기술 요약: N-of-1 임상시험을 위한 인과 추론

문제 제기

무작위 대조 시험(RCT)에서의 전통적인 인과 추론 접근 방식은 모집단 내의 평균 인과 효과를 추정하는 데 초점을 맞춥니다. 그러나 개인화된 의료의 부상은 이러한 접근 방식의 한계를 부각시켰습니다. 왜냐로 개인은 종종 이질적인 반응을 보이고, 고유한 선호도를 가지며, 기존의 모집단 수준 RCT의 선정 기준을 충족하지 못할 수도 있기 때문입니다. N-of-1 임상시험은 단일 개인이 순차적인 기간 동안 치료와 대조군을 번갈아 받는 개인 내 교차 설계(within-person crossover trials)로 정의되며, 개인 특이적 인과 효과를 식별하기 위한 잠재적 해결책을 제공합니다.

이러한 직관적인 매력에도 불구하고, N-of-1 임상시험의 분석과 해석은 방법론적으로 복잡합니다. 무작위 배정의 역할, 혼란 변수 처리(특히 자기상관 및 이월 효과), 그리고 적절한 인과적 추정치(estimands)에 대한 혼란이 존재합니다. 기존 문헌은 상충되는 견해를 제시해 왔습니다. 어떤 이들은 무작위 배정이 인과 추론 방법의 필요성을 제거한다고 주장하는 반면, 다른 이들은 무작위 설계라 할지라도 자기상관과 이월 효과를 반드시 고려해야 한다고 주장합니다. 본 논문은 직관적인 주장을 뒷받침할 수 있는 정교한 인과 추론 프레임워크를 구축하고, 명확한 추정치를 정의하며, 단일 N-of-1 임상시험을 위한 식별 및 추정 전략을 확립하기 위해 이 문제를 다룹니다.

방법론

프레임워크 및 표기법

저자들은 구조적 인과 모델(SCM)과 반사실적 추론(counterfactual reasoning)에 기반한 공식적인 인과 추론 프레임워크를 채택합니다. 저자들은 N-of-1 임상시험을 기초 시점에 치료 일정 $Z$가 할당되어 시간에 따라 주기적으로 반복되는 연구로 정의합니다. 시간 $k$에서의 치료 상태 $A_k$는 $Z$의 결정론적 함수입니다. 분석은 단일 개인에 집중하며, 이 개인은 근사적으로 무한한 초모집단(superpopulation)에서 추출된 표본으로 간설됩니다. 이를 통해 개인 특이적 인과 효과를 정의할 수 있습니다.

인과 모델

본 논문은 두 가지 주요 인과 모델을 개발합니다:

1. 기본 시나리오 (The Basic Scenario):

   • 가정: 결과 $Y_k$는 구조 방정식 $Y_k = f^Y(A_k, U, \epsilon_k)$에 의해 생성됩니다. 여기서 $U$는 측정되지 않은 개인 특이적 특성(기초 공변량)을 나타내며, $\epsilon_k$는 시간에 따라 변하는 노이즈입니다.
   • 주요 제약: 이 모델은 이월 효과(시간 $k$에서의 치료가 $k' > k$에서의 결과에 영향을 미치지 않음), 결과-결과 효과, 그리고 시간이 지남에 따라 분포가 변하는 결과의 시변 공통 원인이 없음을 가정합니다.
   • 정상성 (Stationarity): $U$가 주어졌을 때 반사실적 결과의 분포가 시간에 따라 일정하다는 강한 조건부 정상성을 가정합니다.

2. 완화된 인과 모델 (The Relaxed Causal Model):

   • 동기: 이월 효과, 자기상관, 시간적 추세와 같이 임상 현장에서 흔히 발생하는 정상성 위협을 해결하기 위함입니다.
   • 구조: 이 모델은 이전의 치료, 이전의 결과, 그리고 이전의 공변량 상태에 의해 영향을 받을 수 있는 시변 공변량 $L_k$(예: 환경적 요인, 생리적 상태)를 도입합니다. 결과 $Y_k$는 $A_k, Y_{k-1}, L_k, L_{k-1}$ 및 개인 특이적 변수 $U$에 의존합니다.
   • 가정: 강한 정상성은 완화되었으나, 모델은 규칙성 제약을 부과합니다. 즉, $L_k$와 $Y_k$를 생성하는 함수 형태는 시간에 따라 변하지 않으며, 노이즈 분포는 정상성을 유지합니다. 또한 직접적 및 간접적 이월 효과와 결과-결과 의존성을 허용합니다.

식별 및 추정

• 대상 추정치 (Target Estimand): 본 논문은 U-CATE(U에 대한 조건부 평균 처치 효과)를 주요 추정치로 정의합니다. 이는 특정 개인에 대해 "항상 치료받는" 전략과 "결코 치료받지 않는" 전략 사이의 기대 반사실적 결과 차이를 나타냅니다.
• 기본 시나리오 추정: 기본 모델 하에서 U-CATE는 관찰된 결과 중 치료 기간과 대조 기간 사이의 단순 평균 차이에 의해 식별됩니다. 저자들은 이 단순 차이가 편향되지 않고 점근적으로 정규 분포를 따르는 추정량임을 증명합니다.
• 완화된 모델 추정: 완화된 모델 하에서는 이월 효과와 시간적 추세로 인해 단순 평균 차이가 편향됩니다. 저자들은 특정 조건(예: $P(Y_k | A_k, Y_{k-1}, L_k, L_{k-1}, U)$와 같은 직접적 원인에 대한 조건부 분포)을 만족할 때, **종단적 g-formula(longitudinal g-formula)**를 사용하여 U-CATE를 식별할 수 있음을 보여줍니다.
• 무작위 배정의 역할: 저자들은 이러한 설정에서 식별을 위해 치료 일정의 무작위 배정이 엄격하게 필수적인 것은 아니라고 주장합니다. 왜냐하면 추론이 개인의 특성($U$)과 특정 일정($Z$)에 조건부로 이루어지기 때문입니다. 무작위 배정은 주로 시간 지점이나 서로 다른 일정에 대해 주변적 추론(marginal inference)을 하고자 할 때 교환 가능성(exchangeability)을 보장하는 역할을 하지만, 핵심적인 개인 특이적 추론은 구조적 가정과 정상성 조건에 의-존합니다.

주요 결과

1. N-of-1 추론의 공식화: 본 논문은 N-of-1 임상시험을 초모집단 프레임워크 내에서 성공적으로 공식화하여, U-CATE를 엄격한 개인 특이적 인과 효과로 정의했습니다.
2. 단순 추정량의 타당성: "기본 시나리오"(이월 효과나 시간적 추세가 없는 경우)에서 단순 비대칭 평균 차이는 U-CATE에 대한 유효하고 편향되지 않은 추정량입니다. 이는 특정 N-of-1 맥락에서 단순 t-검정을 사용하는 것에 대한 이론적 근거를 제공합니다.
3. 복잡성 하에서의 식별: 이월 효과, 자기상관 및 시변 혼란 변수가 포함된 더 현실적인 설정에서도, 특정 정상성 조건이 충족되고 충분한 데이터(반복되는 주기)가 확보된다면 g-formula를 통해 U-CATE가 여전히 식별 가능하다는 것을 입증했습니다.
4. 데이터 적용: 저자들은 여드름 심각도에 관한 두 건의 N-of-1 임상시험 공공 데이터를 사용하여 방법론을 적용했습니다.
   • 기본 모델 하에서, 한 참가자는 유의미한 치료 효과를 보였으나 다른 한 명은 그렇지 않았습니다.
   • 완화된 모델(시간대, 온도 및 잠재적 이월 효과를 고려) 하에서, g-computation 알고리즘은 두 번째 참가자에게는 유리한 치료 효과를 확인했으나, 첫 번째 참가자에 대해서는 효과의 증거를 찾지 못했습니다.
   • 이 적용 사례는 데이터 생성 과정에 대한 가정이 어떻게 서로 다른 분석 전략과 결과로 이어지는지를 보여주며, 모델 명세(specification)의 중요성을 강조합니다.

의의 및 주장

본 논문은 N-of-1 임상시험의 분석을 위해 임시방편적인 통계적 접근 방식을 넘어, 필요한 이론적 토대를 제공한다고 주장합니다. 엄격한 인과 프레임워크에 N-of-1 임상시험을 결합함으로써 저자들은 다음을 목표로 합니다:

• 단일 피험자 설계에서 무작위 배정의 필요성과 혼란 변수 처리에 관한 오해를 바로잡습니다.
• 특정, 잘 정의된 시나리오에서 단순 추정량의 사용을 정당화합니다.
• 이월 효과와 시간적 추세가 존재하는 복잡한 N-of-1 임상시험을 분석하기 위한 엄격한 경로(g-formula를 통한)를 제공합니다.
• N-of-1 임상시험의 결과는 개인에게 특이적이지만(일반화의 한계), 일련의 N-of-1 임상시험을 집계하면 특정 가정(예: U에 의한 효과 수정이 없음) 하에서 모집단 수준의 평균 처치 효과를 효율적으로 추정할 수 있음을 밝힙니다.

저자들은 결과의 타당성이 기저의 인과적 가정(예: 정상성, 올바른 모델 명세)의 타당성에 크게 의존한다는 점을 인정하며 신중한 입장을 유지합니다. 그들은 이 프레임워크가 개인 효과의 식별을 허용하지만, 결과를 미래의 시점이나 다른 개인에게 전이(transportability)하는 문제는 개인화된 의료의 본질적인 과제로 남아 있다고 언급합니다.