치료 효과를 치료 확률과 사건 시점으로 구분하는 이중 변수 중요도 매칭

초록

본 논문은 치료가 장기적인 ‘치유(cure)’ 확률과 비치유 환자들의 사건 발생 시점에 미치는 서로 다른 영향을 동시에 추정하기 위해, 혼합 치유 모델에서 도출한 변수 중요도를 이용해 두 개의 맞춤형 거리 척도를 학습하고, 이를 기반으로 이중 매칭을 수행하는 프레임워크를 제안한다. 매칭된 집단 내에서 Kaplan‑Meier 추정량을 사용해 치유 확률과 조건부 평균 사건 시간(CMET)을 추정함으로써 개인 수준의 이질적 치료 효과(HTE)를 얻는다. 이론적 일관성, 거리 척도 최적성, 오차 분해 등을 증명하고 시뮬레이션 및 실제 데이터 분석을 통해 방법의 해석 가능성과 견고함을 입증한다.

상세 분석

이 연구는 기존 생존 분석이 치료 효과를 하나의 위험 함수 혹은 평균 생존 시간으로만 요약하는 한계를 지적하고, 특히 ‘치유된’ 환자군이 존재하는 경우 치료가 두 개의 별도 메커니즘—치유 확률 증대와 비치유 환자들의 사건 시점 변화—을 동시에 작동할 수 있음을 강조한다. 이를 위해 저자들은 먼저 잠재 변수 E_i(z)=I(T_i(z)<H) 를 도입해 치료군·대조군 각각에 대해 치유 여부와 사건 발생 시점을 명시적으로 구분한다. 두 주요 추정량은 (i) 치유 확률 차이 π(x)와 (ii) 조건부 평균 사건 시간 차이 Δ(x)이며, 이는 각각 S_z(H|x)와 Kaplan‑Meier 기반 적분식으로 표현된다.

핵심 기술은 혼합 치유 모델을 이용해 변수 중요도를 두 개의 파라미터 집합(β for cure, λ for event time)으로 분리하고, 이를 가중치로 하는 두 개의 거리 척도 d_cure 와 d_time 을 학습한다. 이때 ‘equal‑scale constraint’를 적용해 두 척도가 동일한 스케일에서 최적화되도록 보장함으로써 매칭 품질을 극대화한다. 이후 각 추정량에 대해 별도 매칭 그룹을 구성하고, 매칭된 치료·대조군 내에서 Kaplan‑Meier 추정량을 적용해 S_z(H|x)와 누적 위험 함수를 비편향적으로 추정한다.

이론적 부분에서는 (1) 비정보 검열 가정 하에 π(x)와 Δ(x)의 식별성을 증명하고, (2) 제안된 매칭 추정량이 무한 표본에서 일관성을 갖는다는 정리를 제시한다. 또한 거리 척도의 최적성은 ‘가중 평균 제곱 오차’를 최소화하는 형태로 증명되며, 이는 변수 중요도가 실제 효과에 비례한다는 직관과 일치한다. 오차 분해는 검열, 모델 적합, 불가피한 잡음 세 요소로 나누어 각각의 기여도를 정량화한다는 점에서 실무적 해석을 돕는다.

시뮬레이션에서는 고차원 잡음 변수, 다양한 검열 비율, 비선형 효과 등을 변형시켜 기존 단일 매칭·프롭엔시티 스코어 매칭 대비 평균 절대 오류(MAE)와 평균 제곱 오류(MSE)에서 현저히 우수함을 보인다. 실제 데이터 예시(예: 초기 흑색종 환자군)에서는 치료가 치유 확률을 크게 높이면서도 비치유 환자들의 재발 시간을 지연시키는 복합 효과를 명확히 분리해 보여준다.

전반적으로 이중 변수 중요도 매칭은 (1) 치료 효과를 두 개의 의미론적 차원으로 분리, (2) 고차원 데이터에서 관련 변수에 자동으로 집중, (3) 매칭 기반 인과 추론의 투명성을 유지한다는 장점을 제공한다. 다만 비정보 검열 가정과 충분한 매칭 후보 확보가 전제되어야 하며, 혼합 치유 모델의 사전 적합이 부정확할 경우 거리 척도 학습에 편향이 전이될 가능성이 있다. 이러한 제한을 감안하면, 복합 치료 메커니즘을 해석하고 개인화된 치료 결정을 지원하는 임상 연구에 매우 유용한 도구가 될 것으로 기대된다.