Group Sequential Methods for the Win Ratio

기술 요약: 윈 레이쇼(Win Ratio)를 위한 그룹 순차 설계 방법론

문제 정의
윈 레이쇼는 계층적 임상 중증도를 가진 복합 결과(composite outcomes)를 통합할 수 있고, 서로 다른 유형의 데이터(예: 사건 발생 시간, 이진 데이터, 카운트 데이터)를 결합할 수 있는 능력 덕분에 무작위 임상 시험에서 일차 종점(primary endpoint)으로 점점 더 많이 활용되고 있습니다. 그러나 윈 레이쇼 종점을 위한 그룹 순차 설계(Group Sequential Designs, GSD) 구현과 관련하여 중요한 방법론적 공백이 존재합니다. 구체적으로, 고전적인 Lan-DeMets $\alpha$-spending function을 적용하기 위한 전제 조건인 **독립 증분 가정(independent increments assumption)**이 증분 윈-로스(win-loss) 검정 통계량에 대해 성립하는지 여부가 불분명합니다.

기존 문헌에 따르면, 증분 통계량의 정확한 이변량 분포(exact bivariate distributions)를 위해 독립성이 위배된다고 제안됩니다. 이는 나중에 등록된 환자들이 기존 환자들과 비교됨에 따라 새로운 환자가 유입될 때 상관관계가 생성되기 때문입니다. 이에 따라 기존의 접근 방식들은 블록 층화(block stratification, 이는 중간 분석 간격이 실현 불가능할 정도로 넓어야 함)나 경험적 부트스트랩 추정(empirical bootstrap estimation of covariance, 이는 사전에 지정할 수 없음)과 같은 복잡한 수정 방식을 권장해 왔습니다. 본 논문이 다루는 핵심 질문은 윈 레이쇼를 평가하는 데 사용되는 U-통계량의 **점근적 분포(asymptotic distribution)**에 대해 독립 증분 가정이 충족되어, 전통적인 GSD 경계값을 직관적으로 적용할 수 있는지 여부입니다.

방법론
저자들은 점근적 분포 하에서의 증분 U-통계량의 공분산 구조를 도출하기 위한 수학적 프레임워크를 개발했습니다.

1. 프레임워크 및 가정:

   • 연구는 모든 참가자에 대해 고정된 추적 관찰 시간 $T$를 가정하며, 일차 종점은 $T$ 시점에 평가됩니다. 이는 가변적인 추적 관찰 시간에 따른 의존성을 피하기 위함입니다.
   • 주요 이론적 도출을 위해, 저자들은 추적 관찰이 완료된 환자만을 중간 분석에 포함한다고 가정합니다. 이는 중간 분석 시점 $k$에서 환자가 기여하는 정보가 이후의 통계량 $Z_l$ ($k < l$)에서도 일정하게 유지되도록 보장합니다.
   • 윈 레이쇼($\psi = \tau_1/\tau_2$)와 윈 차이(win difference)는 치료군($X$)과 대조군($Y$) 사이의 쌍별 비교를 기반으로 한 U-통계량을 통해 정의됩니다.

2. 수학적 도출:

   • 윈 차이: 저자들은 윈 차이의 증분 검정 통계량($U_{1k} - U_{2k}$)에 대해, 시점 $k$와 $l$ 사이의 공분산이 나중 증분의 분산과 같음($\text{cov}(Z_k, Z_l) = \sqrt{I_k(\theta)/I_l(\theta)}$)을 증명합니다. 이는 윈 차이의 점근적 분포에 대해 독립 증분 가정이 성립함을 확인시켜 줍니다.
   • 윈 레이쇼: 이 도출 과정은 로그 변환된 윈 레이쇼로 확장됩니다. 저자들은 $\text{cov}(\log(\hat{\psi}_k), \log(\hat{\psi}_l)) \approx \text{var}(\log(\hat{\psi}_l))$임을 보여줌으로써, 점근적 조건 하에서 로그 변환된 윈 레이쇼에 대해서도 독립 증분 가정이 대략적으로 성립함을 입증합니다.

3. 시뮬레이션 연구:

   • 시나리오 1 (완전한 정보): 전체 제1종 오류율을 평가하기 위해 샘플 크기 $N=200$ 및 $N=400$인 조건에서 Hwang-Shih-DeCani $\alpha$-spending function을 사용하여 시뮬레이션을 수행했습니다. 분석에는 각 중간 분석 시점에서 추적 관찰이 완료된 환자들만 포함되었습니다.
   • 시나리오 2 (부분적 정보): 시뮬레이션을 부분적 추적 관찰 정보를 제공하는 환자까지 확장하였으며, 인적 연수(person-years)를 기준으로 정보 분율을 계산했습니다.

주요 결과

• 이론적 증명: 본 논문은 U-통계량을 사용하는 윈 차이의 점근적 분포에 대해 독립 증분 가정이 충족된다는 수학적 증명을 제공합니다. 또한, 로그 변환된 윈 레이쇼에 대해서도 이 속성이 대략적으로 성립함을 보여줍니다.
• 제1종 오류 제어: $N=200$인 시뮬레이션에서 경험적 제1종 오류율은 0.0517이었고, $N=400$인 경우 0.0487이었습니다. 이러한 결과는 상대적으로 작은 샘플 크기에서도 전통적인 $\alpha$-spending function이 제1종 오류율을 잘 보존한다는 것을 보여줍니다.
• 부분적 정보: 시나리오 2(부분적 정보)에 대한 시뮬레이션 결과 역시 유사한 결과를 뒷받침하였으며, 이는 불완전한 데이터를 사용할 때도 해당 방법이 견고함을 시사합니다. 다만, 이 특정 사례에 대한 이론적 증명은 본문에 완전히 확립되지 않았습니다.
• 회고적 적용: IN.PACT SFA 임상 시험 데이터에 대한 재분석이 수행되었습니다. 정보량 50% 및 75% 지점에서 중간 분석을 수행하는 가상의 그룹 순차 설계 하에서, 해당 시험은 첫 번째 중간 분석(정보량 50%)에서 윈 레이쇼 4.29 ($p < 0.001$)로 성공적 종료(success) 판정을 받았을 것이며, 이는 최종 결과인 3.82와 비교됩니다.

의의 및 주장
저자들은 본 연구가 샘플 크기가 점근적 분포를 가정할 만큼 충분히 크고 특정 환자 추적 관찰 조건이 충족된다면, 윈 레이쇼를 포함하는 무작위 배정 시험에서 Lan-DeMets $\alpha$-spending function을 직접 적용하는 것이 가능하다는 것을 입증한다고 주장합니다.

저자들이 강조한 주요 시사점은 다음과 같습니다:

• 경험적 경계값 제거: 연구자들은 더 이상 중간 분석 시점에 사전에 지정할 수 없는 부트스트랩을 통해 경험적 경계값을 생성할 필요가 없습니다.
• 소프트웨어 호환성: 전통적인 그룹 순차 경계값을 계산할 수 있는 기존 소프트웨어 패키지(예: R의 gsDesign 패키지)를 윈 레이쇼 종점에 직접 사용할 수 있습니다.
• 제한적 범위: 저자들은 자신들의 주요 도출 과정이 추적 관찰이 완료된 환자만을 사용하는 가정에 의존하고 있음을 명시적으로 밝힙니다. 시뮬레이션은 부분적 정보를 사용하더라도 작동함을 시사하지만, 로그-랭크 검정과 유사하게 초기 중간 분석에서 부분적인 환자 정보를 사용하는 상황에 대한 결과는 "추가적인 연구가 필요하다"고 언급했습니다.

결론적으로, 본 논문은 점근적 조건 하에서 윈 차이에 대해서는 독립 증분 가정이 충족되고, 윈 레이쇼에 대해서는 대략적으로 충족됨을 밝힘으로써, 이러한 종점들을 위한 표준 그룹 순차 방법론의 타당성을 검증하였습니다.