두 코호트 위상Ⅱ 임상시험을 위한 베이지안 독성 모니터링: 이변량 베타 사전분포 활용

본 연구는 위상Ⅱ 임상시험에서 두 코호트를 동시에 모니터링하기 위한 새로운 베이지안 방법론을 제시한다. 기존에는 두 코호트를 각각 독립적으로 모니터링하거나, 두 코호트를 하나의 군으로 합쳐서 모니터링하는 두 가지 접근법이 주로 사용되었다. 전자는 코호트 간의 유사성을 활용하지 못하고, 후자는 코호트 간 이질성을 무시한다는 한계가 있다. 이를 보완하고자 저자는 코호트 간 독성 비율이 어느 정도 상관관계를 가질 것이라는 사전 기대를 명시적으로 모델링한다. 먼저, 단일 코호트에 대한 베이지안 독성 모니터링을 복습한다. 독성 결과 Xᵢ는 베르누이(θ) 를 따르고, 사전은 베타(a,b) 로 설정한다. 관측된 k개의 독성 사건에 대해 사후는 베타(k+a, n−k+b) 가 되며, 사후 평균은 (k+a)/(n+a+b) 로 해석된다. 정지 기준은 사후 확률 P(θ ≥ θ₀) 가 미리 정한 임계값 τ 를 초과하면 독성 과다로 판단한다. 다음으로, 이변량 베타 분포를 소개한다. Olkin 등(1995)이 제시한 이변량 베타는 네 개의 Dirichlet 파라미터 α₁₁, α₁₀, α₀₁, α₀₀ 로 정의되며, X=U₁₁+U₁₀, Y=U₁₁+U₀₁ 로 구성된다. 이때 X와 Y는 각각 베타(α₁₊, α₀₊) 와 베타(α₊₁, α₊₀) 를 따르고, 상관계수 ρ는 파라미터들의 조합으로 표현된다. 이 분포는 두 확률 변수 사이의 전 범위(−1~1) 상관을 허용한다. 본 논문은 위 이변량 베타를 두 코호트의 독성 확률 θ₁, θ₂ 의 사전분포로 채택한다. 관측 데이터는 각각 Binomial(n₁,θ₁) 와 Binomial(n₂,θ₂) 로 가정한다. 사후분포는 식 (6) 에서와 같이 복잡하지만, 정리 1에 의해 이변량 베타 혼합 형태로 전개된다. 혼합 구성요소는 네 개의 잠재적 결과군(양쪽 코호트 모두 독성, 코호트1 전용, 코호트2 전용, 전혀 독성 없음) 에 대한 가상의 환자 수 (x₁,x₂,y₁,y₂) 로 정의되며, 각 구성요소는 베타(α+z) 로 표현된다. 가중치 w(x₁,x₂,y₁,y₂) 는 사전 파라미터와 관측 카운트(k₁,k₂) 에 의해 결정된다. 실제 모니터링에 필요한 것은 각 코호트의 주변 사후분포이다. 정리 2에 따르면 θ₁ 의 사후는 베타 혼합분포 Σ_{y=0}^{n₂} g₁(y)·Beta(α₁₊+k₁+n₂−y, α₀₊+n₁−k₁+y) 로, θ₂ 역시 유사하게 표현된다. 여기서 g₁(y), g₂(x) 는 혼합 가중치를 나타내는 함수이며, 상세 식은 부록에 있다. 이러한 형태를 이용하면 초과 확률 P(θᵢ > θ₀ᵢ | 데이터) 를 베타 생존함수의 가중합으로 정확히 계산할 수 있다(식 10). 따라서 정지 판단은 “초과 확률 > τ” 인 경우에만 수행된다. 사전 파라미터 설정은 직관적인 방식으로 제시된다. 연구자는 각 코호트의 기대 독성 평균(p₁, p₂), 전체 유효 표본 크기(ESS), 그리고 사전 상관계수(ρ) 를 지정한다. 이 세 변수로부터 α₁₁, α₁₀, α₀₁, α₀₀ 를 식 (9) 로 역계산한다. 예를 들어, p₁=p₂=0.2, ESS=3, ρ=0.5 일 때, α₁₁≈0.84, α₁₀≈0.36, α₀₁≈0.36, α₀₀≈1.44 가 된다. 이렇게 하면 사전이 코호트 간 유사성을 반영하면서도 충분히 유연하게 설정된다. 논문은 세 가지 모니터링 전략을 비교한다. (1) 독립 모니터링: 각 코호트를 별도의 베타 사후(α₁₁+α₁₀, α₀₁+α₀₀ 등) 로 처리한다. (2) 풀링 모니터링: 두 코호트를 하나의 군으로 합쳐 평균 사전(α 평균) 로 베타 사후를 만든다. (3) 연관(제안) 모니터링: 위에서 설명한 이변량 베타 사후를 사용한다. 동일한 설정(θ₀₁=θ₀₂=0.2, ESS=3, ρ=0.5, τ=0.98) 하에 정지 경계표를 제시한다. 표 2에 따르면, 독립 모니터링은 코호트1에 5개의 독성 사건이 있으면 정지하지만, 풀링 모니터링은 6개가 필요하다. 연관 모니터링은 5~6개 사이의 중간값을 제공한다(예: 5개에서 정지, 6개에서는 정지). 이는 코호트 간 차이를 어느 정도 인정하면서도, 완전 풀링보다 더 보수적인 결정을 가능하게 한다. 운영특성(Ⅰ형 오류, 기대 샘플 수, 기대 독성 사건 수 등)은 시뮬레이션이 아닌 정확한 재귀식(식 13) 으로 계산한다. kᵢ와 nᵢ가 독립이므로 P(k₁,k₂|n₁,n₂)=P(k₁|n₁)·P(k₂|n₂) 이며, 베르누이 성공 확률 θᵢ 를 이용해 P(kᵢ+1|nᵢ+1) 를 재귀적으로 구한다. 이렇게 얻은 사전-사후 결합 확률과 정지 경계 초과 확률을 곱해 전체 확률을 합산하면, 각 전략에 대한 정확한 빈도주의 특성을 도출할 수 있다. 저자는 이를 통해 연관 모니터링이 독립 모니터링보다 평균 샘플 수는 약간 늘어나지만, 과도한 독성 발생을 더 빨리 탐지함을 보인다. 반면 풀링은 샘플 수는 가장 적지만, 실제 코호트 간 차이가 있을 경우 위험을 과소평가한다. 결론적으로, 이 논문은 두 코호트 위상Ⅱ 임상시험에서 안전성을 유지하면서도 효율적인 진행을 가능하게 하는 베이지안 프레임워크를 제공한다. 사전 파라미터를 직관적인 평균, ESS, 상관계수로 설정하고, 사후를 베타 혼합으로 정확히 계산함으로써, 독립·풀링 두 극단 사이의 절충점을 제공한다. 또한 정밀한 운영특성 계산 방법을 제시해, 규제기관 및 임상 연구자가 설계 단계에서 신뢰성 있는 검증을 수행하도록 돕는다.