Prior Smoothing for Multivariate Disease Mapping Models

1. 문제 제기 (Problem)

• 배경: 질병 매핑은 지역 단위 (Areal units) 에서 질병 발생률이나 사망률의 지리적 분포를 추정하는 데 필수적입니다. 특히 소규모 지역이나 희귀 질병의 경우, 관측된 데이터의 변동성이 커서 신뢰할 수 없는 추정이 나오기 쉽습니다. 이를 해결하기 위해 공간적 평활화 (Spatial Smoothing) 를 도입하여 이웃 지역 정보를 활용합니다.
• 문제점:
  • 기존 연구들은 주로 모델의 적합도 (Goodness-of-fit) 에 초점을 맞추었으나, 평활화를 목적으로 할 때는 적합도보다 어떤 사전 분포가 얼마나 많은 평활화를 유도하는지를 이해하는 것이 더 중요합니다.
  • 과도한 평활화는 고위험/저위험 지역을 숨길 수 있고, 불충분한 평활화는 무작위 변동에 의한 노이즈가 많은 지도를 생성할 수 있습니다.
  • 다변량 맥락의 부재: 단일 변수 모델에 대한 평활화 연구는 존재하지만, 여러 질병이 상호 의존적인 다변량 모델에서 사전 분포 선택이 평활화에 미치는 영향을 정량화한 연구는 부족했습니다. 특히 질병 간 상관관계가 평활화 정도에 어떤 영향을 미치는지 명확하지 않았습니다.

2. 방법론 (Methodology)

2.1 모델링 프레임워크

• 계층적 모델: 1 단계는 질병 카운트를 포아송 분포로 모델링하고, 2 단계는 공간 랜덤 효과를 통해 로그-비율 (Log-rate) 을 모델링합니다.
• 다변량 사전 분포 (M-models): 계산 효율성과 해석 가능성을 위해 Botella-Rocamora et al. (2015) 의 M-model 을 사용합니다.
  • 공분산 행렬 $\Sigma$ 는 질병 간 공분산 ($\Sigma_b = MM'$) 과 질병 내 공분산 ($\Sigma_w$) 의 조합으로 정의됩니다.
  • 연구에서는 세 가지 공간 사전 분포를 비교합니다:
    1. iCAR (Intrinsic CAR): Besag (1974) 기반.
    2. LCAR (Leroux CAR): Leroux et al. (2000) 기반. 구조적 및 비구조적 공간 성분을 혼합 ($\lambda$ 파라미터).
    3. LjCAR: 각 질병마다 별도의 공간 의존성 파라미터 ($\lambda_j$) 를 갖는 비분리형 (Non-separable) 구조.

2.2 평활화 측정 지표

평활화 정도를 정량화하기 위해 이론적 지표와 경험적 지표를 모두 제안했습니다.

• 이론적 지표: 다변량 조건부 분산 합 (Multivariate Total Conditional Variance, TCV)

  • 사전 분포의 정밀도 행렬 (Precision Matrix) 의 역행렬을 사용하여 조건부 공분산 행렬을 유도합니다.
  • 각 지역 $i$ 에 대한 $J \times J$ 조건부 공분산 행렬의 일반화 분산 (행렬식, Determinant) 을 구하고, 이를 모든 지역에 대해 합산합니다.
  • 공식: $TCV = \sum_{i} | [(\Sigma^{-1})_{ii}]^{-1} |$
  • 해석: TCV 값이 작을수록 강한 평활화를 의미합니다.

• 경험적 지표 (Empirical Metrics)

  • 시뮬레이션 또는 실제 데이터를 통해 추정된 사후 평균 (Posterior Mean) 과 관측된 경험적 비율 (Empirical Rate) 간의 차이를 측정합니다.
  • RMSS (Relative Mean Square Smoothness): 질병별 및 전체 모델에 대한 평균 제곱 오차 기반 지표.
  • RSP (Relative Smoothing Proportion): 질병별 평활화 정도를 최대 가능 평활화 정도에 상대적으로 비교.
  • SP (Smoothing Proportion): 전체 다변량 모델의 평활화 비율.

2.3 시뮬레이션 및 실제 데이터 분석

• 시뮬레이션: 2 가지 질병을 대상으로 4 가지 시나리오 (상관관계 유무, 질병 간 발생률 차이) 를 설정하고, 지역 수 ($G=47, 100, 300$) 를 변화시키며 평활화 거동을 분석했습니다.
• 실제 데이터: 스페인 본토의 50 세 이상 여성을 대상으로 한 대장, 위, 췌장암 사망률 데이터 (2020-2022) 를 활용하여 47 개 주 및 격자 단위 (100, 300 개) 로 분석했습니다.

3. 주요 결과 (Key Results)

3.1 시뮬레이션 결과

• 분산의 영향: 질병 간 공분산 행렬의 대각 성분 ($\Sigma_{11}, \Sigma_{22}$) 이 평활화 정도에 가장 큰 영향을 미칩니다. 분산이 작을수록 평활화가 강하게 발생합니다.
• 상관관계 ($\rho$) 의 영향: 질병 간 상관관계가 평활화에 미치는 영향은 시나리오와 분산 값에 따라 복잡하게 작용합니다. 일반적으로 상관관계가 높을수록 평활화 정도가 달라지지만, 그 효과는 분산 크기에 따라 달라집니다.
• 사전 분포 간 비교:
  • iCAR이 가장 강한 평활화를 유도했습니다.
  • LCAR과 LjCAR은 iCAR 에 비해 상대적으로 약한 평활화를 보였습니다.
  • 지역 수 ($G$) 의 증가: 지역 수가 증가할수록 전체 평활화 정도가 증가하며, 사전 분포 간 평활화 차이는 더 뚜렷해집니다.
  • 질병별 차이: 지역 수가 증가함에 따라 질병별 평활화 비율 (RSP) 이 서로 수렴하는 경향을 보입니다.

3.2 실제 데이터 분석 결과

• 시뮬레이션 결과를 지지하며, iCAR이 가장 많은 평활화를, LjCAR이 가장 적은 평활화를 유도함을 확인했습니다.
• 지역별 평활화 패턴: 이웃 지역과 발생률이 현저히 다른 지역 (예: 주변은 낮고 해당 지역은 매우 높은 경우) 에서 평활화 효과가 가장 크게 나타났습니다.
• 다변량 모델의 효과: 2 개 또는 3 개의 질병을 동시에 모델링할 때, 전체 평활화 비율 (SP) 은 크게 변하지 않았습니다. 이는 소수의 질병을 다룰 때 쌍별 (Pairwise) 분석과 다변량 분석의 평활화 정도가 유사함을 시사합니다.

4. 주요 기여 (Key Contributions)

1. 다변량 평활화 이론의 확장: 단일 변수 모델에 국한되었던 평활화 분석을 다변량 맥락으로 확장하여, 질병 간 상관관계와 공분산 구조가 평활화에 미치는 영향을 규명했습니다.
2. 이론적 및 경험적 측정 지표 제안:
   • 다변량 사전 분포의 매개변수 기반 이론적 평활화 지표 (Multivariate TCV) 를 개발했습니다.
   • 모델 결과의 실제 평활화 정도를 평가할 수 있는 경험적 지표 (RMSS, RSP, SP) 를 제안했습니다.
3. 실용적 가이드라인 제공:
   • 연구자와 실무자가 사전 분포 선택과 하이퍼파라미터 설정이 평활화에 미치는 영향을 이해하고 비교할 수 있는 도구를 제공합니다.
   • 지역별 평활화 지도 (Area-specific smoothing maps) 를 통해 모델 기반 평활화가 결과에 큰 영향을 미치는 지역을 식별할 수 있음을 보였습니다.

5. 의의 및 결론 (Significance)

이 연구는 다변량 질병 매핑에서 모델의 평활화 성향을 정량적으로 평가하는 체계를 마련했다는 점에서 의의가 큽니다.

• 의사결정 지원: 과도한 평활화로 인한 고위험 지역의 누락이나 불충분한 평활화로 인한 오해를 방지하기 위해, 연구자는 선택한 사전 분포가 유도하는 평활화 수준을 사전에 평가할 수 있게 되었습니다.
• 모델 투명성: 시각적 검토뿐만 아니라 이론적/경험적 지표를 통해 모델 사양 (Specification) 을 더 투명하게 해석할 수 있게 되었습니다.
• 향후 연구: 동적 다변량 질병 매핑 (시계열 요소 추가) 에서 평활화 거동을 분석하는 등 향후 연구 방향을 제시했습니다.

요약하자면, 이 논문은 다변량 질병 매핑 모델에서 어떤 사전 분포를 선택하느냐에 따라 평활화 정도가 어떻게 달라지는지를 이론과 실증 데이터를 통해 체계적으로 증명하고, 이를 평가할 수 있는 새로운 지표를 제시함으로써 공간 역학 연구의 정밀도를 높이는 데 기여했습니다.