📊 statistics

Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

이 논문은 사망과 같은 종단 사건으로 인해 중절될 수 있는 재발 사건의 선택 편향을 해결하기 위해, 이중 frailty 프레임워크 하에서 부분 식별 결과를 도출하고 재발 및 종단 사건의 공동 모델링을 위해 개선된 종속 디리클레 과정 (enriched dependent Dirichlet process) 을 기반으로 한 베이지안 비모수적 주성분 층화 접근법을 제안합니다.

원저자: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

게시일 2026-03-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

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

🏥 배경: 심부전 환자와 '재입원'의 악순환

만성 심부전 환자들은 병원에 자주 입원합니다. 이 연구는 "운동 프로그램이 환자들의 재입원 횟수를 줄여줄까?"를 확인하려 했습니다.
하지만 여기서 큰 문제가 생깁니다. 환자가 죽으면 더 이상 입원할 수 없기 때문에, 데이터가 갑자기 끊깁니다 (통계학 용어로 '중도 절단' 또는 '트러케이션').

문제 상황: 만약 운동 그룹이 사망률이 낮아 (더 오래 살아서) 입원할 기회가 더 많아진다면, 재입원 횟수가 늘어날 수도 있습니다. 반대로, 운동이 사망률을 높인다면 재입원 횟수는 줄어들겠지만, 그건 '효과'가 아니라 '죽음' 때문입니다.
기존 방법의 한계: 단순히 "살아있는 동안 입원한 횟수"를 비교하면, 누가 더 오래 살았느냐에 따라 결과가 왜곡됩니다. 마치 "수박을 더 많이 먹은 사람이 더 배가 고픈가?"를 물을 때, 수박을 먹기 전에 이미 배가 불러서 먹지 못한 사람을 제외하고 비교하는 것과 비슷합니다.

🎯 해결책 1: "언제까지 살아있을지"를 미리 정하기 (주요 층위화)

이 논문은 **'항상 생존하는 사람들 (Always-Survivors)'**이라는 가상의 그룹에 집중합니다.

비유: "운동하든 말든, 3 년 동안은 무조건 살아남을 것 같은 사람들"만 골라내서, 그들끼리만 운동 효과를 비교하는 것입니다.

하지만 여기서 또 다른 문제가 생깁니다. **"언제까지?"**를 언제로 정하느냐에 따라 비교 대상이 바뀝니다.

기존 방법 (단일 지수): "1 년 후의 효과"를 본다면 1 년 후에도 살아있는 사람만 비교하고, "2 년 후"를 본다면 2 년 후에도 살아있는 사람만 비교합니다. 즉, 비교하는 사람 자체가 매번 달라집니다.
이 논문의新方法 (이중 지수):
1. r (생존 기준): "우리는 3 년 (1080 일) 동안은 무조건 살아남을 것 같은 사람들 (AS(3 년)) 만 골라보자." (이 그룹은 고정됨)
2. t (관찰 기간): "그 고정된 그룹 안에서 1 년, 2 년, 3 년이 지날 때 재입원 횟수가 어떻게 변하는지 보자."

비유:

기존 방법: "1 년 차에는 A 반 학생들만, 2 년 차에는 B 반 학생들만" 뽑아서 비교하는 것. (누가 더 똑똑한지 알기 어렵습니다.)

이 논문의 방법: "A 반 학생들 (3 년 생존 예정자) 만 뽑아서, 1 년 차, 2 년 차, 3 년 차에 각각 성적이 어떻게 변하는지" 추적하는 것. (진짜 운동의 효과를 정확히 볼 수 있습니다.)

🧩 해결책 2: 보이지 않는 '유령'을 잡는 방법 (베이지안 비모수적 접근)

통계적으로 가장 어려운 점은, **"운동 그룹과 대조군에서 동시에 살아남을 확률"**은 실제 데이터로 알 수 없다는 것입니다. (누군가는 운동하면 죽고, 안 하면 살 수도 있기 때문이죠.)

이 논문은 이를 해결하기 위해 **'이중 약도 (Dual-Frailty)'**라는 개념을 도입했습니다.

비유:

각 환자마다 눈에 보이지 않는 **'건강 유령 (Frailty)'**이 있습니다.

기존 연구들은 "운동하든 말든 같은 유령이 작용한다"고 가정했습니다 (단일 유령).

이 논문은 **"운동할 때의 유령 (γ1) 과 안 할 때의 유령 (γ0) 은 서로 다른데, 두 유령이 얼마나 닮았는지 (상관관계 ρ)"**를 추정합니다.

이 '닮음 정도 (ρ)'를 우리가 임의로 설정해가며 (민감도 분석), 결과가 어떻게 변하는지 확인합니다. 만약 ρ가 0.9(매우 닮음) 일 때는 효과가 희미해지지만, 0.5(적당히 닮음) 일 때는 운동 효과가 뚜렷하게 나타납니다. 이는 "운동이 사망과 재입원에 서로 다른 경로를 통해 영향을 줄 수 있다"는 사실을 인정하는 것입니다.

🤖 해결책 3: 데이터의 '주름'을 잘게 나누는 지능형 알고리즘 (EDDP)

데이터를 분석할 때, 기존 방법들은 데이터를 무작위로 뭉쳐서 (클러스터링) 분석했습니다. 그런데 재입원 데이터는 횟수가 많고, 사망 데이터는 한 번뿐이라, 데이터가 재입원 횟수에 의해 너무 세분화되어 사망 데이터 분석이 엉망이 되는 문제가 있었습니다.

이 논문은 **'EDDP (Enriched Dependent Dirichlet Process)'**라는 새로운 알고리즘을 개발했습니다.

비유:

기존 방법: 도서관 책들을 '장르' (재입원) 에 따라 너무 세분하게 나누다 보니, '저자 (사망)' 정보를 찾을 책장이 텅 비게 되는 상황.

이 논문의 방법: 먼저 **'저자 (사망)'**로 큰 부서를 나눈 뒤, 그 안에서 **'장르 (재입원)'**를 세분하게 나눕니다.

이렇게 하면, 사망 데이터를 분석할 때 충분한 책 (데이터) 이 모여서 훨씬 정확한 결론을 내릴 수 있습니다.

📊 결론: 운동은 효과가 있을까?

이 논문의 방법론으로 HF-ACTION(심부전 운동 임상시험) 데이터를 다시 분석한 결과는 다음과 같습니다.

시간이 지날수록 효과가 커집니다: 운동은 초기에는 뚜렷하지 않지만, 시간이 갈수록 재입원 횟수를 줄이는 효과가 누적됩니다. (4 년 차에는 약 10% 감소 효과)
고정된 그룹을 보면 더 명확합니다: "3 년 생존 예정자" 그룹을 고정하고 보면, 운동의 효과가 더 뚜렷하게 드러납니다.
가정 (ρ) 에 따라 달라집니다: 만약 "운동하든 말든 환자의 건강 상태가 완전히 동일하다"고 가정하면 (ρ=0.9), 효과가 희미해집니다. 하지만 "운동이 사망과 재입원에 서로 다른 영향을 줄 수 있다"고 가정하면 (ρ=0.1~0.7), 운동의 재입원 감소 효과가 통계적으로 유의미하게 나옵니다.

💡 요약

이 논문은 **"죽음이라는 장벽 때문에 데이터가 잘려도, 우리가 '항상 살아남을 것 같은 그룹'을 고정하고, 숨겨진 건강 요인들을 유연하게 분석하는 새로운 통계 도구"**를 만들었습니다. 이를 통해 운동이 심부전 환자의 재입원 부담을 실제로 줄여준다는 사실을 더 명확하고 신뢰할 수 있게 증명했습니다.

한 줄 평: "죽음이 데이터를 가려도, 올바른 안경 (통계 방법) 을 쓰면 운동이 환자를 구한다는 사실을 다시 볼 수 있다."

1. 문제 정의 (Problem Statement)

재발성 사건과 종단 사건의 복잡성: 만성 심부전과 같은 만성 질환 연구에서 재입원 (재발성 사건) 은 중요한 결과 지표이나, 환자의 사망 (종단 사건) 으로 인해 관찰 기간이 불규칙하게 종료됩니다.
선택 편향 (Selection Bias): 사망은 재발성 사건의 관측을 중도 절단할 뿐만 아니라, 치료군에 따라 사망률이 다르다면 생존자 집단의 구성이 달라져 선택 편향이 발생합니다. 예를 들어, 치료로 인해 생존 기간이 길어지면 재입원할 기회 (위험 시간) 가 증가하므로, 단순히 관찰된 재입원 횟수를 비교하면 치료 효과를 왜곡할 수 있습니다.
기존 방법의 한계:
- 단일 지수 (Single-index) 접근: 특정 시점 $t$ 에서의 생존자만 고려하는 기존 주형층화 (Principal Stratification) 는 시점에 따라 대상 집단이 변하여 (Snapshot effect), 시간에 따른 치료 효과의 축적이나 집단의 이질성을 제대로 파악하지 못합니다.
- 모수적 모델 (Parametric Models): 기존 연구들은 특정 분포 가정 (예: 감마 분포, 프라일티 모델) 을 전제로 하여, 데이터 생성 과정이 복잡할 경우 모델 오지정 (misspecification) 으로 인한 편향이 발생할 수 있습니다.
- Dirichlet Process (DP) 의 한계: 재발성 사건과 종단 사건을 동시에 모델링할 때 표준 DP 를 사용하면, 재발성 사건의 수가 많을수록 클러스터링이 재발성 사건에 의해 지배되어 종단 사건 (사망) 에 대한 예측 성능이 저하되는 문제가 있습니다.

2. 방법론 (Methodology)

2.1. 인과적 추정량 (Causal Estimands) 및 주형층화

이중 지수 (Double-index) 접근법 도입: Comment et al. (2025) 의 아이디어를 확장하여, **주형층 (Principal Stratum)**을 정의하는 생존 시간 $r$ $r$ 과 재발성 사건을 관찰하는 시간 $t$ $t$ 를 분리했습니다.
- 항상 생존자 (Always-Survivor, AS): 두 치료군 모두에서 시간 $r$ 까지 생존할 것으로 예상되는 환자 집단 $AS(r) = \{i : r < D_i^0, r < D_i^1\}$ .
- 추정량 (SANR): 시간 $t$ 까지의 재발 사건 수의 기댓값 비율을 $AS(r)$ 집단 내에서 정의합니다.
  $SANR(t; r) = \frac{E[N_i^1(t) | AS(r)]}{E[N_i^0(t) | AS(r)]}$
- 이 접근법은 $r$ 을 고정함으로써 특정 하위 집단의 시간에 따른 질병 부담 변화를 명확히 추적할 수 있게 합니다.

2.2. 부분 식별 및 이중 프라일티 (Dual-Frailty) 프레임워크

교차 세계 의존성 (Cross-world Dependence): 잠재적 결과 $(Y^0, U^0)$ 와 $(Y^1, U^1)$ 는 동시에 관찰되지 않으므로 식별이 불가능합니다. 이를 해결하기 위해 이중 프라일티 (Dual-Frailty) $\gamma_i = (\gamma_i^0, \gamma_i^1)$ 를 도입했습니다.
민감도 분석: $\gamma_i^0$ $γ_{i}^{0}$ 와 $\gamma_i^1$ $γ_{i}^{1}$ 간의 상관관계 $\rho$ $ρ$ 를 식별 불가능한 민감도 매개변수로 설정합니다.
- $\rho$ 를 다양한 값으로 변화시키며 인과적 결론이 어떻게 변하는지 투명하게 분석합니다.
- 기존 연구들이 $\gamma_i^0 = \gamma_i^1$ (단일 프라일티) 로 가정하여 식별을 강제했던 것과 달리, 본 연구는 두 프라일티를 분리하여 교차 세계 의존성을 명시적으로 다룹니다.

2.3. 베이지안 비모수적 모델: EDDP (Enriched Dependent Dirichlet Process)

EDDP Prior 개발: 재발성 사건과 종단 사건의 결합 분포를 모델링하기 위해 중첩된 (Nested) Dirichlet Process 구조를 제안했습니다.
- 이중 계층 구조:
  1. 상위 계층 ( $\phi$ ): 종단 사건 (사망) 분포를 모델링하며, 이를 통해 $\phi$ -클러스터를 형성합니다.
  2. 하위 계층 ( $\theta$ ): 각 $\phi$ -클러스터 내에서 재발성 사건 (재입원 간격) 을 모델링합니다.
- 주요 장점: 표준 DP 는 재발성 사건의 빈도 때문에 클러스터가 과도하게 세분화되어 사망 시간 예측이 불안정해지는 문제를 해결합니다. EDDP 는 사망 사건에 기반한 상위 클러스터 내에서 재발성 사건의 세부 패턴을 모델링하므로, 종단 사건에 대한 예측력을 유지하면서도 재발성 사건의 이질성을 포착합니다.
- 공변량 의존성: 공변량 ( $X$ ) 에 따라 클러스터 할당이 달라지도록 의존적 Dirichlet Process (DDP) 구조를 통합하여 교환성 (Exchangeability) 가정을 완화했습니다.

2.4. 추론 알고리즘

Gibbs Sampling: 결측된 잠재적 결과 (Counterfactual outcomes) 와 잠재적 클러스터 지표를 포함하는 완전 데이터 (Complete data) 를 가정하고, 효율적인 Gibbs 샘플링 알고리즘을 개발했습니다.
g-computation: 식 (3) 의 적분을 몬테카를로 시뮬레이션을 통해 근사하여 추정량을 계산합니다.

3. 주요 기여 (Key Contributions)

새로운 인과적 추정량 제안: 재발성 사건과 종단 사건이 공존하는 상황에서, 시간 $t$ 와 생존 기준 $r$ 을 분리한 **이중 지수 추정량 (SANR)**을 정의하고, 이를 위한 부분 식별 결과를 유도했습니다.
EDDP 모델 개발: 재발성 사건과 종단 사건의 불균형한 데이터 특성을 해결하기 위해 **Enriched Dependent Dirichlet Process (EDDP)**를 제안했습니다. 이는 표준 DP 의 한계를 극복하고 공변량 의존성을 자연스럽게 통합합니다.
투명한 민감도 분석 프레임워크: 교차 세계 프라일티 상관관계 ( $\rho$ ) 를 민감도 매개변수로 활용하여, 식별 불가능한 의존성 구조가 인과적 결론에 미치는 영향을 체계적으로 평가할 수 있는 방법을 제시했습니다.

4. 결과 (Results)

4.1. 시뮬레이션 연구

성능 비교: 제안된 EDDPM 모델은 선형 모델 (LM), 표준 Dirichlet Process Mixture (DPM), 의존적 Dirichlet Process Mixture (DDPM) 와 비교하여 편향 (Bias) 과 RMSE 가 가장 낮았으며, 95% 신뢰구간의 커버리지 확률 (Coverage Probability) 이 95% 에 가장 근접했습니다.
강건성: 데이터 생성 과정이 복잡할 때 (이질성이 클 때) EDDPM 이 모델 오지정 편향을 효과적으로 완화하여 우수한 예측 성능을 보였습니다.

4.2. HF-ACTION 임상 시험 분석

데이터: 만성 심부전 환자를 대상으로 한 운동 훈련 (Exercise Training) 의 효과를 분석 (재입원 횟수 vs 사망).
주요 발견:
- 시간에 따른 효과 축적: 구조화된 운동 훈련은 항상 생존자 집단에서 재입원 부담을 점진적으로 감소시킵니다. 1 년차에는 약 4.3% 감소, 4 년차에는 약 10.1% 감소 효과를 보였습니다.
- 이중 지수의 이점: 기존 단일 지수 ( $r=t$ ) 방식에서는 초기/중기 추론에서 불확실성이 커서 효과가 명확하지 않았으나, 고정된 $r$ 을 사용한 분석에서는 시간이 지남에 따라 치료 효과의 축적이 명확히 드러났습니다.
- 하위 집단 이질성: 생존 기간 기준 ( $r$ ) 이 다른 하위 집단 (예: 3 년 생존자 vs 4 년 생존자) 에 따라 치료 효과의 증거 강도가 다르게 나타났습니다. 이는 단일 지수 접근법에서는 포착할 수 없는 중요한 임상적 통찰입니다.
민감도 분석 결과:
- $\rho$ 가 0.1~0.7 인 중간 범위에서는 운동 훈련이 재입원을 줄인다는 결론이 일관되게 유지되었습니다.
- 그러나 $\rho=0.9$ (매우 강한 교차 세계 상관, 즉 단일 프라일티 가정과 유사) 인 극단적인 경우, 통계적 유의성이 약화되어 효과가 불확실해졌습니다. 이는 이중 프라일티 모델이 치료와 사망에 영향을 미치는 서로 다른 잠재적 경로를 포착하는 데 중요함을 시사합니다.

5. 의의 및 결론 (Significance)

임상적 의의: 만성 질환 관리에서 재발성 질환 부담 (재입원) 과 생존은 밀접하게 연관되어 있습니다. 본 연구의 프레임워크는 사망으로 인한 선택 편향을 통제하면서도, 치료의 장기적 누적 효과를 정확히 평가할 수 있게 합니다.
방법론적 의의:
- 주형층화 (Principal Stratification) 를 연속 시간 재발성 사건에 적용할 때 발생하는 식별 문제를 해결했습니다.
- 베이지안 비모수적 방법론을 통해 모델의 유연성을 확보하면서도, 교차 세계 의존성에 대한 민감도 분석을 통해 추론의 투명성을 높였습니다.
- HF-ACTION 분석을 통해, 기존의 단일 지수/단일 프라일티 접근법이 놓칠 수 있는 치료 효과의 이질성과 시간적 축적 패턴을 발견할 수 있음을 입증했습니다.

결론적으로, 이 논문은 재발성 사건과 종단 사건이 공존하는 복잡한 임상 데이터 분석을 위해 이중 지수 추정량과 EDDP 기반의 베이지안 비모수적 모델을 결합한 혁신적인 접근법을 제시하며, 향후 만성 질환 임상 시험의 인과적 추론을 위한 새로운 표준을 마련했습니다.