Constructing Evidence-Based Tailoring Variables for Adaptive Interventions

이 논문은 적응형 중재의 효과성을 높이기 위해 치료 수정 결정을 안내하는 '맞춤 변수'를 체계적으로 개발하고 최적화하기 위한 방법론적 프레임워크를 제시하며, 특히 2 차 데이터 분석의 한계를 보완할 수 있는 최적화 무작위 대조 시험과 같은 실험적 설계의 중요성을 강조합니다.

핵심

🍳 비유: "요리사의 맞춤형 레시피"

가상 상황을 상상해 보세요. 여러분은 스마트폰 앱으로 요리를 가르쳐 주는 요리사입니다.

• 초기 치료: 앱으로 기본 레시피를 보여줍니다.
• 문제: 어떤 사람은 앱을 잘 따라 하지만, 어떤 사람은 지루해서 앱을 끄고 요리도 안 합니다.
• 맞춤형 치료 (Rescue Treatment): 앱만으로는 안 되는 사람에게는 실제 요리사가 직접 전화해서 코칭을 해주는 '구원 (Rescue)' 서비스를 제공합니다.

이때 가장 중요한 질문은 **"누구를 '구원'해야 할까?"**입니다.

• 앱을 일주일에 1 번만 켠 사람을 구원해야 할까? (기준이 낮음)
• 앱을 일주일에 2 번 이상 안 켠 사람만 구원해야 할까? (기준이 높음)
• 언제 판단을 내려야 할까? (2 주 후일까, 4 주 후일까?)

이 논문은 바로 이 **기준 (Cut-off), 시기 (Timing), 측정 항목 (Variable)**을 어떻게 과학적으로 정할지 알려줍니다.

---

🔍 두 가지 방법: "과거 기록 분석" vs "실험실 테스트"

저자들은 이 기준을 정하는 두 가지 방법을 비교합니다.

1. 과거 기록 분석 (SDA: Secondary Data Analysis)

• 비유: "지난해에 요리사들이 남긴 레시피 노트를 뒤져보는 것."
• 장점: 비용이 싸고 이미 데이터가 있습니다.
• 단점 (함정):
  • 노트에는 "앱을 안 켠 사람"에 대한 기록만 있을 뿐, "그들에게 전화 코칭을 해줬을 때 어떻게 됐을지"는 기록이 없습니다.
  • 마치 "비 오는 날 우산을 안 썼던 사람"의 기록만 보고 "우산을 쓰면 얼마나 덜 젖을까?"를 추측하는 것과 같습니다.
  • 결론: 예측은 가능하지만, **원인과 결과 (인과성)**를 확신하기 어렵습니다. "우산이 정말 효과가 있었을까, 아니면 그냥 운이 좋았을까?"를 알 수 없습니다.

2. 최적화 실험 (ORCT: Optimization Randomized Controlled Trial)

• 비유: 새로운 실험실을 만들어서 직접 테스트하는 것.
• 방법: 참가자들을 무작위로 나누어, A 그룹은 "앱 1 회 미만이면 전화", B 그룹은 "앱 2 회 미만이면 전화"라고 정해두고 결과를 비교합니다.
• 장점: 가장 확실한 답을 줍니다. "어떤 기준이 가장 좋은 결과를 냈는지"를 직접 증명할 수 있습니다.
• 단점: 시간과 돈, 노력이 많이 듭니다.

---

🎯 논문이 제안하는 3 가지 핵심 질문과 해결책

연구자들은 맞춤형 치료의 기준을 정할 때 세 가지 질문을 던집니다.

1. "어떤 기준 (Cutoff) 으로 잡아야 할까?"

• 질문: "앱을 일주일에 1 번만 켜야 전화해 줄까, 2 번만 켜야 할까?"
• 해결: 과거 데이터만 보면 "누가 실패할지"만 알 수 있습니다. 하지만 **실험 (ORCT)**을 통해 "1 번 기준과 2 번 기준 중 누가 더 요리를 잘 배우는지"를 직접 비교해야 합니다.
• 핵심: 기준을 너무 낮추면 불필요한 전화 (비용 낭비) 가 생기고, 너무 높이면 도움이 필요한 사람을 놓치게 됩니다. 이 저울질을 실험으로 해야 정확합니다.

2. "언제 (Decision Time) 판단을 내려야 할까?"

• 질문: "앱 사용량을 2 주 후에 볼까, 4 주 후에 볼까?"
• 해결: 4 주 후에 보면 데이터는 더 정확할지 모릅니다. 하지만 4 주를 기다리면 그 사람은 이미 앱을 완전히 포기하고 떠날 수 있습니다.
• 비유: 엘보우 (Elbow) 그래프를 그려보세요. "데이터 정확도"가 급격히 오르는 구간이 있다가, 어느 시점부터는 평평해집니다. 그 **꺾이는 지점 (Elbow)**이 가장 좋은 시기입니다. 너무 늦게 기다리면 치료 효과가 사라지기 때문입니다.

3. "무엇을 (Observed Variable) 측정할까?"

• 질문: "앱 사용 횟수를 볼까, 실제 요리 실력을 볼까, 둘 다 볼까?"
• 해결: 여러 가지 변수를 동시에 실험할 수 있습니다. 예를 들어, **팩토리얼 설계 (Factorial Design)**라는 방법을 써서 "앱 사용량"과 "요리 실력"을 동시에 테스트해 봅니다. 어떤 조합이 가장 효과적인지 한 번에 찾아낼 수 있습니다.

---

💡 요약: 왜 이 논문이 중요한가?

이 논문은 "맞춤형 치료"를 만들 때, 단순히 "추측"이나 "과거 데이터"에만 의존하지 말라고 경고합니다.

• 과거 데이터는 유용하지만, "만약 이렇게 했다면 어땠을까?"라는 질문에 답하기엔 부족합니다.
• **과학적 실험 (무작위 대조 시험)**을 통해 기준, 시기, 측정 항목을 직접 테스트해야 가장 효과적이고 비용 효율적인 치료법을 만들 수 있습니다.

한 줄 요약:

"누구에게, 언제, 어떻게 치료를 바꿔줄지 결정하는 **'기준선'**을 정할 때는, 과거의 기록을 뒤적이는 것보다 새로운 실험을 통해 직접 검증하는 것이 가장 확실한 길입니다."

이 연구는 약물 중독, 비만, 정신 건강 등 다양한 분야에서 개인의 상황에 딱 맞는 치료를 설계하는 과학적인 나침반 역할을 합니다.

기술 요약

1. 문제 제기 (Problem)

적응형 중재 (Adaptive Interventions, ADI) 는 개인의 변화하는 요구에 따라 치료의 유형, 양, 전달 방식, 시기를 동적으로 조정하여 효과를 극대화하고 비용 및 부담을 줄이는 것을 목표로 합니다. 이 과정에서 치료 수정 여부를 결정하는 핵심 요소가 맞춤 변수 (Tailoring Variables) 입니다.

맞춤 변수를 구체화하려면 다음 네 가지 요소를 정의해야 합니다:

1. 관측 변수 (Observed Variable): 무엇을 측정할 것인가?
2. 측정 시점 (Assessment Time): 언제 측정할 것인가?
3. 결정 시점 (Decision Time): 언제 측정값을 바탕으로 중재 결정을 내릴 것인가?
4. 절단값 (Cutoff): 어떤 임계값을 기준으로 '반응자 (Responder)'와 '비반응자 (Nonresponder)'를 구분할 것인가?

현재 문헌에는 이러한 요소들 (특히 절단값, 측정/결정 시점) 을 경험적으로 어떻게 선택해야 하는지에 대한 구체적인 지침이 부족합니다. 기존 연구들은 주로 예측 (Prediction) 에 초점을 맞추어 왔으나, 적응형 중재의 설계는 인과적 (Causal) 이고 처방적 (Prescriptive) 인 질문 ("무엇을, 언제 해야 하는가") 을 다루어야 하므로 단순한 예측 모델로는 부족합니다.

2. 방법론 (Methodology)

저자들은 맞춤 변수를 구축하기 위해 두 가지 주요 접근법을 비교·검토하고 체계적인 개발 프레임워크를 제안했습니다.

A. 2 차 데이터 분석 (Secondary Data Analysis, SDA)

• 방식: 기존 관찰 데이터나 이전 연구 데이터를 활용하여 최적의 변수, 시점, 절단값을 탐색합니다.
• 한계:
  • 인과성 부재: 기존 데이터는 대부분 초기 중재만 제공된 상태이거나, 특정 절단값에 따라 비반응자에게만 구조화된 구원 치료 (Rescue Treatment) 를 제공한 경우이므로, 다른 절단값이나 시점에서의 결과를 추정하기 어렵습니다.
  • 가정 필요: 인과 추론을 위해 '양성성 (Positivity)' 등 강력한 통계적 가정이 필요하며, 데이터에 관심 있는 모든 절단값의 사례가 포함되어야 합니다.
  • 예측 vs. 개입: 예측 정확도 (Prognostic Accuracy) 가 높은 시점이 반드시 개입 효과를 극대화하는 시점과 일치하지는 않습니다 (예: 데이터가 더 명확해질 때까지 기다리면 개입이 늦어져 효과가 떨어질 수 있음).

B. 최적화 무작위 대조 시험 (Optimization Randomized Controlled Trials, ORCT)

• 방식: 맞춤 변수의 구성 요소를 직접 무작위화하여 비교하는 실험 설계입니다.
• 설계 유형:
  • 다중 팔 무작위 대조 시험 (Multi-arm RCT): 서로 다른 절단값이나 결정 시점을 가진 여러 군을 비교.
  • 계속적 다중 할당 무작위 시험 (SMART): 시간에 따라 참여자를 반복적으로 무작위화하여 다양한 적응 경로 비교.
  • 요인 설계 (Factorial Design): 여러 변수 (예: 변수 선택, 절단값, 시점) 를 동시에 조작하여 주효과 및 상호작용 분석.
  • 하이브리드 설계: 요인 설계와 SMART 를 결합하여 치료 옵션과 맞춤 변수를 동시에 최적화.
• 장점: 무작위화를 통해 가장 직접적인 인과적 증거를 제공하며, 특정 절단값이나 시점의 효과를 명확히 비교할 수 있습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 구성 요소별 선택 전략

1. 절단값 (Cutoff) 선택:
   • SDA 는 민감도 (Sensitivity) 와 특이도 (Specificity) 의 균형을 고려하지 못합니다. 구원 치료의 비용과 효능에 따라 최적의 절단값이 달라지므로 (예: 비용이 적고 효과가 크면 민감도를 높여 넓은 기준 적용), ORCT 를 통해 다양한 절단값을 직접 비교하는 것이 필수적입니다.
2. 결정 시점 (Decision Time) 선택:
   • 단순히 최종 결과와의 상관관계가 가장 높은 시점 (예측 정확도 최대화) 을 선택하는 것은 위험할 수 있습니다. 개입이 효과적으로 작용하기 전에 결정이 내려져야 하므로, '예측 정확도'와 '행동 효율성' 사이의 절충점을 찾아야 합니다. ORCT 를 통해 결정 시점의 인과적 효과를 직접 평가해야 합니다.
3. 관측 변수 (Observed Variable) 선택:
   • 여러 변수 중 어떤 것을 사용할지, 혹은 변수의 조합을 어떻게 할지 결정할 때, SDA 는 구원 치료와의 상호작용 (Moderation) 을 파악하기 어렵습니다. ORCT 를 통해 변수가 치료 효과에 미치는 조절 효과를 직접 검증할 수 있습니다.

나. 다중 구성 요소 동시 최적화

• 연구자들은 종종 변수, 시점, 절단값 등 여러 요소를 동시에 고려해야 합니다. 이를 위해 하이브리드 요인-SMART 설계와 같은 복잡한 실험 설계를 제안했습니다.
• 이 설계는 여러 질문을 별도의 연구가 아닌 하나의 실험에서 동시에 해결하여 상호작용 효과를 파악하고 자원을 효율적으로 사용할 수 있게 합니다.

다. 통계적 고려사항

• 표본 크기 및 검정력: 맞춤 변수 선택의 효과 크기 (Effect Size) 는 기존 치료의 효과 크기와는 다릅니다. 또한, 비반응자의 비율이 절단값에 따라 달라지므로, 이는 구원 치료 비교 시의 유효 표본 크기와 검정력에 직접적인 영향을 미칩니다.
• 불확실성 추정: 단순히 '최고'의 규칙을 찾는 것을 넘어, 여러 규칙이 유사하게 좋은 경우를 고려한 불확실성 추정 (신뢰구간, 베이지안 요인 등) 이 필요합니다.

4. 의의 및 결론 (Significance & Conclusion)

이 논문은 적응형 중재의 핵심인 맞춤 변수 (Tailoring Variables) 를 설계할 때, 단순한 예측 모델을 넘어 인과적 증거에 기반한 체계적인 접근이 필요함을 강조합니다.

• 방법론적 전환: 기존에 의존하던 2 차 데이터 분석 (SDA) 의 한계를 지적하고, 최적화 무작위 대조 시험 (ORCT) 을 통해 변수, 시점, 절단값을 직접 무작위화하여 검증하는 것을 권장합니다.
• 실용적 프레임워크: SMART, 요인 설계, 하이브리드 설계 등 다양한 실험 설계를 활용하여 복잡한 적응형 중재의 구성 요소를 동시에 최적화할 수 있는 구체적인 로드맵을 제시합니다.
• 미래 연구 방향: 디지털 헬스케어의 발전으로 인해 실시간으로 적응하는 JITAI(Just-in-Time Adaptive Interventions) 와 같은 빠른 시간 규모의 중재, 비용 - 효과 분석, 그리고 표본 크기 산정 시 고려해야 할 복잡한 통계적 문제들에 대한 추가적인 방법론 연구의 필요성을 제기합니다.

결론적으로, 효과적이고 확장 가능한 적응형 중재를 개발하기 위해서는 임상적 경험과 이론적 모델에 기반하되, 무작위 실험을 통해 맞춤 변수의 구성 요소를 직접 검증하는 과정이 필수적이라는 것이 이 논문의 핵심 메시지입니다.