생존분석에서 이질적 매개효과를 밝히는 해석 가능한 M‑Learner 모델

** 본 논문은 “M‑survival learner”라는 새로운 통계‑머신러닝 혼합 프레임워크를 제시함으로써, 검열된 생존 결과를 갖는 임상시험에서 치료 효과가 매개변수를 통해 어떻게 전달되는지를 정밀하게 추정하고, 그 전달 경로가 환자군에 따라 어떻게 달라지는지를 밝혀낸다. **1. 연구 배경 및 필요성** 임상시험에서 surrogate biomarker(대리지표)의 타당성은 가속 승인(Accelerated Approval) 제도의 핵심이다. 기존 매개분석은 주로 연속형 결과에 적용되었으며, 검열이 존재하는 생존 데이터에 직접 적용하기엔 제한점이 많다. 특히, 치료 효과가 모든 환자에게 동일하게 매개되는지(동질성) 혹은 특정 서브그룹에만 강하게 작용하는지(이질성)를 판단하는 통계적 기준이 부재했다. **2. 방법론 개요** M‑survival learner는 전통적인 “M‑Learner” (두 단계 추정) 구조를 생존분석에 맞게 변형한다. - **1단계**: 치료(T)와 매개변수(M)를 각각 예측하는 모델을 구축한다. 치료 모델은 Cox‑PH 혹은 랜덤 서바이벌 포레스트를, 매개 모델은 일반화된 선형 모델이나 비선형 머신러닝 기법을 사용한다. - **2단계**: 위 두 모델에서 얻은 예측값을 이용해 개별 환자 수준의 잠재적 생존함수와 매개효과를 결합한다. 이를 통해 각 환자에 대한 간접효과(IE)를 계산한다. **3. 이질성 검정 통계 – SHS** IE의 분포가 공변량 X에 따라 변하는지를 검정하기 위해, 검열을 반영한 가중 로그‑우도 기반 통계량인 “Survival‑Heterogeneity Statistic (SHS)”를 도입한다. SHS는 다음 절차로 수행된다. - 각 환자에 대한 IE를 추정하고, 이를 X와 결합한 회귀모형을 적합한다. - 검열된 관측값에 대한 가중치를 Kaplan‑Meier 추정치로 보정한다. - 귀무가설(IE가 X와 무관) 하에서 SHS의 asymptotic distribution을 유도하고, 이를 통해 p‑값을 계산한다. **4. 해석 가능한 서브그룹 도출** SHS가 유의하면, 결정트리(또는 RuleFit) 알고리즘을 적용해 IE를 크게 변화시키는 변수 조합을 규칙 형태로 추출한다. 이 규칙은 “X₁ ≤ a₁ ∧ X₂ > a₂ ∧ … ”와 같은 형태로, 임상가가 직접 해석하고 치료 전략을 설계하는 데 활용될 수 있다. **5. 이론적 성질** - **Double‑Robustness**: 치료 모델 혹은 매개 모델 중 하나만 정확히 지정되면 IE 추정이 일관성을 유지한다. - **√n‑수렴**: L2‑regularized 베이스 학습기를 사용하고, 고차원 X에 대해 sparsity 가정을 두면, IE 추정량은 √n‑수렴한다. - **Asymptotic Normality**: SHS는 대표본에서 정규분포에 근접하므로, 표준 통계 검정이 가능하다. **6. 시뮬레이션 연구** 다양한 시나리오(검열 비율, 매개효과 크기, 이질성 정도)를 설정해 10,000번 반복 시뮬레이션을 수행하였다. 주요 결과는 다음과 같다. - M‑survival learner는 평균 제곱오차(MSE)에서 기존 Cox‑based 매개분석 대비 30%~55% 감소. - SHS는 5% 유의수준에서 0.85 > 검정력을 지속적으로 확보, 특히 검열 비율이 30% 이상일 때도 안정적인 성능을 보임. - 서브그룹 규칙은 실제 시뮬레이션 설정과 높은 일치도를 보이며, false‑positive 비율은 5% 이하. **7. 실제 데이터 적용 – HIV III상 임상시험** Amgen이 지원한 HIV 치료제 임상시험(총 1,200명)에서, 주요 대리지표로 CD4 + T세포 수와 염증성 바이오마커(IL‑6, D‑dimer)를 선정하였다. 분석 흐름은 다음과 같다. - 치료 모델: 무작위화된 치료군(신약) vs. 표준 치료군을 Cox‑PH 모델로 추정. - 매개 모델: 각 바이오마커를 선형 혼합효과 모델로 추정, 검열을 고려한 가중치를 적용. - IE 추정 후 SHS 검정 결과 p = 0.012로, 매개효과가 이질적임을 확인. - 규칙 추출 결과, “기저 CD4 < 150 cells/µL ∧ 연령 > 45세” 군에서 간접효과가 평균 1.8배 크게 나타났으며, 이 서브그룹은 기존 승인을 위한 임상적 기준을 초과하는 가속 승인 가능성을 시사한다. **8. 논의 및 향후 연구** 본 방법은 생존분석에 특화된 이질적 매개효과 탐지를 가능하게 함으로써, 규제기관이 대리지표의 서브그룹별 타당성을 과학적으로 평가하도록 돕는다. 다만, 베이스 학습기의 선택에 따라 결과가 달라질 수 있으며, 고차원 매개변수(예: 유전체 데이터)에서는 변수 선택 및 차원 축소 단계가 추가로 필요하다. 또한, SHS의 임계값 설정과 다중 비교 보정에 대한 체계적인 연구가 필요하다. 향후 연구에서는 베이지안 프레임워크와 결합해 사전 정보 활용, 그리고 다중 매개변수 상황을 동시에 다루는 확장 모델을 개발할 계획이다. **9. 결론** M‑survival learner는 검열된 생존 데이터에서 이질적 매개효과를 정밀하게 추정하고, 해석 가능한 서브그룹을 자동으로 도출함으로써, 대리지표 기반 가속 승인 전략에 중요한 통계적 근거를 제공한다. 이론적 보장과 실증적 검증을 통해, 임상연구와 규제 의사결정 과정에 실질적인 가치를 더한다. **