‑Normal, Log‑Logistic 등 다양한 분포를 조합해 비례·비비례 위험, 교차하는 생존곡선 등을 자연스럽게 포착한다. 특히, 컴포넌트 간 비례계수(C) 혹은 동일 형태를 가정함으로써 질병군 위험을 외부군 위험에 “스케일링”하거나 “덧셈”하는 구조를 만든다.

모델 추정은 두 데이터셋(임상·외부) 각각의 부분가능도(Likelihood)를 곱해 전체 가능도를 구성하고, Stan을 이용한 MCMC로 베이지안 사후분포를 얻는다. 외삽 단계에서는 (1) 추정된 질병군 파라미터 그대로 투사(baseline)하고, (2) 마지막 관찰 시점에서 외부군 위험과의 차이(또는 비율)를 일정하게 유지하는 “constant difference/ratio” 방법을 적용한다. 또한, 원인별 위험(cause‑specific hazard) 접근을 통해 비질병 원인 위험을 외부군과 공유하게 함으로써 장기 외삽의 불안정을 크게 감소시킨다.

세 가지 사례 연구는 방법론의 실용성을 보여준다. 유방암 데이터(METABRIC)에서는 삼중음성(triple‑negative) 군과 비음성 군의 평균 생존 차이를 교차하는 위험곡선을 통해 정량화했다. 전이성 흑색종에서는 mRNA 백신과 pembrolizumab 병용 치료의 효과를 기존 pembrolizumab 단독군 대비 위험비(HR≈0.56)를 이용해 추정했으며, 최신 임상시험 데이터를 디지털화해 검증했다. 심장 부정맥에서는 ICD 삽입 vs. 항부정맥제 치료를 원인별 위험 모델에 넣어, “심장 관련 사망” 위험을 외부 인구와 비례시킨 뒤 LYG를 계산했다. 모든 사례에서 제안된 폴리하자드‑전이학습 프레임워크는 기존 단순 파라메트릭 외삽보다 추정의 편향을 줄이고, 불확실성 구간을 보다 현실적으로 제시한다.

한계점으로는 외부 인구 사망률 예측에 사용된 Lee‑Carter 모델이 장기 트렌드 변동에 민감할 수 있다는 점, 그리고 컴포넌트 수(M)와 변화점(K)의 선택이 주관적이라는 점을 들 수 있다. 또한, 베이지안 사후분포의 수렴 검증이 필요하고, 고차원 파라메터 공간으로 인한 계산 비용이 증가한다는 실용적 제약도 존재한다. 향후 연구에서는 다국가·다인종 데이터와 동적 베이지안 업데이트를 결합해 전이학습의 일반화를 확대하고, 자동화된 모델 선택 기준을 개발함으로써 실무 적용성을 높일 여지가 있다.