Rethinking the Win Ratio: A Causal Framework for Hierarchical Outcome Analysis

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 임상 시험에서 치료 효과를 평가할 때, 단일 지표가 아닌 복잡하고 다차원적인 결과 (예: 사망, 뇌졸중, 입원 등) 를 다루는 경우가 많습니다. FDA 는 이러한 계층적 다변량 결과를 분석하기 위해 Win Ratio (승률) 및 Generalized Pairwise Comparisons (일반화된 쌍별 비교) 방식을 권장하고 있습니다.
• 기존 방법의 한계:
  • 기존 Win Ratio 및 Net Benefit 추정은 무작위 대조 시험 (RCT) 이나 관찰 데이터에서 **전체 인구집단 수준 (Population-level)**의 추정량 (estimand) 을 목표로 합니다. 즉, 무작위로 선택된 치료군 환자 $i$와 대조군 환자 $j$를 비교하여 $Y_i(1) > Y_j(0)$일 확률을 추정합니다.
  • 문제점: 이 인구집단 수준의 추정량은 이질적인 (heterogeneous) 인구집단에서 **개별 환자 수준 (Individual-level)**의 이상적인 치료 효과 (특정 개인이 치료를 받았을 때 받지 않았을 때보다 더 나은 결과를 얻을 확률, $P(Y_i(1) > Y_i(0))$) 와 모순될 수 있습니다.
  • 예시: 특정 하위 집단에서는 치료가 유익하지만 다른 집단에서는 해로울 때, 전체 인구집단 수준의 비교 (완전 쌍별 비교, Complete Pairings) 는 소수에게만 유익한 치료를 전체적으로 유익한 것으로 잘못 판단할 수 있습니다. 이는 Hand's Paradox와 유사한 현상을 일으켜 치료 권고 사항을 완전히 반대로 바꿀 수 있습니다.
• 핵심 질문: Win Ratio 분석 시 어떤 인과적 추정량 (Causal Estimand) 을 목표로 해야 하며, 이를 어떻게 식별 가능하고 견고하게 추정할 수 있을까요?

2. 주요 방법론 (Methodology)

저자는 새로운 인과적 프레임워크를 제안하며, 크게 세 가지 단계로 구성됩니다.

2.1 새로운 인과적 추정량 (Causal Estimand) 정의

• 기존 추정량:
  • 이상적 개인 수준: $\tau_{indiv} = P(Y_i(1) > Y_i(0))$ (식별 불가, Counterfactual 동시 관찰 불가).
  • 기존 인구집단 수준: $\tau_{pop} = P(Y_i(1) > Y_j(0))$ (식별 가능하지만 이질성에 취약).
• 제안된 추정량 ($\tau^\star$):
  • 정의: 공변량 (Covariates) $X$가 동일한 두 독립적인 환자 $i$와 $j$를 비교합니다.
    $$\tau^\star = E [ w(Y_i(1), Y_j(0)) | X_i = X_j ]$$
    여기서 $w$는 승 함수 (Win function) 입니다.
  • 특징:
    • 식별 가능 (Identifiable): 공변량이 주어졌을 때 관찰된 데이터로 식별 가능합니다.
    • 개인 수준 (Individual-level): 공변량 조건부 평균의 평균으로, 인구집단 구성에 의존하지 않는 개인화된 효과를 반영합니다.
    • 축소성 (Collapsible): $\tau^\star = E[\tau^\star(X)]$로 정의되어 조건부 효과의 평균으로 해석됩니다.

2.2 추정 전략 (Estimation Strategies)

1. 매칭 기반 접근 (Matching-based):

   • 근접 이웃 매칭 (Nearest-Neighbor, NN): 각 치료군 환자를 공변량 $X$가 가장 유사한 대조군 환자와 짝짓는 방식입니다.
   • 이론적 결과: RCT 및 관찰 데이터 모두에서 NN 매칭은 제안된 $\tau^\star$의 일관된 추정량 (Consistent Estimator) 을 제공합니다. 반면, 완전 쌍별 비교 (Complete Pairings) 는 $\tau_{pop}$를 추정합니다.
   • 한계: 고차원 데이터에서는 차원의 저주 (Curse of Dimensionality) 로 인해 수렴 속도가 느리고, 결측치 처리에 취약합니다.

2. 분포 회귀 및 반모수적 추정 (Distributional Regression & Semi-parametric):

   • 분포 회귀 (Distributional Regression): 조건부 분포 $P(Y|X, T)$를 학습하여 nuisance parameter(교란 변수) 함수를 추정합니다. **Distributional Random Forests (DRF)**를 사용하여 다차원 결과와 결측치를 처리합니다.
   • 효율적 영향 함수 (Efficient Influence Function, EIF) 보정: Plug-in 추정량의 편향을 보정하기 위해 1-step EIF 추정량을 도입합니다.
     • 장점: 분포 회귀 모델의 오차 (편향) 에 대해 **이중 강건성 (Double Robustness)**을 가지며, 반모수적 효율성 (Semi-parametric efficiency) 을 달성하여 최소 분산을 가집니다.

3. 주요 기여 (Key Contributions)

1. 새로운 인과적 추정량 제안: 계층적 결과 분석을 위해 식별 가능하면서도 개인 수준에 가까운 새로운 추정량 $\tau^\star$를 수학적으로 정의하고, 기존 인구집단 추정량과의 차이를 명확히 했습니다.
2. 매칭과 인과 추론의 통합: Win Ratio 계산에 사용되는 '쌍 (Pair)' 형성 방식 (완전 쌍별 vs 근접 이웃) 이 추정하는 인과적 대상이 근본적으로 다름을 증명했습니다. 특히 근접 이웃 매칭이 $\tau^\star$를 추정함을 이론적으로 입증했습니다.
3. 고차원 및 결측치 대응 알고리즘 개발: 전통적인 매칭의 한계를 극복하기 위해 분포 회귀 (Distributional Random Forests) 와 EIF 보정을 결합한 새로운 추정 방법을 제시했습니다. 이는 고차원 공변량과 결측치가 있는 실제 데이터에서도 적용 가능합니다.
4. 실증 분석 (CRASH-3 임상 시험): 외상성 뇌손상 (TBI) 환자를 대상으로 한 대규모 RCT 데이터 (CRASH-3) 에 적용하여, 기존 방법 (완전 쌍별) 은 유의미하지 않은 결과를 보인 반면, 제안된 방법 (NN 및 EIF) 은 통계적으로 유의미한 치료 효과 (또는 무효) 를 발견할 수 있음을 보여주었습니다.

4. 실험 결과 (Results)

• 시뮬레이션:
  • 결과 차원 증가: 결과 변수의 차원이 증가해도 제안된 분포 회귀 및 EIF 추정량은 견고하게 작동했습니다.
  • 공변량 차원 증가: 공변량 차원이 커질수록 전통적인 근접 이웃 (NN) 매칭은 편향이 발생했으나, EIF 보정 추정량은 편향 없이 일관된 추정을 보여주었습니다.
  • 모델 오설정 (Mis-specification): 분포 회귀 모델이 오설정되었을 때에도 EIF 추정량은 편향을 보정하여 견고한 성능을 유지했습니다.
• CRASH-3 임상 시험 적용:
  • 데이터: 12,000 명 이상의 외상성 뇌손상 환자 데이터 (TXA 치료 vs 위약).
  • 결과:
    • 전통적인 Win Ratio (완전 쌍별) 및 층화 (Stratified) 방식: 치료 효과가 통계적으로 유의하지 않음 (신뢰구간이 1 포함).
    • 제안된 방법 (NN, DRF, EIF): 치료 효과가 통계적으로 유의하게 나타남 (신뢰구간이 1 미만의 영역).
    • 해석: 제안된 방법은 이질적인 환자 집단에서 특정 하위 집단의 혜택을 더 잘 포착하여, 기존 방법으로는 놓칠 수 있는 치료 효과를 발견하거나 반대로 치료의 비효율성을 명확히 했습니다.

5. 의의 및 결론 (Significance)

• 임상적 의사결정의 정확성 향상: Win Ratio 분석 시 단순히 모든 환자를 무작위로 짝짓는 것이 아니라, **공변량을 기반으로 유사한 환자를 비교 (매칭/층화)**해야 함을 강조합니다. 이는 이질적인 인구집단에서 잘못된 치료 권고 (False Positive/Negative) 를 방지합니다.
• 방법론적 혁신: Win Ratio 분석을 단순한 기술 통계가 아닌, 엄밀한 인과 추론 프레임워크로 재정의했습니다.
• 실용성: 제안된 방법 (특히 분포 회귀 및 EIF 기반) 은 복잡한 다차원 데이터, 결측치, 고차원 공변량을 처리할 수 있어 실제 임상 시험 및 관찰 연구에 바로 적용 가능합니다.
• 결론: 인구집단 이질성이 존재하는 경우, Win Ratio 분석을 수행할 때는 **개별 환자 수준의 식별 가능한 추정량 ($\tau^\star$)**을 목표로 해야 하며, 이를 위해 근접 이웃 매칭 또는 분포 회귀 기반의 반모수적 추정을 사용해야 합니다.

이 논문은 복잡한 임상 결과 분석에서 통계적 방법론의 선택이 어떻게 치료 권고 사항에 결정적인 영향을 미칠 수 있는지를 보여주며, 보다 정교하고 개인화된 인과 추론의 필요성을 강조합니다.