Producing treatment hierarchies in network meta-analysis using probabilistic models and treatment-choice criteria

기술 요약: 확률 모델 및 치료 선택 기준을 이용한 네트워크 메타 분석에서의 치료 계층 구조 생성

문제 제기
네트워크 메타 분석(NMA)은 여러 중재법 간의 상대적 치료 효과를 생성하지만, 이러한 출력값을 해석하여 치료 계층 구조를 확립하는 것은 여전히 어려운 과제로 남아 있다. $p_{BIV}$(최선인 치료법일 확률), P-score, SUCRA와 같은 기존의 순위 지표들은 명확한 해석력이 부족하며 불확실성을 충분히 고려하지 못하는 경우가 많다. 주요 비판 중 하나는 이러한 방법들이 임상적으로 무의별한 미세한 치료 효과 차이를 과도하게 강조하여, 성능이 통계적으로 구별 불가능함에도 불구하고 치료법 간에 서로 다른 순위를 부여한다는 점이다. 또한, 많은 지표가 무엇이 임상적으로 중요한 차이인지를 정의하는 "치료 선택 기준(Treatment-Choice Criterion, TCC)"을 명시적으로 포함하지 않아, 임상적 의사결정으로 적절히 이어지지 못하는 순위를 도출하기도 한다.

방법론
저자들은 사전 정의된 TCC와 확률적 순위 모델을 통합하여 치료 계층 구조를 생성하는 새로운 프레임워크를 제안한다. 이 방법론은 다음 두 가지 주요 단계로 진행된다:

1. 치료 선택 기준(TCC)의 정의:
   저자들은 최소 유효 차이(Smallest Worthwhile Difference, SWD)를 기반으로 TCC를 정의한다. 저자들은 SWD와 그 역수(또는 반대값)를 사용하여 범위(Range of Equivalence, ROE)를 구축한다. 임의의 치료법 $X$와 $Y$ 사이의 쌍별 비교 시:

• 치료 선호도($X > Y$ 또는 $Y > X$)는 NMA 추정치와 그 신뢰 구간 경계가 ROE 밖에 위치할 때만 확립된다(즉, 임상적으로 중요한 효과를 나타낼 때).
• 만약 증거가 ROE 내에 있다면, 두 치료법은 동등한 것(무승부, "tie")으로 간주된다.
• 이 과정은 연속적인 NMA 효과 추정치를 이산적인 선호 데이터(X 선호, Y 선호, 또는 무승부)로 변환한다.

2. 확률적 순위 모델:
   이러한 선호 데이터를 합성하기 위해, 저자들은 Bradley-Terry 모델(무승부를 포함하도록 Davidson이 확장한 모델)을 NMA 맥락에 맞게 조정하여 적용한다.

• 잠재 변수(Latent Parameter): 각 치료법 $X$에는 잠재적 "능력" 파라미터($\psi_X$)가 할당된다. 이는 주어진 TCC 하에서, 다른 치료법들에 비해 임상적으로 중요하고 유익한 진정한 치료 효과를 낼 가능성을 나타낸다.
• 모델 수식: 치료법 $X$가 $Y$보다 우수할 확률은 $\frac{\psi_X}{\psi_X + \psi_Y + \nu\sqrt{\psi_X\psi_Y}}$로 모델링되며, 여기서 $\nu$는 무승부의 빈도를 나타내는 섭동(nuisance) 파라미터이다.
• 추정: 파라미터는 빈도주의 프레임워크 내에서 최대 가능도 추정법(Maximum Likelihood Estimation, MLE)을 사용하여 추정된다. 표준 오차는 피셔 정보 행렬으로부터 점근적으로 도출된다.
• 출력: 모델은 절대적 능력 추정치($\hat{\psi}_X$)와 정규화된 확률($\hat{\pi}_X$)을 산출하며, 이는 해당 치료법이 모든 치료법 중 가장 높은 진정한 능력을 가질 확률을 나타낸다.

주요 기여

• 임상적 관련성 통합: 본 프레임워크는 순위를 매기기 전 SWD를 통해 임상적으로 유의미한 TCC를 명시적으로 통합함으로써, 선호를 정당화하는 효과만이 계층 구조에 영향을 미치도록 보장한다.
• 불확실성 및 무승부 처리: 신뢰 구간을 기준으로 선호/무승부 데이터를 변환함으로써, 이 방법은 불확실성을 자연스럽게 반영한다. 신뢰 구간이 SWD와 관련하여 겹치는 치료법들은 무승부로 처리되어, 미미한 차이를 가진 치료법들 사이에 인위적인 순위 분리가 발생하는 것을 방지한다.
• 불확실성 측정을 동반한 확률적 해석: 기존의 일부 지표와 달리, 이 접근 방식은 능력 추정치에 대한 표준 오차를 제공하여 순위 위치에 대한 불확실성을 정량화할 수 있게 한다.
• 소프트웨어 구현: 저자들은 이 방법의 적용을 용이하게 하기 위해 R 패키지인 mtrank를 개발하여 공개하였다.

결과
저자들은 두 가지 임상 사례 연구와 153개의 발표된 네트워크에 대한 경험적 조사를 통해 방법을 검증하였다.

1. 주요 우울 장애에 대한 항우울제 (18개 치료법):

• 이 네트워크에서는 효과 크기가 가장 큰 치료법(Vortioxetine)이 가장 큰 표준 오차를 가졌다.
• 전통적인 지표($p_{BIV}$, P-scores)는 Vortioxetine을 1위로 선정했다.
• 제안된 방법은 1.20의 SWD를 적용했을 때, Escitalopram을 1위로, Vortioxetine을 공동 2위로 선정하는 더 보수적인 계층 구조를 도출했다. 이는 Vortioxetine 추정치의 SWD 대비 불확실성을 반영한 결과였다.
• 민감도 분석 결과, SWD가 증가함에 따라(더 큰 효과를 요구함에 따라) Vortioxetine이 1위로 선정될 확률이 높아졌으며, 이는 방법론이 임상적 임계값에 반응함을 보여준다.

2. 고혈압 및 당뇨병 발생 (6개 치료법):

• 이 네트워크는 정밀도가 높았다(낮은 표준 오차).
• 제안된 방법은 기존 지표(P-scores, PReTA, $p_{BIV}$)와 완벽하게 일치하여, ARB를 1위, ACE를 2위로 선정하였다.
• 이는 NMA 추정치가 정밀하고 분산이 유사할 때, 제안된 방법이 기존의 접근 방식과 일치함을 확인시켜 준다.

3. 경험적 연구 (153개 네트워크):

• 제안된 능력 기반 지표는 P-scores, SWD 조정 P-scores, PReTA와 강한 상관관계(중앙값 > 0.90)를 보였다.
• $p_{BIV}$와의 상관관계는 중간 정도(중앙값 ~0.65)였다.
• 불확실성의 영향: 제안된 방법과 타 방법 간의 일치도는 정밀도가 높고 분산 범위가 낮은 네트워크에서 가장 높았다. NMA 추정치의 평균 분산이 증가할수록 상관관계가 감소하였는데, 이는 불확실성이 높고 차이가 작을 때 제안된 방법이 다른 방법들과 차이를 보임을 강조한다.

의의 및 주장
본 논문은 미세한 차이에 대한 과잉 해석을 완화하는 NMA 치료 순위 산출의 가치 있는 대안을 제공한다고 주장한다. TCC를 사전에 정의하도록 함으로써, 이 프레임워크는 연구자들이 계층 구조를 생성하기 전에 특정 임상 맥락에서 무엇이 "최선"의 치료인지 명시적으로 고려하도록 강제한다. 저자들은 이 방법이 NMA의 상대적 효과 보고를 대체하는 것이 아니라, 의사결정을 돕는 도구임을 강조한다.

본 방법의 의의는 다음과 같은 계층 구조를 생성하는 데 있다:

1. 임상적으로 유의미함: 효과가 중요성 임계값을 초과하는지에 기초함.
2. 강건함: 신뢰 구간이 겹치는 치료법에 별도의 순위를 부여할 가능성이 낮음.
3. 투명함: 순위 자체의 불확실성을 정량화하기 위한 표준 오차를 동반함.

저자들은 SWD의 정의에 어느 정도 주관성이 개입될 수 있으나, 본 프레임워크가 다양한 SWD 값에 대한 민감도 분석을 허용하여 다양한 임상적 가정 하에서의 치료 계층 구조를 더욱 미묘하게 이해할 수 있게 한다고 결론짓는다. 저자들은 이 접근 방식이 불확실성이 증가하거나 특정 임상 결정 규칙이 매우 중요한 네트워크에서 특히 유용하다고 보고 있다.