베이지안 모델 보조 적응형 위너 비율 설계

초록

본 논문은 우선순위 복합지표를 이용한 위너 비율(WR) 통계량을 기반으로 한 2상 임상시험의 베이지안 적응형 설계인 BMW를 제안한다. WR은 쌍별 비교에서 도출된 요약 통계이므로 기존 베이지안 방법을 바로 적용하기 어렵다. 저자들은 WR 검정통계량의 중간·최종 분석 간 공동 비대칭 분포를 이용해 사후 확률을 계산하고, 조기 중단(우월성·무효성) 규칙을 도입한다. 또한 효능·독성을 동시에 평가하는 그래픽 테스트 절차를 추가해 전체 오류율(FWER)을 제어한다. 시뮬레이션 결과는 유형Ⅰ 오류와 FWER가 적정하게 유지되면서 검정력은 기존 방법과 동등하고, 기대 샘플 사이즈는 크게 감소함을 보여준다. 실무 적용을 돕기 위해 R Shiny 앱도 제공한다.

상세 분석

BMW 설계는 위너 비율(WR)이라는 특수한 복합지표를 활용한다는 점에서 기존 베이지안 적응형 디자인과 근본적인 차이를 보인다. WR은 환자쌍을 구성해 “승자”와 “패자”를 판정하고, 그 비율을 통해 치료 효과를 추정한다. 이 과정은 개별 환자 수준의 데이터 생성 모델을 명시하지 않으며, 따라서 전통적인 베이지안 프레임워크에서 요구하는 사전분포와 사후분포를 직접 정의하기 어렵다. 저자들은 이러한 한계를 극복하기 위해 “모델 보조”(model‑assisted) 접근법을 채택한다. 구체적으로, 각 중간 분석 시점과 최종 분석 시점에서의 WR 검정통계량이 다변량 정규분포를 따른다는 대수적 근사를 이용한다. 이 근사는 대규모 샘플에서 중앙극한정리와 연속성 보정을 통해 정당화되며, 실제 시뮬레이션에서도 충분히 정확함이 확인되었다.

이 다변량 정규분포의 공분산 구조는 사전 임상 데이터 혹은 파일럿 연구에서 추정된 공분산 행렬을 사용하거나, 베이지안 사전분포를 통해 불확실성을 반영한다. 그런 다음, 각 분석 시점에서 관측된 WR 값에 대해 사후 확률 (P(\theta>0\mid \text{data})) 혹은 (P(\theta<0\mid \text{data})) 를 계산한다. 여기서 (\theta)는 치료군이 대조군보다 승리할 확률의 차이를 나타내는 파라미터이다. 사후 확률이 사전에 정의된 상한(예: 0.95) 혹은 하한(예: 0.05)을 초과하면 각각 우월성 조기 중단 또는 무효성 조기 중단을 시행한다.

BMW 설계는 또한 효능과 독성을 동시에 고려한다. 이를 위해 저자들은 “그래픽 테스트 절차”(graphical testing procedure)를 도입했는데, 이는 두 개의 가설(효능, 독성)을 순차적으로 검정하되, 각 단계에서 할당된 알파 수준을 시각적으로 관리한다. 예를 들어, 초기 효능 검정에 0.025의 알파를 할당하고, 효능이 유의하면 독성 검정에 남은 알파(0.025)를 사용한다. 이렇게 하면 전체 FWER가 0.05 이하로 유지된다.

시뮬레이션에서는 다양한 시나리오(효과 크기, 독성 비율, 중간 분석 시점, 사전 정보 강도 등)를 설정해 BMW 설계의 성능을 평가했다. 결과는 다음과 같다. 첫째, 유형Ⅰ 오류와 FWER는 목표 수준(5%) 이하로 유지된다. 둘째, 검정력은 전통적인 고정 샘플 크기 설계와 비교해 차이가 없으며, 경우에 따라 약간 상승한다. 셋째, 조기 중단 규칙 덕분에 기대 샘플 사이즈가 평균 20~30% 감소한다. 특히 무효성 조기 중단이 빈번히 발생하는 시나리오에서 절감 효과가 크게 나타난다.

실무 적용을 위해 저자들은 R Shiny 기반 웹 애플리케이션을 개발했다. 사용자는 치료군/대조군의 승리 횟수, 중간 분석 시점, 사전 분포 파라미터 등을 입력하면, 실시간으로 사후 확률, 중단 결정, 최종 검정 결과를 확인할 수 있다. 이는 통계 전문가가 아닌 임상 연구자도 손쉽게 BMW 설계를 적용하도록 돕는다.

전반적으로 BMW 설계는 WR이라는 복합지표의 통계적 특성을 고려하면서 베이지안 적응형 디자인의 장점을 살린 혁신적인 접근법이다. 모델 보조 방식은 데이터 생성 메커니즘을 명시하지 않아도 되는 유연성을 제공하고, 그래픽 테스트 절차는 다중 가설 검정 시 오류 제어를 직관적으로 수행한다. 이러한 특성은 특히 희귀 질환이나 소규모 파일럿 단계에서 복합 임상 결과를 평가해야 하는 상황에 적합하다.