클러스터 무작위 교차시험에서 사망에 의한 절단을 고려한 베이지안 생존자 평균 인과효과 추정법

초록

본 논문은 클러스터‑무작위 교차(CRXO) 설계에서 사망으로 인해 관측되지 못하는 비치명적 결과를 다루기 위해, 주성분 계층화(principal stratification) 기반의 생존자 평균 인과효과(SACE)를 목표로 한다. 저자들은 구조적 가정과 베이지안 혼합효과 모델을 결합해 SACE를 식별·추정하는 방법을 제시하고, 시뮬레이션을 통해 소표본 상황에서도 안정적인 추정이 가능함을 확인하였다. 실제 적용 사례로는 중환자실에서 기계적 환기 환자를 대상으로 한 PEPTIC 시험에서 위산억제제의 병원 체류 기간에 대한 SACE를 추정하였다.

상세 분석

이 연구는 세 가지 수준(클러스터, 클러스터‑시기, 개인)으로 구성된 CRXO 디자인을 전제로, 각 개인의 잠재적 생존 상태 Sᵢⱼₖ(a)와 비치명적 결과 Yᵢⱼₖ(a)를 정의한다. 주성분 계층화에 따라 네 가지 주성분(stratum) — 항상 생존자, 보호받은 환자, 해를 입은 환자, 절대 사망자 — 로 구분하고, SACE는 ‘항상 생존자’ 집단 내에서 치료 (a=1)와 대조 (a=0) 사이의 평균 차이 혹은 비율로 정의한다.

식별을 위해 제시된 가정은 다음과 같다. (1) 클러스터와 시기 간 간섭 없음, 즉 개인의 잠재적 결과는 자신이 속한 클러스터‑시기의 치료에만 의존한다. (2) 치료 효과는 시기마다 동일하게 적용되며, 치료 버전이 클러스터에 따라 달라지지 않는다. (3) 일관성 가정으로, 실제 관측된 결과는 해당 치료를 받은 경우의 잠재적 결과와 동일하다. (4) 클러스터 간 독립성 및 (5) 무작위 배정 가정으로, 잠재적 결과와 공변량이 치료 배정과 독립임을 보장한다. (6) 생존 단조성 가정 Sᵢⱼₖ(1) ≥ Sᵢⱼₖ(0) 을 통해 ‘해를 입은 환자’ 층을 배제하고 모델을 단순화한다.

베이지안 접근법에서는 잠재적 결과와 주성분 멤버십을 동시에 모델링한다. 구체적으로, 클러스터‑시기 수준의 랜덤 효과를 포함한 혼합효과 회귀모형을 사용해 Yᵢⱼₖ(a) 를 정규분포(연속형) 혹은 베르누리(이진형)로 지정하고, Sᵢⱼₖ(a) 는 로짓 모델로 표현한다. 주성분 멤버십 Gᵢⱼₖ 은 잠재적 생존 변수들의 결합으로 정의되며, 베이지안 계층 구조를 통해 클러스터‑시기 간 상관을 반영한다. 사전분포는 비정보적 정규·베타 등으로 설정하고, MCMC(예: Gibbs sampler 또는 Hamiltonian Monte Carlo)를 이용해 사후분포를 추정한다. 사후 평균 혹은 중앙값을 SACE 추정값으로 사용하고, 95% 사후 신뢰구간을 제공한다.

시뮬레이션에서는 클러스터 수(I = 6~12), 각 클러스터당 평균 개인 수(m ≈ 30), 두 시기 구조를 변형해 다양한 비율의 사망 및 치료 효과를 모의하였다. 결과는 제시된 가정 하에서 베이지안 추정이 편향이 거의 없으며, 특히 작은 클러스터 수에서도 표준 오차가 적절히 추정되는 것을 보여준다. 또한, 교차 효과를 반영하지 않을 경우 추정이 크게 왜곡되는 점을 강조한다.

실제 데이터 적용에서는 PEPTIC 시험을 사용하였다. 이 시험은 두 치료(프로톤펌프억제제 vs. 히스타민‑2 차단제)를 순차적으로 적용한 2‑시기 CRXO 디자인이며, 주요 비치명적 결과는 기계적 환기 환자의 병원 체류 기간(LOS)이다. 사망으로 인해 LOS가 관측되지 않은 환자를 제외하고, 베이지안 모델을 통해 ‘항상 생존자’ 하위 집단의 평균 LOS 차이를 추정하였다. 결과는 두 치료 간 차이가 통계적으로 유의하지 않으며, 기존의 단순 평균 비교보다 더 보수적인 추정값을 제공한다는 점에서 임상적 해석에 중요한 시사점을 제공한다.

본 논문의 주요 기여는 (1) CRXO 설계에 특화된 SACE 식별 가정을 명시하고, (2) 베이지안 혼합효과 모델을 통해 복잡한 계층 구조와 사망에 의한 절단을 동시에 다룰 수 있는 통계적 프레임워크를 제시한 점이다. 또한, 작은 표본에서도 안정적인 추정이 가능함을 시뮬레이션으로 검증했으며, 실제 임상시험에 적용해 실용성을 입증하였다. 한계로는 생존 단조성 가정이 강력하게 요구되며, 이 가정이 위배될 경우 편향이 발생할 수 있다는 점과, 사전분포 선택에 따라 결과가 민감하게 변할 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 단조성 가정을 완화한 민감도 분석 및 비정규 비치명적 결과(예: 시간‑대‑사건 데이터)에 대한 확장 모델 개발이 필요하다.