관찰연구에서 DOOR 확률의 이중강건 추정 및 MDRO 적용

초록

**
본 논문은 환자 중심의 혜택‑위험 지표인 DOOR(Desirability of Outcome Ranking) 확률을 관찰연구에 적용하기 위해 인버스 확률 가중치(IPTW), G‑컴퓨테이션, 그리고 두 방법을 결합한 이중강건(DR) 추정법을 개발한다. 강건성, 효율성 및 대수적 특성을 시뮬레이션으로 검증하고, 다제내성균(MDRO) 네트워크 데이터를 이용해 단일 약물 치료와 복합 약물 치료의 혜택‑위험을 비교한다.

**

상세 분석

**
이 연구는 DOOR라는 순위 기반 환자 중심 지표를 인과 추정 프레임워크에 끌어들인 점이 가장 큰 혁신이다. 기존 DOOR 분석은 무작위 임상시험에만 적용돼 공변량 조정이 필요 없었지만, 관찰연구에서는 치료 선택이 환자 상태와 강하게 연관되므로 교란변수를 보정해야 한다. 저자들은 강력한 무시가능성(Strong Ignorability)과 양성(positivity) 가정을 전제로, 치료군(Z=1)과 대조군(Z=0) 각각에 대한 잠재적 결과분포 P(Y₁)와 P(Y₀)를 추정한다.

세 가지 추정법을 제시한다. 첫 번째는 치료 할당 확률 π_i를 로지스틱 회귀로 모델링하고, 역가중치 w_i=Z_i/π_i+(1‑Z_i)/(1‑π_i) 를 이용해 각 순위(k)별 셀 확률을 가중 평균한다(IPTW). 두 번째는 순위 결과 자체를 다항 로짓 혹은 비례 오즈 모델로 직접 모델링해 조건부 확률 m_{iak}=P(Y=k|Z=a,X) 를 구하고, 전체 인구에 대한 평균을 G‑컴퓨테이션 방식으로 추정한다. 세 번째는 두 모델 중 하나만이라도 올바르면 일관성을 유지하는 이중강건 추정법으로, IPTW와 G‑컴퓨테이션의 교정항을 결합한 식을 제시한다.

수학적으로는 각 추정량을 영향함수(Influence Function, IF) 형태로 전개하고, 이를 기반으로 √n 수렴과 비대칭 정규성을 증명한다(정리 1). 영향함수는 가중치와 모델 파라미터 추정에 대한 점별 기여를 명시적으로 보여주어, 표준오차와 신뢰구간을 Delta 방법으로 손쉽게 계산할 수 있게 한다. 특히, IF 표현식은 IPTW, G‑포뮬라, DR 각각에 대해 구체적인 형태를 제공함으로써 구현 단계에서 자동 미분이나 부트스트랩 없이도 정확한 분산 추정이 가능하도록 설계되었다.

시뮬레이션에서는 4개의 교란변수(연속 2개, 이진 2개)를 이용해 치료 할당과 결과를 복합적으로 생성하였다. 다양한 모델 오차 상황(PS 모델만 올바른 경우, 결과 모델만 올바른 경우, 두 모델 모두 잘못 지정된 경우)에서 DR 추정량이 편향이 거의 없고 평균제곱오차가 가장 낮은 것을 확인했다. 이는 실제 데이터에서 모델 선택에 대한 불확실성을 크게 완화한다는 실용적 의미를 가진다.

실제 적용 사례로는 ARLG 네트워크의 MDRO 환자 데이터를 사용해 단일 약물 치료와 복합 약물 치료를 비교하였다. 결과는 DR 추정법을 적용했을 때, 복합 치료가 순위가 높은 결과를 제공할 확률이 0.54(95% CI 0.48‑0.60)로, 단일 치료 대비 약간 우위이지만 통계적으로 유의미하지 않음을 보여준다. 이는 교란변수(환자 중증도, 감염 부위 등)를 충분히 조정했음에도 불구하고 치료 효과가 미미함을 시사한다.

한계점으로는 (1) 강한 무시가능성 가정이 실제 관찰연구에서 충족되기 어려울 수 있다는 점, (2) 다중 순위(K>4)일 경우 셀 확률 추정의 차원 폭발과 계산 복잡도가 증가한다는 점, (3) 로지스틱·비례오즈 모델 외의 비선형/머신러닝 기반 PS·결과 모델을 적용했을 때 DR 특성이 유지되는지에 대한 추가 검증이 필요하다는 점을 들 수 있다. 향후 연구에서는 슈퍼러닝 기반 PS와 베이지안 G‑컴퓨테이션을 결합해 DR 특성을 보존하면서도 모델 유연성을 높이는 방향이 기대된다.

**