Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding

이 논문은 시변적 미측정 교란변수가 있는 종단적 관찰 데이터를 대상으로, 잠재 교란변수를 활용한 베이지안 민감도 분석과 민감도 함수 접근법을 개발·확장하여 시뮬레이션과 실제 소아 질환 레지스트리 데이터를 통해 그 성능과 실용적 적용 가능성을 평가했습니다.

핵심

🕵️‍♂️ 이야기: "보이지 않는 악마"와 두 가지 탐정

상상해 보세요. 어떤 의사가 "새로운 약 (A) 을 먹으면 병이 낫는다"라고 주장한다고 합시다. 하지만 사실은 그 약을 먹는 사람들이 이미 건강 관리에 더 신경을 쓰는 사람들이었다면? 약이 효과가 있어서가 아니라, 원래 건강에 신경을 썼기 때문에 낫은 것일 수 있습니다.

여기서 **'건강 관리에 신경 쓰는 습관'**은 기록에 남지 않는 **보이지 않는 요인 (Unmeasured Confounding)**입니다. 이 '보이지 않는 악마' 때문에 연구 결과가 왜곡될 수 있습니다.

이 논문은 이 '보이지 않는 악마'가 얼마나 큰 피해를 입혔는지, 그리고 그 피해를 보정하여 진짜 약의 효과를 찾아내는 두 가지 새로운 탐정 방법을 소개합니다.

1. 첫 번째 방법: "가상의 악마를 만들어서 추적하기" (베이지안 잠재 변수 접근법)

이 방법은 가상의 악마를 만들어서 그 악마가 어떻게 행동할지 시나리오를 짜는 방식입니다.

• 비유: investigators 가 "아마도 이 숨은 요인은 '스트레스'일 거야. 스트레스가 심하면 약을 안 먹고, 병도 더 심해지겠지?"라고 가정합니다.
• 작동 원리: 연구자들은 "스트레스"라는 가상의 변수를 모델에 넣고, 이것이 얼마나 강하게 영향을 미칠지 **확률적으로 여러 가지 시나리오 (가설)**를 만들어 봅니다. "스트레스가 약 10% 정도 영향을 미칠 수도 있고, 50% 일 수도 있어"라고 다양한 가능성을 고려합니다.
• 장점: 외부의 전문가 지식이나 과거 데이터를 활용하기 좋습니다. "어떤 요인이 있을지"에 대한 구체적인 지식이 있다면 이 방법이 매우 강력합니다.
• 단점: 가정한 시나리오가 실제와 너무 다르면 결과가 틀릴 수 있습니다. (예: 실제로는 '스트레스'가 아니라 '수면 부족'이 원인이라면?)

2. 두 번째 방법: "결과물의 찌꺼기를 직접 제거하기" (민감도 함수 접근법)

이 방법은 가상의 악마를 만들지 않고, 결과에 남은 '찌꺼기' (편향) 를 직접 계산해서 빼내는 방식입니다.

• 비유: 약을 먹은 그룹과 먹지 않은 그룹의 결과를 비교했을 때, "약의 효과"와 "숨은 요인의 영향"이 섞여 있습니다. 이 방법은 "약의 순수한 효과"를 구하기 위해, "얼마나 많은 찌꺼기가 섞여 있을지"를 **함수 (수식)**로 정의하고 그 찌꺼기를 직접 덜어냅니다.
• 작동 원리: "만약 숨은 요인이 결과에 영향을 미쳤다면, 그 영향력은 이 정도 범위 (예: -1 에서 +1 사이) 일 것이다"라고 정하고, 그 범위를 바꿔가며 결과를 재계산합니다.
• 장점: 가상의 악마를 구체적으로 정의할 필요가 없어, "무엇이 숨은 요인인지"를 모를 때 유용합니다.
• 단점: "찌꺼기"가 얼마나 큰지 정하는 기준을 연구자가 직접 정해야 하므로, 그 기준을 잘못 잡으면 결과가 달라질 수 있습니다.

---

🧪 실험실 테스트: 컴퓨터 시뮬레이션

저자들은 이 두 가지 방법이 실제로 잘 작동하는지 컴퓨터로 수천 번의 가상 실험을 해보았습니다.

• 상황: 시간이 지남에 따라 (매년) 숨은 요인이 변하는 복잡한 상황.
• 결과:
  • 두 방법 모두 숨은 요인이 있을 때 진짜 효과를 잘 찾아냈습니다.
  • 특히 **두 번째 방법 (찌꺼기 제거)**은 계산이 더 정밀하고 빠르다는 것을 보였습니다.
  • 하지만 **첫 번째 방법 (가상 악마)**은 숨은 요인이 하나만 있을 때는 잘 작동했지만, 숨은 요인이 여러 개 섞여 있고 서로 다른 패턴으로 변할 때는 가정이 틀려서 결과가 조금 어긋나는 경우가 있었습니다.

---

🏥 실제 적용: 소아 간 질환 (PSC) 치료 연구

이론을 실제 데이터에 적용해 보았습니다. 소아 환자의 간 질환 치료에 '경구용 반코마이신 (OVT)'이라는 약이 효과가 있는지 분석했습니다.

• 문제: 환자들이 약을 먹는지 안 먹는지는 기록되어 있지만, "환자가 약을 얼마나 성실하게 먹었는지 (순응도)"나 "생활 습관" 같은 숨은 요인은 기록에 없습니다.
• 적용: 두 가지 방법을 모두 사용해서 분석했습니다.
• 결과:
  • 숨은 요인을 보정하지 않은 기존 분석: "약이 간 수치를 약간 낮추는 것 같다."
  • 새로운 방법 (두 가지 모두) 으로 보정 후: "약이 간 수치를 낮추는 효과는 거의 없다 (통계적으로 유의미하지 않음)"는 결론이 나왔습니다.
  • 즉, 기존에 약이 효과가 있는 것처럼 보였던 것은 숨은 요인 (예: 병이 가벼운 환자들이 약을 더 잘 먹었다 등) 때문이었을 가능성이 높다는 것을 발견했습니다.

---

💡 핵심 요약 (한 줄 결론)

"의학 연구에서 기록되지 않은 숨은 요인 (Unmeasured Confounding) 은 결과를 왜곡할 수 있습니다. 이 논문은 그 왜곡을 보정하기 위해, '가상의 요인을 시뮬레이션하는 방법'과 '결과에서 편향을 직접 제거하는 방법'이라는 두 가지 강력한 도구를 개발했습니다. 이를 통해 우리는 약의 진짜 효과를 더 정확하게 파악할 수 있게 되었습니다."

이 연구는 특히 시간이 지남에 따라 변하는 복잡한 상황 (예: 매년 약을 바꾸거나 병이 변하는 경우) 에서 매우 유용하며, 앞으로 더 신뢰할 수 있는 의학 연구를 만드는 데 기여할 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 관찰 연구의 한계: 관찰 연구는 치료 및 노출 효과를 연구하기 위한 비용 효율적인 방법이지만, **측정되지 않은 교란변수 (Unmeasured Confounding)**로 인해 인과 추정이 편향될 수 있습니다. 특히, 교란변수가 시간에 따라 변하고 과거 치료에 의해 영향을 받는 **시간에 따라 변하는 교란 (Time-varying Confounding)**이 존재할 경우, 인과 추정이 더욱 복잡해집니다.
• 기존 방법의 부족: 기존 민감도 분석 방법들은 주로 횡단면 데이터 (Cross-sectional data) 나 단일 시점 치료에 초점을 맞추었으며, 대부분 빈도주의적 (Frequentist) 접근법을 사용했습니다. 시간에 따라 변하는 교란변수가 있는 종단적 (Longitudinal) 데이터에 대한 베이지안 민감도 분석 방법은 매우 제한적이었습니다.
• 핵심 문제: 측정되지 않은 교란변수를 명시적으로 모델링하지 않고도 그 영향을 정량화하거나, 반대로 잠재 변수를 도입하여 불확실성을 체계적으로 다루는 방법론이 종단 데이터에 적용될 필요가 있었습니다.

2. 제안된 방법론 (Methodology)

저자들은 시간에 따라 변하는 측정되지 않은 교란변수를 다루기 위해 두 가지 베이지안 민감도 분석 접근법을 개발하고 확장했습니다.

A. 베이지안 잠재 변수 민감도 분석 (Bayesian Latent Variable Sensitivity Analysis)

• 개념: 측정되지 않은 교란변수 ($U$) 를 단일 잠재 변수로 모델에 도입합니다.
• 구현: 베이지안 $g$-계산 (Bayesian g-computation) 을 기반으로 합니다.
  • 치료 할당 모델, 관측된 교란변수 모델, 잠재 교란변수 모델, 결과 모델을 정의합니다.
  • 편향 파라미터 (Bias Parameters): 측정되지 않은 교란변수와 관측된 변수들 간의 연관성을 정량화하는 파라미터 ($\alpha_U, \gamma_U, \tau_U, \beta_U$) 를 설정합니다.
  • 사전 분포 (Prior): 전문가 지식이나 외부 데이터를 바탕으로 편향 파라미터에 대한 사전 분포 (예: Uniform, Cauchy) 를 지정하여 불확실성을 반영합니다.
  • 추론: MCMC (Markov Chain Monte Carlo) 를 사용하여 사후 분포를 추정하고, 이를 통해 편향 보정된 평균 잠재 결과 (APO) 를 계산합니다.

B. 민감도 함수 접근법 (Sensitivity Function Approach)

• 개념: 잠재 변수를 명시적으로 도입하지 않고, 측정되지 않은 교란변수가 인과 효과에 미치는 **순 편향 (Net Bias)**을 '민감도 함수'로 직접 특성화합니다.
• 구현: 베이지안 마진 구조 모델 (Bayesian Marginal Structural Models, BMSM) 을 사용합니다.
  • 민감도 함수 정의: $c(j, a_J, x_J)$는 방문 $j$에서 다른 치료 ($a_j$ vs $1-a_j$) 를 받은 집단 간의 잠재 결과 차이를 나타냅니다.
  • 편향 보정: 관측된 결과 변수 ($Y$) 를 민감도 함수를 사용하여 보정된 결과 ($Y^{SF}$) 로 변환한 후, 이를 BMSM 에 적용하여 인과 효과를 추정합니다.
  • 추론: 베이지안 부트스트랩 (Bayesian Bootstrap) 과 중요도 샘플링 (Importance Sampling) 기법을 활용하여 가중치 우도 함수를 최대화함으로써 모수 $\Theta$를 추정합니다.

3. 주요 기여 (Key Contributions)

1. 종단 데이터용 베이지안 프레임워크 정립: 시간에 따라 변하는 측정되지 않은 교란변수가 있는 상황에서 인과 추정을 위한 두 가지 베이지안 민감도 분석 방법론을 체계적으로 정립하고 확장했습니다.
2. 시뮬레이션 연구를 통한 성능 비교: 다양한 시나리오 (이항/연속형 교란변수, 단일/복합 교란변수, 시간 불변/가변 교란변수) 에서 제안된 방법들의 성능을 평가했습니다.
3. 실제 데이터 적용: 다기관 소아 PSC (원발성 경화성 담관염) 레지스트리 데이터를 활용하여 경구 반코마이신 (OVT) 치료의 효과를 분석하며 방법론의 실용성을 입증했습니다.
4. 코드 공개: 재현성을 위해 R 코드를 GitHub 에 공개했습니다.

4. 연구 결과 (Results)

시뮬레이션 연구 결과

• 성능: 제안된 **BSA (시간 가변)**와 민감도 함수 접근법은 모두 편향되지 않은 인과 추정치를 제공하며, 95% 신뢰구간 커버리지 확률이 이상적인 수준에 근접했습니다.
• 정밀도: 민감도 함수 접근법은 참값을 알고 있는 시뮬레이션 환경에서 표준 오차가 더 작았으나, 실제 적용 시 민감도 함수의 지정이 어렵다는 한계가 있습니다.
• 교란변수 수의 영향:
  • 단일 교란변수 환경에서는 BSA (시간 불변) 도 잘 작동했으나, 두 개의 시간 가변 교란변수가 존재하는 복잡한 상황에서는 BSA (시간 불변) 가 심각한 편향을 보였습니다.
  • 이는 종단 데이터 분석 시 시간 가변 잠재 변수 모델이나 민감도 함수 접근법을 사용해야 함을 시사합니다.
• 시간 불변 교란변수: 실제 교란변수가 시간에 따라 변하지 않는 경우에도 BSA (시간 가변) 는 유연하게 잘 작동했습니다.

실제 데이터 적용 (PSC 레지스트리)

• 분석 대상: 401 명의 소아 PSC 환자 데이터 (경구 반코마이신 치료 효과 분석).
• 결과:
  • 기존 교란변수 보정만 한 마진 구조 모델 (MSM): ln(GGT) 변화량 -0.33 (95% CI: -0.80, 0.14).
  • BSA 적용: -0.29 (95% CI: -0.73, 0.16).
  • 민감도 함수 적용: -0.34 (95% CI: -0.74, 0.12).
• 해석: 세 가지 방법 모두 유사한 결과를 보였으며, 잠재된 시간 가변 교란변수가 인과 추정치에 미치는 영향은 미미한 것으로 나타났습니다.

5. 의의 및 결론 (Significance)

• 불확실성 정량화: 이 연구는 편향 파라미터에 대한 불확실성을 베이지안 프레임워크에 자연스럽게 통합하여, 편향 보정된 인과 효과 추정을 가능하게 합니다.
• 실무적 가이드라인 제공:
  • 잠재 변수 접근법: 외부 데이터나 전문가 지식이 있을 때 유용하며, 개념적 해석이 명확합니다.
  • 민감도 함수 접근법: 교란변수의 분포에 대한 가정이 불필요하지만, 민감도 함수의 지정이 어렵고 해석이 복잡할 수 있습니다.
  • 권장 사항: 연구자는 두 가지 방법을 모두 수행하고 임상 전문가와 결과를 논의하여 해석의 타당성을 확보해야 합니다. 특히 복잡한 교란 구조 (다중 교란변수 등) 에서는 시간 가변 잠재 변수 모델이 적합할 수 있으나, 모델 오지정 (Misspecification) 위험에 주의해야 합니다.
• 향후 연구 방향: 비선형 관계나 복잡한 종단 구조 (반복 측정 결과, 시간-사건 결과 등) 를 다루기 위해 베이지안 가산 회귀 트리 (BART) 등 유연한 알고리즘과의 결합이 필요함을 제시했습니다.

이 논문은 관찰 연구의 신뢰성과 타당성을 높이기 위해, 시간에 따라 변하는 측정되지 않은 교란변수를 고려한 강력한 민감도 분석 도구를 제공한다는 점에서 임상 및 역학 연구에 중요한 기여를 합니다.