Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
이 논문은 효과 수정(effect modification)과 비붕괴성(non-collapsibility)의 결합된 존재가 어떻게 주변 추정치(marginal estimands)와 조건부 추정치(conditional estimands) 간에 상충하는 치료 순위를 유발할 수 있는지 검토하며, 대상 모집단에 대한 두 유형의 추정치를 모두 생성하기 위해 다수준 네트워크 메타 회귀를 활용하는 의사결정을 위한 실질적인 권고 사항을 제공한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
의료 분야에서 의사와 정책 입안자들은 특정 집단에게 어떤 치료법이 가장 효과적인지 결정해야 하는 지속적인 과제에 직면해 있습니다. 그들은 답을 찾기 위해 정교하게 통제된 실험인 임상 시험에 의존합니다. 하지만 사람들은 모두 같지 않습니다. 어떤 이들은 질병의 중증 형태를 띠고, 어떤 이들은 경미한 형태를 띠며, 또 어떤 이들은 신체가 약물에 반응하는 방식을 변화시키는 특정 생물학적 표지를 가지고 있습니다. 이러한 요인이 치료 효과를 변화시킬 때, 과학자들은 이를 "효과 수정(effect modification)"이라고 부릅니다. 특정 유형의 환자에게는 효과가 탁월하지만 다른 유형에게는 거의 도움이 되지 않는다면, 전체 집단을 위한 최선의 선택은 그 집단에 누가 포함되어 있는지에 달려 있다는 것은 잘 알려진 사실입니다.
이러한 결정을 내리기 위해 연구자들은 종-종 더 명확한 그림을 얻고자 여러 임상 시험의 데이터를 결ền합합니다. 그러나 이를 복잡하게 만드는 수학적 특이점이 있습니다. 치료의 성공을 측정할 때, 과학자들은 흔-히 한 그룹에서 사건이 발생할 가능성을 다른 그룹과 비교하는 오즈비(odds ratio)나 위험비(hazard ratio)와 같은 비율을 사용합니다. 이러한 척도는 "비가법적(non-collapsible)"인데, 이는 기술적으로 전체 집단에 대한 평균 결과가 그 안의 개인들의 결과를 단순히 가중 평균한 것이 아님을 의미합니다. 이 때문에 평균을 계산하는 방식이 중요해집니다. 개인별 효과를 살펴보고 그 효과들을 평균하여 평균을 계산할 수도 있고, 전체 집단의 전체 사건 발생률을 살펴보고 이를 비교하여 평균을 계산할 수도 있습니다. 보통 이 두 방법은 약간 다른 수치를 제시하지만, 일반적으로 어떤 치료가 더 나은지에 대해서는 의견이 일치합니다.
데이비드 필리포(David Phillippo)와 그의 동료들이 발표한 새로운 논문은 이러한 합의가 반드시 보장되는 것은 아님을 밝혀냈습니다. 연구진은 효과 수정이 존재할 때, 이 두 가지 평균 계산 방식이 완전히 상반된 결론으로 이어질 수 있음을 보여줍니다. 한 방법은 전체 인구에게 가장 좋은 평균 혜택을 주는 치료가 무엇인지 묻는 반면, 다른 방법은 전체 인구에서 총 나쁜 사건(bad events)이 가장 적게 발생하는 치료가 무엇인지 묻습니다. 한 방법은 A라는 치료가 전체 인구에게 최선이라고 제안할 수 있는 반면, 다른 방법은 B라는 치료가 더 우수하다고 제안할 수 있습니다. 효과 수정이 존재할 때, 이 두 질문에 대한 답은 서로 달라질 수 있습니다. 효과가 특정 유형의 환자들 사이에서 크게 달라질 때, 이 두 질문의 답은 갈라질 수 있습니다.
저자들은 일련의 시뮬레이션을 통해 이 갈등을 설명합니다. 한 시나리오에서 그들은 특정 바이오마커가 어떤 이들에게는 치료를 매우 효과적으로 만들고 다른 이들에게는 덜 효과적으로 만드는 인구 집단을 모델링했습니다. 개인의 관점에서 평균 혜ận을 계산했을 때, 데이터는 한 약물을 명확한 승자로 지목했습니다. 그러나 집단 전체의 전체 사건 발생률을 계산했을 때는 다른 약물이 최선인 것처럼 나타났습니다. 이 구체적인 예시에서, 총 나쁜 사건을 최소화하는 약물을 선택하는 것은 인구의 75%가 개인적으로는 자신에게 열등한 치료를 받게 된다는 것을 의미했습니다. 반대로, 평균적인 개인에게 가장 좋은 약물을 선택하는 것은 전체 인구에서 더 많은 총 나쁜 사건을 초래할 것입니다.
이 발견은 인구 집단에 대해 항상 단 하나의 "최선"의 치료법이 존재한다는 일반적인 가정에 도전합니다. 연구진은 이러한 갈등이 각기 다른 치료법에 대한 사건 발생 확률을 나타내는 수학적 곡선들이 서로 교차하기 때문에 발생한다고 주장합니다. 만약 어떤 치료가 한 하위 집단에는 더 좋지만 다른 하위 집단에는 더 나쁘다면, 이 하위 집단들이 혼합되었을 때 전체 평균은 순위를 뒤바꿀 수 있습니다. 이는 생존 시간과 같은 사건 발생 시간(time-to-event) 결과에서 특히 관련이 깊은데, 치료 효과를 변화시키지 않는 환자의 특성이라 할지라도 그 존재 자체가 시간이 지남에 따라 평균 위험도를 변화시킬 수 있기 때문입니다.
또한 논문은 연구 집단 간의 차이를 조정하기 위해 현재 사용되는 도구들을 검토합니다. 매칭 조정 간접 비교(matching-adjusted indirect comparison)와 시뮬레이션된 치료 비교(simulated treatment comparison)와 같은 방법들은 특정 대상 인구에 맞춰 임상 시험 결과를 조정하는 데 널리 사용됩니다. 그러나 저자들은 이러한 방법들이 원래 연구의 인구 집단에만 국한된 추정치를 생성하며, 서로 다른 특성을 가진 새로운 인구 집단으로 쉽게 옮겨질 수 없음을 보여줍니다. 그들은 다수준 네트워크 메타 회귀(multilevel network meta-regression)를, 어떤 대상 인구에서도 두 가지 유형의 추정치(개인 및 집단용)를 모두 생성할 수 있는 유일한 현재의 접근법으로 식별했습니다.
궁극적으로 저자들은 의사 결정자들이 선택을 내릴 때 단 하나의 수치에만 의존하는 것을 멈출 것을 권고합니다. 대신, 개인 수준과 집단 수준의 추정치를 모두 살펴봐야 합니다. 만약 두 방법이 최선의 치료법에 대해 일치한다면, 결정은 간단합니다. 만약 두 방법이 불일치한다면, 이는 해당 인구가 균일하지 않으며 모두를 위한 단일한 결정이 차선책이 될 수 있음을 시사합니다. 이러한 경우, 최선의 조치는 인구를 하위 집단으로 나누고 각 집단에 서로 다른 치료법을 배정하는 것일 수 있습니다. 이러한 접근 방식은 환자들이 다수의 이익을 위해 타협된 선택을 강요받는 대신, 자신의 특성에 가장 적합한 치료를 받을 수 있도록 보장합니다. 논문은 효과 수정이 존재할 때 개인의 이익을 극대화하는 것과 전체의 해악을 최소화하는 것 사이의 갈등을 해결하는 유일한 방법은 하위 집단을 식별하는 어려운 통계적 작업임을 강조하며 마무리됩니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.