베이지안 유병률·발생·치료 모델: 전자건강기록 누락 기저 진단을 위한 새로운 접근

초록

본 논문은 전자건강기록(EHR)에서 기저 진단이 누락된 환자를 포함한 실제 데이터에 적용할 수 있는 3‑성분 혼합 모델인 Prevalence‑Incidence‑Cure(PIC) 모델을 제안한다. 베이지안 추정을 통해 유병률, 발생 시간, 그리고 치료 비반응(치료 ‘치유’) 비율을 동시에 추정하며, 사전분포 해석에 중점을 둔다. 시뮬레이션과 당뇨성 황반부종(DMO) 환자 1964명 데이터 분석을 통해 기존 Prevalence‑Incidence(PI) 모델 대비 편향이 감소하고 모델 적합도가 향상됨을 보인다.

상세 분석

이 연구는 전자건강기록(EHR) 데이터의 두 가지 고유한 문제—기저 시점에서의 진단 누락과 일부 환자는 사건을 영원히 경험하지 않을 가능성(‘치료 비반응’ 혹은 ‘치료 성공’)—을 동시에 해결하기 위해 3‑성분 혼합 모델을 설계하였다. 기존의 Prevalence‑Incidence(PI) 모델은 ‘유병률(Prevalence)’과 ‘발생(Incidence)’을 두 집단으로만 구분하고, 사건이 반드시 발생한다고 가정한다는 한계가 있다. 반면, PIC 모델은 ‘유병률’, ‘발생’, ‘치료 비반응(치료 성공)’ 세 집단을 다루어, 사건이 영원히 발생하지 않을 비율을 명시적으로 추정한다.

모델 구조는 다음과 같다. 각 환자 i에 대해 공변량 x_i를 기반으로 다항 로지스틱 회귀를 사용해 유병률 π_i와 비반응 비율 δ_i를 추정한다(식 4,5). 사건 발생 시간은 Weibull 분포를 사용한 비례 위험 모델로 정의되며, 이는 위험비(HR) 형태로 공변량 효과 γ를 해석할 수 있게 한다(식 6,7). 관측 데이터는 l_i(마지막 음성 검사 시점)와 r_i(첫 양성 검사 시점)로 표현되는 간격 검열(interval‑censoring) 형태이며, 네 가지 c_i 카테고리(유병, 간격 검열된 발생, 검열된 비반응, 기저 누락 후 양성)로 구분된다. 관측가능한 우도식(식 3)은 각 카테고리별로 유병, 발생, 비반응 가능성을 적절히 결합한다.

베이지안 추정에서는 사전분포 설정에 큰 비중을 둔다. 저자는 전문가 의견을 비율 r_π(유병 대비 발생)와 r_δ(비반응 대비 발생) 형태로 elicitation하고, 이를 로그정규분포로 변환한다(식 10‑13). 이는 β_1π와 β_1δ에 대한 정규 사전분포와 동일한 효과를 갖는다. 공변량 회귀계수 β_jπ, β_jδ 역시 로그정규분포를 통해 사전 지식을 반영한다. Weibull 형태의 사건 시간 모형 파라미터 α(형태)와 λ(스케일)도 로그정규 사전분포를 부여해, 사건 발생률이 시간에 따라 증가하거나 감소한다는 임상적 기대를 반영한다.

시뮬레이션 결과는 PIC 모델이 PI 모델에 비해 생존 확률 추정에서 편향이 현저히 감소함을 보여준다. 특히 ‘치료 비반응’ 비율이 높은 상황에서 PI 모델은 생존 함수가 0으로 수렴하는 반면, PIC 모델은 비반응 비율을 별도로 추정해 올바른 비한계값을 제공한다. 실제 데이터 적용에서는 당뇨성 황반부종 환자 1964명을 대상으로, 베이스라인 시력(VA) 70점 이상을 ‘유병’으로 정의하고, 시력 회복을 ‘비반응’(치료 성공)으로 모델링하였다. 결과는 유병률 약 30%, 비반응 비율 약 15%를 추정했으며, Weibull 파라미터는 초기 위험이 상승하는 형태를 보였다. 모델 적합도는 DIC와 posterior predictive check에서 PI 모델보다 우수했다.

이 논문의 주요 기여는 (1) 누락된 기저 진단과 치료 비반응을 동시에 다루는 3‑성분 혼합 모델을 제안, (2) 베이지안 프레임워크 내에서 전문가 의견을 직관적으로 반영할 수 있는 사전분포 설계, (3) 간격 검열 데이터를 정교히 다루는 관측 우도식을 도출, (4) 시뮬레이션 및 실제 EHR 데이터에서 기존 모델 대비 편향 감소와 적합도 향상을 실증적으로 입증한 점이다. 다만 Weibull 형태에 고정된 가정과 사전분포의 민감도 분석이 제한적이며, 비선형 공변량 효과나 시간‑변화 공변량을 포함하는 확장 가능성에 대한 논의가 추가되면 실용성이 더욱 높아질 것이다.