기술 요약: 정보 공유를 위한 궤적 기반 클러스터링 접근 방식 (Basket Trial에서의 정보 공유)

문제 정의

단일 치료법을 여러 종양 유형 또는 바이오마커에 걸쳐 동시에 평가하는 바스켓 임상시험(Basket trials)은 여러 바스켓 간의 치료 효능 이질성이라는 중대한 통계적 과제에 직면해 있습니다. 각 바스켓을 독립적으로 분석하는 것은 부적절한 정보 공유를 피할 수는 있지만, 초기 단계 종양학 연구에서 흔히 나타나는 작은 표본 크기(통상 20~50명)로 인해 통계적 효율성을 희생하게 됩니다. 반대로, 모든 바스켓이 교환 가능하다고 가정하는 완전 풀링(complete pooling)은 바스켓 간 차이가 클 경우 위양성률(false positive rates)을 높일 수 있습니다.

계층적 베이지안 모델과 같은 기존 솔루션은 부분적인 정보 공유를 허용하지만, 종종 사전에 지정된 교환 가능 구조나 공변량에 의존합니다. 그러나 실제 상황에서는 잠재적 하위 그룹을 정의하는 바이오마커나 공변량을 임상 시작 시점에 알 수 없는 경우가 많습니다. 또한, 기존의 클러스터링 방법들은 종종 객관적 반응률(ORR)과 같은 단일 요약 종점(summary endpoint)에만 의존합니다. 저자들은 단일 이진 비율에 의존하는 것이 특히 표본 크기가 작거나 반응 확률이 결정 임계값 근처에 있을 때 불안정한 클러스터링 성능을 초래할 수 있으며, 바스켓의 근본적인 유사성 구조를 포착하지 못한다고 주장합니다.

방법론

저자들은 최종 ORR에만 전적으로 의존하는 대신, 종양 반응의 종단적 궤적(longitudinal response trajectories)을 활용하여 정보 공유를 유도하는 2단계 데이터 기반 프레임워크를 제안합니다.

1. 궤적 특징 추출 (Trajectory Feature Extraction)

이 방법은 종양 반응을 상태 $S = \{CR, PR, SD, PD\}$를 갖는 1차, 시점 불변 마르코프 과정(first-order, time-homogeneous Markov process)으로 모델링합니다.

• 전이 확률 (Transition Probabilities): 각 바스켓 $j$에 대해, 관찰된 환자들의 종양 반응 시퀀스로부터 1단계 전이 확률 행렬 $\hat{P}_j$를 추정합니다.
• 가중 최종 상태 분포 (Weighted Final-State Distribution): 환자마다 다른 평가 시점의 수를 고려하기 위해, 저자들은 평가 횟수의 경험적 분포에 기반한 가중치 부여 체계를 도입했습니다. 이를 통해 가중 최종 상태 분포($\pi_j$)를 산출하며, 이는 환자가 마지막 관찰 시점에서 특정 반응 상태에 있을 주변 확률(marginal probability)을 추정합니다.
• 특징 벡터 (Feature Vector): 클러스터링을 위한 특징 벡터 $y_j = (\pi_j^\top, \hat{\theta}_j)^\top$는 가중 최종 상태 분포의 네 가지 구성 요소와 관찰된 ORR($\hat{\theta}_j$)을 결합하여 구축됩니다.

2. 클러스터링 절차 (Clustering Procedure)

• 거리 척도 (Distance Metric): 바스켓 간의 비유사성은 특징 벡터 사이의 맨해튼 거리($L_1$)를 사용하여 계산됩니다.
• 클러스터 선택 (Cluster Selection): 클러스터의 개수는 **실루엣 방법(Silhouette method)**을 사용하여 결정됩니다. 알고리즘은 최소 클서터 크기 2를 조건으로 평균 실루엣 지수를 최대화하는 클러스터 개수 $u$를 선택합니다.
• 안정성 안전장치 (Stability Safeguard): 최대 평균 실루엣 지수가 낮은 경우($\bar{s} \leq 0.25$), 즉 클러스터 분리가 약한 경우, 불안정한 과분할(over-partitioning)을 방지하기 위해 방법론은 단일 클러스터 구조(전체 공유)로 기본 설정됩니다.

3. 계층적 베이지안 모델링 (Hierarchical Bayesian Modeling)

클러스터가 식별되면, 식별된 클러스터 내에서 오직 주요 효능 종점(ORR)에 대해서만 계층적 베이지안 모델을 적합시킵니다.

• 동일한 추정 클러스터 내의 바스켓들은 반응의 로그 오즈(log-odds)에 대한 공통 사전 분포를 공유하여 적응형 정보 공유를 허용합니다.
• 서로 다른 클러스터에 속한 바스켓들은 독립적으로 분석되어, 이질적인 그룹 간의 부적절한 정보 공유를 방지합니다.
• 이 접근 방식은 클러스터링 단계는 데이터 기반이고, 후속 베이지안 추론은 추정된 분할에 조건부인 2단계 알고리즘으로 취급됩니다.

주요 기여

1. 궤적 정보 기반 클러스터링: 본 논문은 정적인 요약 종점인 ORR을 넘어, 종양 반응 궤적(전이 확률)을 활용하여 바스켓 유사성을 정의하는 바스켓 임상시험 분석을 위한 새로운 방법을 제시합니다.
2. 가변적 평가 일정 처리: 저자들은 환자 간의 평가 시점 수의 이질성을 고려하여 최종 상태 확률을 도출하기 위한 구체적인 가중치 메커니즘을 제안합니다. 이는 실제 임상 데이터에서 흔히 발생하는 문제입니다.
3. 데이터 기반 공유 그룹 식별: 이 프레임워크는 사전에 지정된 바이오마커나 공변량 없이도 잠재적인 정보 공유 그룹을 식별하며, 이는 초기 단계 임상에서 정보가 부족할 수 있는 실무적 한계를 해결합니다.
4. 클러스터링과 공유의 분리: 이 방법은 클러스터링 단계(전체 궤적 데이터 사용)와 공유 단계(주요 종점만 사용)를 명시적으로 분리하여, 공유 결정이 규제 기관의 효능 정의와 일치하면서도 그룹화를 위해 궤적 데이터를 활용할 수 있도록 보장합니다.

시뮬레이션 결과

저자들은 세 가지 시나리오(동질적 바스켓, 2개 클러스터 이질성, 3개 클러스터 이질성)에 대해 10,000회의 시뮬레이션 반복 실험을 통해 방법을 평가했습니다.

• 클러스터 회복 (Cluster Recovery): 이질적인 환경(시나리오 2 및 3)에서, 제안된 궤적 정보 기반 접근 방식은 "ORR 전용" 클러스터링 비교 대상보다 기저의 클러스터 구조를 더 빈번하게 회복했습니다. ORR 전용 방법은 ORR은 비슷하지만 궤적 패턴이 다른 바스켓들을 구별하는 데 어려움을 겪었습니다.
• 제1종 오류 및 검정력 (Type I Error and Power):
  • 동질적 시나리오(시나리오 1)에서, 제안된 방법은 과분할(하나의 클러스터만 존재할 때 여러 클러스터를 선택함) 경향을 보였으며, 이로 인해 제1종 오류율이 명목 수준인 5%를 약간 상회했습니다.
  • 이질적 시나리오에서, 이 방법은 제1종 오류율을 일반적으로 명목 수준에 가깝게 유지하면서도, 독립 분석("클러스터 없음") 및 "하나의 클러스터"(전체 풀링) 모델에 비해 개선된 통계적 검정력을 보여주었습니다.
• 추정 효율성 (Estimation Efficiency): 제안된 방법은 비공유 접근 방식보다 더 좁은 90% 신용 구간(credible intervals)을 생성하여 추정 정밀도가 향상되었음을 나타냈습니다.
• 비교 대상: 방법론은 독립 분석, 전체 풀링, ORR 전용 클러스터링, 그리고 EXNEX 모델과 비교되었습니다. 이러한 환경에서 EXNEX 모델은 독립 분석과 유사하게 동작하며 제한적인 정보 공유만을 보여주었습니다.

의의 및 한계점

본 논문은 제안된 프레임워크가 잠재적 하위 그룹 구조를 알 수 없는 바스켓 임상시험에서 정보 공유를 위한 실용적인 솔루션을 제공한다고 주장합니다. 일상적으로 수집되는 궤적 데이터를 활용함으로써, 이 방법은 진정한 바스켓 그룹을 회복하고 이질적인 환경에서 추정 효율성을 개선합니다.

그러나 저자들은 다음과 같은 특정 한계점을 인정합니다:

• 동질성에서의 과분할: 실루엣 기반 구현은 실제 구조가 동질적일 때 과분할하는 경향이 있으며, 이는 불필요한 복잡성을 초과하고 제1종 오류를 약간 상승시킬 수 있습니다.
• 단순화된 가정: 이 방법은 거리 계산 시 반응 범주를 명목형(nominal)으로 취급하며, 전이 행렬에서 외부 전이가 관찰되지 않는 행을 정규화하기 위해 균등 분포를 사용합니다. 이러한 선택은 수치적 안정성과 단순성을 우선시하지만, 종양 반응의 서열적 특성(ordinal nature)이나 임상적으로 현실적인 전이 패턴을 완전히 반영하지 못할 수 있습니다.
• 조건부 추론: 클러스터링이 베이지안 모델 적합 전에 추정되기 때문에, 결과적인 사후 분포는 클러스터 불확실성을 완전히 주변화(marginalizing)하기보다는 추정된 분할에 조건부적입니다.

저자들은 제안된 방법이 이질적인 환경에서 공유 효율성을 개선하는 데 유망함을 보여주지만, 동질적인 시나리오에서의 과분할 문제를 완화하기 위해 향후 연구에서 더 강력한 클러스터링 알고리즘을 탐구해야 한다고 결론지었습니다.