집단간 전이가능성을 확보한 집계 데이터와 개별 데이터 통합 메타분석 새로운 접근법

초록

본 논문은 집계 데이터(AD)와 개별 참여자 데이터(IPD)를 동시에 활용해 인과적으로 해석 가능한 메타분석을 수행하는 새로운 방법을 제안한다. 기존 방법이 요구하던 가상의 개별 데이터 생성 과정을 없애고, 대신 각 연구의 ‘시험 참여 여부’를 기준 변수로 모델링함으로써, 비선형 모델에서도 정확한 치료 효과 추정을 가능하게 한다. 또한, 치료 버전 이질성을 허용하고, 외부 목표 집단에 대한 요약형 공변량만으로도 효과를 전이시킬 수 있다.

상세 분석

이 연구는 메타분석에서 AD와 IPD를 결합할 때 가장 큰 난관 중 하나인 “집계 결과 모델을 개별 수준 모델로부터 정확히 마진화하는 과정”을 회피한다. 기존 다층 모델(MMA)은 비선형 로짓·프로빗 등에서 통합 적분이 불가능하거나 근사에 의존해야 하는데, 이는 편향을 초래할 위험이 있다. 저자들은 이러한 문제를 ‘시험 소속(trial membership)’을 공변량 L의 함수로 모델링하는 전략으로 전환한다. 구체적으로, 각 연구 s에 대해 P(S=s|L) 를 로짓 모델로 추정하고, 이를 역가중치(inverse‑weighting)와 결합해 AD 연구의 개별 수준 치료 효과(ϕ0s, ϕ1s)를 추정한다.

핵심 식(3)은 “IPD가 있는 연구 k의 데이터를 적절히 가중치하면 AD 연구 j의 기대값을 재구성할 수 있다”는 정체성을 제시한다. 이를 통해 (ϕ0j, ϕ1j)를 직접 추정하지 않고도, IPD가 있는 다른 연구들의 정보와 AD 연구의 요약 통계(D1–D3)를 이용해 일관된 추정량을 얻는다.

식별 가정은 전통적인 전이가능성(A1), 양성(P1), 일관성(A3), 무작위화(A4) 네 가지이며, 특히 A1은 목표 집단 S=0과 모든 시험 집단 사이에 공변량 L이 충분히 포괄적임을 요구한다. 이러한 가정 하에, 목표 집단에서의 평균 치료 효과 θ0s는 E