클러스터 무작위시험에서 승수 통계 기반 추정량 선택과 해석

초록

본 논문은 클러스터 무작위시험(CRT)에서 승수 통계(승 비율, 승 오즈, 승 차이)를 이용한 치료 효과 추정량을 개별-쌍(estimator)과 클러스터-쌍(estimator) 두 가지 관점으로 정의하고, 군집 크기가 치료 효과나 기저 위험에 의존하는 경우(정보성 군집 크기) 두 추정량이 크게 달라질 수 있음을 수치 시뮬레이션으로 보여준다. 일관된 추정량과 잭나이프 기반 분산 추정법을 제시하며, 개별-쌍 추정량은 작은 표본에서 편향이 발생할 수 있지만 클러스터-쌍 추정량은 무편향임을 강조한다. 연구자는 목표 추정량을 명확히 규정하지 않으면 전혀 다른 임상 결론에 이를 수 있음을 경고한다.

상세 분석

이 연구는 승수 통계가 복합 임상 결과를 우선순위에 따라 비교하는 직관적인 방법임을 인정하면서, 특히 군집 무작위시험(CRT)에서 적용할 때 발생하는 근본적인 통계적 문제를 체계적으로 탐구한다. 먼저 개별-쌍(win‑pair)과 클러스터‑쌍(win‑pair)이라는 두 종류의 추정량을 정의한다. 개별‑쌍은 모든 피험자를 동일 가중치로 비교해 개별 수준에서 평균 치료 효과를 추정하고, 클러스터‑쌍은 각 군집을 동일 가중치로 다루어 군집 수준에서 평균 효과를 추정한다. 두 추정량은 군집 크기가 치료 효과나 기저 위험과 독립일 경우 수학적으로 동일한 한계값을 갖지만, 군집 크기가 정보성(ICS)인 경우 크게 달라진다. 즉, 큰 군집이 더 좋은 결과를 보이거나 치료 효과가 군집 크기에 따라 변하면, 개별‑쌍은 큰 군집에 과도히 가중치를 부여해 치료 효과를 과대평가하거나 반대로 과소평가할 수 있다. 반면 클러스터‑쌍은 군집당 동일 가중치를 주어 이러한 왜곡을 방지한다.

논문은 이러한 차이를 정량화하기 위해 일관된 추정량을 제시한다. 개별‑쌍 승 확률 추정량은 모든 치료군 개별과 대조군 개별을 쌍으로 만들고 승·패·동점 비율을 계산한다. 클러스터‑쌍은 먼저 각 군집 내에서 승 비율을 평균한 뒤, 군집 간 쌍을 형성해 평균을 다시 계산한다. 두 경우 모두 승‑오즈와 승‑차이를 파생시킬 수 있다.

분산 추정은 leave‑one‑cluster‑out 잭나이프 방법을 사용한다. 각 군집을 하나씩 제외하고 추정량을 재계산해 변동성을 평가함으로써 군집 간 상관을 자연스럽게 반영한다. 이 접근법은 기존 클러스터‑레벨 부트스트랩보다 계산이 간단하면서도 정확도가 높다.

시뮬레이션 결과는 두 추정량이 정보성 군집 크기 하에서 편향과 분산 면에서 서로 다른 특성을 보임을 확인한다. 개별‑쌍 추정량은 표본이 작을 때 편향이 존재하고, 특히 큰 군집이 치료 효과를 크게 보이는 경우 과대평가한다. 반면 클러스터‑쌍 추정량은 무편향이며, 표본 크기가 충분히 크면 정확한 추정치를 제공한다. 실제 데이터 예시(표 1, 표 2)에서는 개별‑쌍 승 비율이 2.238로 강한 치료 효과를 시사하지만, 클러스터‑쌍은 0.880으로 치료가 해로울 수 있음을 보여준다. 이는 연구 설계 단계에서 어떤 추정량을 목표로 할지 명확히 정의하지 않으면 전혀 다른 임상 결론에 이를 위험을 강조한다.

결론적으로, CRT에서 승수 통계 기반 추정량을 사용할 때는 (1) 군집 크기의 정보성을 사전에 평가하고, (2) 연구 질문에 맞는 개별‑쌍 또는 클러스터‑쌍 중 하나를 명시적으로 선택하며, (3) 제안된 일관된 추정량과 잭나이프 분산 추정법을 적용해 추정의 정확성을 확보해야 한다는 실용적 지침을 제공한다.