고해상도 IPD 재구성과 불확실성 인식 하위그룹 메타분석을 위한 RESOLVEIPD

초록

본 논문은 종양학 임상시험에서 공개된 Kaplan‑Meier(KM) 곡선을 이용해 개인 환자 데이터(IPD)를 고정밀도로 복원하고, 하위그룹의 요약 통계만 존재할 경우에도 불확실성을 정량화하여 메타분석에 반영할 수 있는 통합 프레임워크 RESOLVEIPD를 제안한다. VEC‑KM 모듈은 벡터 그래픽에서 좌표와 검열 마크를 정확히 추출해 디지털화 오류를 최소화하고, CEN‑KM 모듈은 겹치는 검열 마크와 비균일 검열을 반영해 기존 iKM 방식의 편향을 제거한다. 하위그룹이 KM 곡선으로 제공되지 않을 때는 MAPLE 알고리즘이 요약 통계(HR, 중앙생존시간 등)와 일치하는 다수의 가능한 라벨링을 생성해 불확실성을 추정하고, 이를 메타분석에 전파한다. 네 건의 식도암 임상시험을 대상으로 한 검증에서 전체 및 PD‑L1 저발현 하위그룹에 대한 재구성 정확도와 메타분석 결과가 기존 보고와 일치함을 보였다.

상세 분석

RESOLVEIPD는 기존 IPD 재구성 방법이 안고 있던 두 가지 근본적인 결함—디지털화 오류와 균일 검열 가정—을 동시에 해결한다는 점에서 혁신적이다. VEC‑KM은 PDF 혹은 SVG 형식의 벡터 파일을 직접 파싱해 KM 곡선의 좌표와 검열 마크를 소수점 여섯 자리까지 정밀하게 추출한다. 이는 픽셀 기반 이미지에서 발생하는 좌표 오차와 눈금 보정 오류를 근본적으로 없애며, 특히 고해상도 저해상도 이미지가 혼재된 실제 논문 환경에서도 일관된 품질을 제공한다. CEN‑KM은 추출된 검열 시점을 그대로 활용해 각 구간 내 검열 비율을 실제와 동일하게 모델링한다. 겹치는 검열 마크를 다중 검열 사건으로 해석하고, 위험표와 정렬하는 단계적 보정을 통해 이벤트 수와 검열 수를 동시에 최적화한다. 이 과정은 기존 iKM이 단일 정수 근사에 머무르는 반면, 후보 이벤트‑검열 조합을 반복적으로 평가해 최소 오차를 찾는 전역 최적화와 유사한 절차를 도입한다는 점에서 통계적 정확성을 크게 향상시킨다.

하위그룹 복원에 있어 MAPLE은 비식별성 문제를 인정하고, “가능한 라벨링 집합”을 생성한다는 전제 하에 베이지안적 불확실성 프레임워크를 구현한다. 요약 통계(예: HR, mOS, CI)를 제약식으로 설정하고, 전체 재구성된 IPD에 이진 혹은 다범주 라벨을 할당하는 정수선형 최적화를 수행한다. 최적화 목표는 제약 위반을 최소화하는 것이며, 다중 최적해를 탐색해 G_MAPLE이라는 라벨링 군집을 도출한다. 이후 각 라벨링에 대해 서바이벌 분석을 수행하고, 결과를 가중 평균하거나 신뢰구간을 합성함으로써 “불확실성 전파”를 실현한다. 이는 기존에 단일 추정값만 제공하던 메타분석과 달리, 하위그룹 효과의 변동성을 정량적으로 제시한다는 점에서 임상 의사결정에 더 큰 신뢰성을 부여한다.

검증 사례로 사용된 식도암 4건의 임상시험에서는 전체 생존곡선 재구성 시 평균 절대 오차가 0.02 이하였으며, 위험표와 검열 비율도 1% 미만 차이로 일치했다. MAPLE을 적용한 PD‑L1 저발현 하위그룹에서는 보고된 HR(1.45, 95% CI 1.12‑1.88)과 중앙생존시간 차이를 95% 신뢰구간 내에서 재현했으며, 메타분석 결과는 6‑12개월 구간에서 면역요법이 화학요법 대비 유의한 생존 이점을 제공함을 확인했다. 이러한 실험적 증거는 RESOLVEIPD가 실제 임상 데이터 환경에서도 높은 재현성을 유지함을 보여준다.

한계점으로는 VEC‑KM이 벡터 그래픽을 제공하지 않는 오래된 논문에서는 적용이 어려우며, MAPLE의 최적화 복잡도가 라벨 수와 환자 수가 급증할 경우 계산 비용이 크게 증가한다는 점이다. 향후 연구에서는 래스터 이미지에 대한 딥러닝 기반 벡터화 전처리와, 메타휴리스틱 알고리즘을 통한 대규모 라벨링 탐색을 제안한다. 또한, 비례위험 가정 위반 여부를 자동 검증하는 모듈을 추가해, 재구성된 IPD의 모델링 적합성을 사전 평가할 수 있을 것으로 기대한다.