Cox Regression on the Plane

기술 요약: 평면 위의 콕스 회귀 (Cox Regression on the Plane)

문제 정의
콕스 비례 위험 모델(Cox proportional hazards model)은 단변량 생존 분석의 표준이지만, 이변량 생존 데이터(상관관계가 있는 고장 시간)로의 확장은 여전히 제한적이다. 기존 접근 방식들은 다음과 같은 상당한 트레이드오프에 직면한다:

• 공유 취약성(Shared frailty) 및 코퓰라(Copula) 모델: 이들은 종종 의존 구조에 대한 모수적 가정(예: 특정 코퓰라 가족 또는 취약성 분포)에 의존한다. 만약 의존 구조가 잘못 지정될 경우, 결합 생존 수준에서의 공변량 효과는 해석이 불가능하거나 부정확할 수 있다.
• 곱셈적 위험 확장(Multiplicative hazard extensions): 세 개의 별도 단일 고장률 및 이중 고장률 모델을 지정하려는 이전의 시도들은, 결과적으로 도출된 위험 함수가 필요한 구조적 제약 조건을 충족하지 못하여 유효한 이변량 생존 분포를 생성하는 데 일반적으로 실패한다.

저자들은 코스 모델의 준모수적(semiparametric) 성격을 보존하면서, 코퓰라나 취약성 분포의 지정 없이도 유효한 이변량 생존 분포를 산출하고 투명한 공변량 해석을 제공하는 방법론에 대한 공백을 확인하였다.

방법론
본 논문은 생존 함수의 일반화된 레만 표현(Lehmann representation)에 기반한 두 가지 준모수적 확장을 제안한다.

1. 모델:

   • 단순 레만 모델 (Simple Lehmann Model): 이변량 생명 함수를 $S(t_1, t_2 | Z) = [S_0(t_1, t_2)]^{\exp(b^T Z)}$로 정의하는 직접적인 확장이다. 이는 두 주변부(marginals)와 결합 의존성에 대해 공통된 비례 효과를 부과하며, 기저 의존 구조를 보존한다.
   • 일반화된 레만 모델 (Generalized Lehmann Model): 두 marginal 위험($\alpha, \beta$)과 의존성 구성 요소($\gamma$)에 대해 서로 다른 회귀 파라미터를 허용하는 더 유연한 정식화이다. 이는 다음과 같이 정의된다:
     $$S(t_1, t_2 | Z) = [S_{0T1}(t_1)]^{\exp(\alpha^T Z)} [S_{0T2}(t_2)]^{\exp(\beta^T Z)} \left[ \frac{S_0(t_1, t_2)}{S_{0T1}(t_1)S_{0T2}(t_2)} \right]^{\exp(\gamma^T Z)}$$
     이 모델은 의존성 구성 요소를 기저 의존성 비율에 대한 곱셈 인자로 취급한다. 저자들은 이에 대응하는 위험 함수를 도출하고, 결과 함수가 유효하고 비음(non-negative)의 생존 분포를 정의하기 위한 충분 조건(예: $\alpha$ 및 $\beta$에 대한 $\gamma$의 제약 조건)을 확립한다.

2. 추정:

   • 저자들은 기저 위험이 상쇄되지 않는 이변량 설정에서의 부분 가능도(partial likelihood)의 복잡성을 피하기 위해 의사 관측치(pseudo-observations) 접근법을 활용한다.
   • 단순 모델: 이변량 의사 관측치를 반응 변수로 사용하고 complementary log-log (cloglog) 연결 함수를 사용하는 GLM을 통해 일반화 추정 방정식(GEE)으로 추정한다.
   • 일반화 모델: 2단계 절차를 통해 추정한다:
     1. 단변량 의사 관측치와 표준 GEE를 사용하여 marginal 파라미터($\alpha, \beta$)를 추정한다.
     2. 의존성 구성 요소(결합 생존과 곱의 비율)를 위한 수정된 반응 변수를 구성하고, 두 번째 GEE 단계를 통해 $\gamma$를 추정한다.
   • 저자들은 독립적 검열(independent censoring) 하에서 이 추정량들의 **일치성(consistency)과 점근적 정규성(asymptotic normality)**을 입증한다.

주요 결과

• 시뮬레이션 연구: 저자들은 양의(PQD) 및 음의(NQD) 의존성을 나타내는 다양한 코퓰라(Frank, Clayton, Gumbel-Barnett)로부터 생성된 데이터에 대해 제안된 방법들을 평가하였다.
  • 추정량들은 표본 크기 $n=800$에서 낮은 편향과 명목 수준에 근접한 커버리지를 보여주었다.
  • 제안된 모델은 단순 레만 모델이 오지정되었을 때(즉, $\alpha \neq \beta \neq \gamma$인 경우)에도 유연한 코퓰라 기반 회귀 프레임워크(Marra and Radice, 2020)와 비교하여 경쟁력 있는 예측 정확도(평균 절대 오차)를 유지하였다.
  • 제안된 방법은 레만 모델이나 코퓰라 모델이 엄격하게 옳지 않은 로그 정규 분포로부터 생성된 데이터에 적용되었을 때도 모델 오지정에 대해 강건함을 입증하였다.
• 데이터 적용 (Global Retinoblastoma Outcome Study - GROS):
  • 본 방법은 양안의 적출 시간을 분석하기 위해 977건의 양측 망막세포종 사례에 적용되었다.
  • 의존 구조: 비모수적 추정치는 양안 사이에 음의 사분면 의존성(NQD)이 있음을 나타냈다. 그러나 표준 코퓰라 기반 접근법은 양의 의존성(PQD)을 함의하는 Clayton 코퓰라를 선택하였으며, 이는 상충되는 조건부 생존 확률을 초래했다.
  • 해석 가능성: 레만 모델은 파라미터 코퓰라를 강제하지 않고도 NQD 구조를 정확하게 포착하였다. 결과에 따르면, 한쪽 눈이 조기에 적출된 경우, 첫 번째 눈이 생존했을 때보다 다른 쪽 눈이 더 오래 생존할 확률이 높았으며, 이는 임상적 기대와 일치하지만 코퓰라 모델에서는 놓친 발견이었다.
  • 공변량 효과: 모델은 고령의 발병 연령, 높은 종양 단계, 소득 수준이 생존 확률에 유의미한 영향을 미치는 반면, 성별과 가족력은 그렇지 않음을 식별하였다.

의의 및 주장
본 논문은 투명하고 완전한 준모수적 프레임워크를 통해 marginal 생존 확률과 그 의존성에 대한 공변량 효과를 평가할 수 있다고 주장한다. 주요 기여는 다음과 같다:

1. 코퓰라 오지정 방지: 공변량 효과를 파라미터 코퓰라 가족을 통해 모델링하는 대신 이변량 생존 함수에 직접 모델링함으로써, 조건부 확률 해석에 결정적인 잘못된 의존 구조 가정의 위험을 피한다.
2. 타당성 및 해석 가능성: 제안된 모델은 특정 조건 하에서 유효한 이변량 생존 분포를 정의함이 증명되었으며, 회귀 계수는 생존 척도상에서 직접적인 해석을 제공한다 (예: $\gamma$는 공변량이 기저 의존성을 증폭시키거나 감쇄시키는 정도를 조절한다).
3. 새로운 추정법: 저자들은 의사 관측치 기반의 최초 이단계 이변량 생존 회귀법을 제시하고 그 이론적 특성을 확립하였다.
4. 임상적 관련성: 망막세포종 데이터에 대한 적용은 표준 모델 선택 기준(예: BIC)이 잘못된 의존 구조(PQD vs. NQD)를 가진 코퓰라를 선호할 수 있는 반면, 제안된 프레임워크는 경험적 증거 및 도메인 지식과 일치하는 임상적으로 해석 가능한 결과를 제공함을 보여준다.

저자들은 의사 관측치를 위한 생존 추정치 재계산의 계산 비용과 독립적 검열 가정을 포함한 한계점을 언급하였으나, 이 접근법이 의존 구조가 알려지지 않았거나 복잡한 이변량 생존 분석에 있어 강력한 대안을 제공한다고 강조하였다.