Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

기술적 요약: 결측된 자격 기준을 가진 포인트 노출에 대한 EHR 기반 연구의 강건한 인과 추론

문제 제기
전자 건강 기록 (EHR) 데이터베이스는 관찰 연구에 있어 무작위 임상 시험의 가치 있는 대안을 제공한다. 그러나 자격이 엄격하게 선별되는 전향적 연구와 달리, EHR 데이터에는 연구 자격을 정의하는 변수 (예: BMI, A1c 수치, 약물 병력) 에 대한 결측값이 종종 포함된다. 표준적인 관행은 불완전한 자격 데이터를 가진 환자를 제외하는 것이지만, 결측이 완전히 무작위 (MCAR) 가 아닌 경우 선택 편향을 초래한다. 반면, 연구자들은 종종 더 오래된 데이터를 찾기 위해 '되돌아보기 기간 (lookback windows)'을 확장하여 이를 완화하려 시도하는데, 이 전략은 연구 기준 시점에 자격이 없었던 환자를 부적절하게 포함할 위험이 있다 (예: 수술 당시 당뇨병 상태가 알려지지 않았으나 구식 기록으로부터 추론된 환자).

결측된 자격을 처리하는 기존 방법들 (다중 대체 또는 역확률 가중치 (IPW) 등) 은 일관된 추정을 산출하기 위해 종종 모든 구성 모델 (결과, 치료, 결측, 대체) 의 올바른 명세가 필요하다. 또한, 이러한 방법들은 일반적으로 점근적 추론을 무효화하는 느린 수렴 속도를 겪는 유연한 머신러닝 (ML) 기법과 결합될 때 어려움을 겪는다.

방법론
저자들은 **연구 자격이 있는 치료 대상자의 평균 치료 효과 (ATTE)**를 추정하는 프레임워크를 제안하며, 이를 $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$로 표기한다. 이 접근법은 모델 오명세에 강건하고 현대적 머신러닝과 호환되는 추정기를 개발하기 위해 준모수 이론에 의존한다.

1. 가정과 식별:

   • 이 방법은 자격이 있는 인구 내에서 일관성 (Consistency), 양성 (Positivity), **측정되지 않은 교란 변수 부재 (No Unmeasured Confounding)**를 가정한다.
   • 핵심적으로, 완전히 관측된 공변량 ($L^*$) 과 치료 ($A$) 를 조건으로 할 때, 자격을 정의하는 공변량 ($L_m$) 에 대해 **무작위 결측 (MAR)**을 가정한다. 구체적으로, 완전한 자격 데이터의 지표 ($R$) 는 $L^*$와 $A$가 주어졌을 때 결과 ($Y$) 와 결측 공변량 ($L_m$) 에 독립적이다.
   • 저자들은 관측된 데이터의 가능도를 치료 메커니즘, 확인 메커니즘 ($\eta$), 결측 공변량의 분포 ($\lambda$), 그리고 결과 모델 ($\mu$) 로 분리하는 새로운 인수분해를 유도한다.

2. 추정기:
   이 논문은 효율적 영향 함수 (EIF) 를 기반으로 두 가지 주요 추정기를 소개한다:

   • $\hat{\theta}_{EIF}$ (효율적 영향 함수 추정기): 이 추정기는 준모수 효율성 한계를 목표로 한다. 이는 결측 공변량에 대해 주변화함으로써 자격 상태의 불확실성을 고려하는 복잡한 '중첩 (nested)' 방해 함수들 (예: $\xi, \gamma, \chi$) 을 활용한다. 이는 유연한 ML 방법 (예: SuperLearner) 을 사용하여 여러 구성 함수 ($\mu, u, \eta, \varepsilon$ 등) 의 추정을 요구한다. 이론적 결과에 따르면, 이러한 방해 함수들의 추정 오차의 곱이 $o_P(n^{-1/2})$ 속도로 수렴하면, 추정기는 $\sqrt{n}$-일관성을 가지며 점근적으로 정규분포를 따른다.
   • $\hat{\theta}_{IF}$ (영향 함수 추정기): $\hat{\theta}_{EIF}$에서 요구되는 깊게 중첩된 방해 함수들을 일부 회피하는 계산적으로 더 간단한 대안이다. 준모수 효율성 한계를 달성하지는 못할 수 있지만, 계산 복잡성과 편향 감소 사이의 균형을 제공한다.
   • 기준 비교군: 저자들은 제안된 접근법의 필요성을 입증하기 위해 완전 사례 (CC) 추정기와 역가중치 결과 회귀 (IWOR) 추정기도 평가한다.

3. 구현:
   추정 절차는 비모수 ML 알고리즘을 사용할 때 유효한 추론을 보장하기 위해 **샘플 분할 (크로스 피팅)**을 적용한다. 이는 과적합을 방지하고, 방해 함수들이 랜덤 포레스트나 일반화 가법 모델과 같은 복잡한 알고리즘을 통해 추정될 때에도 추정기가 필요한 수렴 속도를 달성할 수 있도록 한다.

주요 기여

• 결측된 자격을 위한 공식적 프레임워크: 이 논문은 EHR 연구에서 결측된 자격 기준에서 비롯된 선택 편향을 구체적으로 다루는 최초의 엄격한 인과 추론 프레임워크를 제공하며, 이를 표준 결측 데이터 문제와 구별한다.
• 강건성과 효율성: 제안된 추정기는 '다중 강건 (multiply robust)'하여, 다양한 방해 모델 조합이 올바르게 명세되면 일관성을 유지한다. 또한, 일반적으로 이러한 접근법을 괴롭히는 느린 수렴 문제를 극복하고 유연한 ML 방법을 사용할 때 유효한 점근적 추론을 유지한다.
• 새로운 인수분해: 관측되지 않은 자격 층위를 조건으로 하지 않고 ATTE 를 식별할 수 있도록 하는 특정 가능도 인수분해의 유도.

적용 및 결과
이 방법론은 2008 년부터 2011 년까지 Kaiser Permanente DURABLE 연구의 14,809 명 환자 코호트 (비만 외과 수술: 루프 - 엔 - Y 위 우회술 [RYGB] 대 슬리브 위절제술 [SG]) 에 적용되었다. 연구는 장기 체중 변화와 제 2 형 당뇨병 (T2DM) 관해를 평가한다.

• 운영화에 대한 민감성: 저자들은 자격 기준의 40 가지 다른 운영화 (BMI 와 T2DM 에 대한 다양한 되돌아보기 기간) 를 분석했다.
• 표준 접근법의 편향: 완전 사례 (CC) 추정기는 유의미한 편향을 보였으며 (체중 변화의 경우 -7.1% 에서 -6.2%, 관해의 경우 3.7% 에서 8.2%), 결측된 자격 데이터를 가진 환자를 제외하는 것이 치료 효과를 체계적으로 과대평가함을 시사한다.
• 제안된 추정기의 성능: 제안된 영향 함수 기반 추정기 ($\hat{\theta}_{EIF}$ 및 $\hat{\theta}_{IF}$) 는 이러한 효과를 0 에 가깝게 완화시켰다.
  • 체중 변화의 경우, $\hat{\theta}_{EIF}$는 여전히 RYGB 가 SG 보다 유리함을 나타냈으나, 그 크기는 CC 추정기에 비해 평균 19.5% 감소했다.
  • T2DM 관해의 경우, 결과는 더 미묘했다. CC 추정기가 RYGB 에 상당한 이점을 시사한 반면, 강건한 추정기들은 훨씬 더 작은 효과 (범위 0.1% 에서 7.4%) 를 보였으며, 신뢰 구간은 종종 0 을 포함했다. 이는 이전 연구들에서 관해에 대한 RYGB 의 명백한 이점이 선택 편향에 의해 주도되었을 수 있음을 시사한다.
• 민감도 분석: 티핑 포인트 분석은 RYGB 의 체중 감소 이점에 대한 결론이 MAR 가정 위반에 대해 강건하며, 결과를 뒤집기 위해서는 결측 확률에 있어 믿을 수 없을 정도로 큰 차이가 필요함을 보여주었다. 그러나 T2DM 관해 결과는 이러한 위반에 더 민감했다.

의의 및 주장
저자들은 그들의 작업이 EHR 기반 연구에서 종종 간과되는 편향의 중요한 원천을 다루고 있다고 주장한다. 표준 제외 전략이 치료 효과의 추정치를 과대평가할 수 있음을 입증함으로써, 이 논문은 준모수적 강건한 방법의 채택을 옹호한다.

이 연구는 RYGB 가 SG 에 비해 장기 체중 감소 측면에서 아마도 우월할 것이지만, 완전 사례 분석을 사용한 이전 연구들이 시사했던 것보다 T2DM 관해율의 우월성에 대한 증거는 덜 결정적이라고 결론지었다. 저자들은 이러한 강건한 증거 기반이 현재 임상 지침을 지지하며, 이러한 특정 결과에 대해 새로운 대규모 무작위 시험의 필요성을 반대한다고 주장한다. 충분한 임상적 동등성 (clinical equipoise) 이 존재하지 않을 수 있기 때문이다. 이 작업은 연구자들이 임의적 제외나 잠재적으로 편향된 되돌아보기 전략에 의존하지 않고 결측된 자격 데이터를 처리할 수 있는 실용적인 도구를 제공한다.