베이지안 결함 마샬‑올킨 곰프츠 모델로 치료 효과와 치유 비율 추정

초록

본 논문은 마샬‑올킨 곰프츠(MOG) 분포를 결함형(defective) 형태로 확장하고, 이를 베이지안 회귀 프레임워크에 도입하여 장기 생존 데이터에서 치유 비율(cure fraction)을 추정한다. 약한 사전분포와 Hamiltonian Monte Carlo(NUTS) 알고리즘을 이용해 사후분포를 샘플링하고, 시뮬레이션 및 실제 고환암 데이터에 적용해 모델의 정확성과 실용성을 검증한다.

상세 분석

이 연구는 기존의 혼합형(cure‑rate) 모델이 요구하는 별도 치유 파라미터(p)를 도입하지 않고, 하나의 파라미터 공간 확장을 통해 자동으로 치유 비율을 드러내는 ‘결함형’ 접근법을 채택한다는 점에서 혁신적이다. 마샬‑올킨 곰프츠(MOG) 분포는 기본 Gompertz 분포에 추가 파라미터 Υ를 도입해 위험률의 급격한 변화를 포착할 수 있으며, α 파라미터를 실수 전체로 허용하면 α < 0일 때 누적분포가 1이 되지 않아 ‘불완전’(defective) 상태가 된다. 이때 한계값 p = limₜ→∞ S(t) = Υ exp(μα)/(1‑(1‑Υ) exp(μα)) 로 표현되며, 추정된 α, μ, Υ값만으로 치유 비율을 직접 계산할 수 있다.

베이지안 추정에서는 ψα와 ψμ에 대한 정규 사전과 Υ에 대한 균등 사전을 설정하고, 사후분포는 닫힌 형태가 없으므로 Hamiltonian Monte Carlo(HMC)와 그 자동화 버전인 No‑U‑Turn Sampler(NUTS)를 활용한다. HMC는 로그 사후밀도와 그 그래디언트를 이용해 고차원 파라미터 공간을 효율적으로 탐색하므로, 전통적인 Metropolis‑Hastings보다 수렴 속도가 빠르고 자기상관이 낮다. 논문은 Stan 인터페이스를 통해 구현하고, 사전분포를 ‘vague’하게 지정해 데이터가 사후에 주도하도록 설계하였다.

시뮬레이션에서는 α가 양수(치유 없음)와 음수(치유 존재) 두 경우를 각각 1000번 반복해 추정 편향, 평균제곱오차, 95 % 신뢰구간 커버리지를 평가한다. 결과는 α < 0인 경우에도 모델이 정확히 p를 복원하고, 파라미터 추정이 일관성을 보임을 확인한다. 실제 데이터는 브라질 상파울루에서 수집한 고환암 환자  n = … 의 생존 정보를 사용했으며, 연령, 치료 여부, 암 단계 등 세 개의 공변량을 α와 μ에 각각 연결하였다. 베이지안 추정 결과, 연령이 높을수록 α가 감소해 치유 비율이 낮아지고, 치료를 받은 군에서 μ이 증가해 위험률이 감소함을 보여준다. 또한, 95 % 신뢰구간을 통해 각 공변량의 효과가 통계적으로 유의한지 판단할 수 있다.

이 모델의 장점은 (1) 별도의 혼합 파라미터 없이 치유 비율을 자동 검출, (2) 파라미터 수가 적어 추정이 간결, (3) 베이지안 프레임워크를 통해 불확실성을 정량화하고 사전지식을 유연하게 반영 가능하다는 점이다. 다만, 결함형 모델이 적용 가능하려면 α 파라미터가 실제로 음수 영역으로 이동해야 하는데, 이는 데이터에 충분한 장기 생존 관측치가 존재할 때만 현실적이다. 또한, Υ 파라미터를 고정하거나 공변량에 연결하지 않은 선택은 모델 유연성을 제한할 수 있다. 향후 연구에서는 Υ에 대한 회귀구조 도입, 다중 사건 데이터에 대한 확장, 그리고 비정규 사전분포를 통한 민감도 분석이 기대된다.