Don't Disregard the Data for Lack of a Likelihood: Bayesian Synthetic Likelihood for Enhanced Multilevel Network Meta-Regression

이 논문은 개별 환자 데이터의 공변량이 누락된 상황에서도 하위 그룹 요약 통계를 활용할 수 있도록 베이지안 합성 가능도 (BSL) 를 다층 네트워크 메타회귀 분석에 적용하고, 확률적 기울기 추정과 연속 완화 기법을 통해 Stan 의 HMC 프레임워크 내에서 이를 효율적으로 구현하는 방법을 제시합니다.

핵심

이 논문은 **"데이터의 일부가 사라졌을 때, 남은 조각들을 어떻게 더 똑똑하게 활용해서 전체 그림을 복원할까?"**라는 질문에 대한 해답을 제시합니다.

의학 연구나 정책 결정에서 우리는 종종 '완전한 데이터'를 갖지 못합니다. 예를 들어, 환자 개개인의 나이, 성별, 병력 같은 세부 정보 (개인 데이터) 가 보호 차원에서 공개되지 않고, 대신 "중증 환자는 약이 잘 듣는다", "여성은 효과가 적다" 같은 **요약된 결과 (그룹별 통계)**만 있는 경우가 많습니다.

기존의 방법들은 이런 '개인 정보의 부재' 때문에 요약된 데이터를 무시하고, 통계적으로 추측만 해왔습니다. 하지만 이 논문은 "아직도 손에 쥔 요약 데이터를 버리지 말고, Bayesian Synthetic Likelihood (BSL, 베이지안 합성 우도)"라는 새로운 도구를 써서 그 데이터를 다시 활용하자고 제안합니다.

이 복잡한 개념을 일상적인 비유로 설명해 드리겠습니다.

---

1. 상황: 잃어버린 퍼즐 조각과 남은 지도

상상해 보세요. 거대한 퍼즐 (전체 환자 데이터) 을 맞추려고 합니다.

• 완전한 데이터 (Oracle): 퍼즐 조각이 모두 있습니다. 그림을 완벽하게 볼 수 있습니다.
• 기존 방법 (ML-NMR): 퍼즐의 80% 가 사라졌습니다. 남은 20% 조각만 가지고 전체 그림을 유추하려 합니다. 이때, "왼쪽 구석은 푸른색이다"라는 요약된 메모가 주어졌지만, 기존 방법은 이 메모를 "아, 그건 개인 정보가 없어서 못 쓰겠네" 하고 무시하고, 남은 조각만으로 어정쩡하게 그림을 그립니다.
• 이 논문의 방법 (BSL): "아직도 '왼쪽 구석은 푸른색'이라는 메모가 있잖아! 이걸로 잃어버린 80% 조각을 가상적으로 만들어내자!"라고 말합니다.

2. 해결책: "가상 시뮬레이션"으로 잃어버린 조각 복원하기

이 논문이 제안하는 BSL의 핵심은 다음과 같은 3 단계 과정으로 작동합니다.

1 단계: "상상력"으로 잃어버린 조각 채우기 (Imputation)

컴퓨터는 "현재 우리가 아는 약의 효과와 환자의 특성"을 바탕으로, 잃어버린 80% 퍼즐 조각을 상상해서 만들어냅니다.

• 예: "환자 A 는 나이가 많고 병이 심했을 테니, 이 조각은 붉은색이겠지?"라고 추측해서 가상의 조각을 만듭니다.

2 단계: "가상 요약" 만들기 (Synthetic Summaries)

이렇게 상상해서 만든 가상의 조각들을 모아, 실제 우리가 손에 쥔 요약 메모와 비교합니다.

• "내가 상상해서 만든 가상의 퍼즐을 보면, 왼쪽 구석이 정말 푸른색이 나오나?"
• 만약 가상의 퍼즐이 "왼쪽이 붉은색"으로 나왔다면, 우리의 추측 (상상) 이 틀렸다는 뜻입니다.

3 단계: "맞춤형 수정" (Matching & Correction)

가상의 결과와 실제 메모가 얼마나 닮았는지 계산해서, 우리의 추측 (모델) 을 수정합니다.

• "아, 가상의 조각이 푸른색이 나오도록 파라미터를 조금만 조정해야겠네."
• 이 과정을 수천 번 반복하며, 잃어버린 데이터가 있었을 때 나올 법한 가장 정확한 그림을 찾아냅니다.

3. 기술적 난관과 해결: "부드러운" 길을 찾아서

이 과정에는 두 가지 큰 기술적 문제가 있었습니다. 이 논문은 이를 창의적으로 해결했습니다.

• 문제 1: 컴퓨터가 "계산"을 못 합니다.

  • 퍼즐 조각을 하나씩 세는 과정은 "0 또는 1"처럼 딱딱하고 끊어지는 (이산적) 숫자입니다. 하지만 최신 컴퓨터 알고리즘 (HMC) 은 "부드러운 곡선" 위를 미끄러지듯 계산하는 것을 좋아합니다. 딱딱한 숫자에서는 알 수 없는 오류가 생깁니다.
  • 해결책 (연속적 완화): "딱딱한 숫자"를 "부드러운 유체"처럼 다룹니다. 예를 들어, "10 명 중 3 명"이라는 딱딱한 숫자를 "3.02 명"처럼 부드럽게 근사해서 계산합니다. 이렇게 하면 컴퓨터가 미끄러지듯 계산을 할 수 있습니다.

• 문제 2: "부드러운" 계산은 약간의 오차를 만듭니다.

  • 부드러운 유체로 계산했으니, 결과가 조금씩 왜곡될 수 있습니다.
  • 해결책 (PSIS 교정): 계산이 끝난 후, "아까 우리가 부드럽게 계산한 게 얼마나 틀렸는지"를 다시 한번 딱딱한 숫자로 확인하고, 그 오차를 보정해 줍니다. (마치 요리할 때 간을 본 후, 마지막에 소금 한 꼬집을 더 넣는 것과 같습니다.)

4. 실제 효과: 건선 치료제 연구 사례

이론을 실제 건선 (피부병) 치료제 연구에 적용해 보았습니다.

• 상황: 어떤 연구에서는 환자 개개인의 데이터가 공개되지 않았고, "비만 환자에게는 효과가 좋다"는 요약 데이터만 있었습니다.
• 기존 방법: 요약 데이터를 무시하고, 개인 데이터가 있는 다른 연구들만 믿었습니다. 그 결과, "비만 환자에게 효과가 없다"거나 "약간 효과가 있다"는 모호한 결론이 나왔습니다.
• 이 논문의 방법 (BSL): 요약 데이터를 활용했습니다. 그 결과, **"비만 환자에게는 효과가 확실히 있다"**는 것을 기존 방법보다 훨씬 정확하게 찾아냈습니다. 마치 잃어버린 퍼즐 조각을 찾아낸 것처럼, 치료 효과를 훨씬 선명하게 볼 수 있게 된 것입니다.

5. 결론: 왜 이것이 중요한가요?

이 연구는 **"데이터가 불완전해도, 우리가 가진 작은 단서 (요약 데이터) 를 잘만 활용하면, 완전한 데이터를 가진 것과 거의 비슷한 결론을 낼 수 있다"**는 것을 증명했습니다.

• 개인정보 보호: 환자들의 민감한 개인 정보를 공개할 필요 없이, 공개된 요약 데이터만으로도 정밀한 분석이 가능해집니다.
• 비용 절감: 데이터를 다시 수집하거나 구하기 위해 많은 시간과 돈을 들일 필요가 줄어듭니다.
• 의사 결정: 의료 정책이나 보험 결정 시, 더 정확하고 편향되지 않은 정보를 바탕으로 할 수 있게 됩니다.

한 줄 요약:

"잃어버린 퍼즐 조각이 아쉽다면, 남은 조각과 메모를 이용해 컴퓨터가 그 조각을 상상해서 만들어내고, 그 상상이 맞는지 검증하는 똑똑한 방법을 개발했습니다."

기술 요약

이 논문은 다중 수준 네트워크 메타 회귀 (Multilevel Network Meta-Regression, ML-NMR) 분석에서 개인 수준의 공변량 (covariate) 데이터가 누락되었을 때, 흔히 보고되는 **하위 그룹 요약 통계량 (subgroup summary statistics)**을 활용하기 위한 새로운 방법론을 제안합니다. 저자들은 **베이지안 합성 가능도 (Bayesian Synthetic Likelihood, BSL)**를 도입하여 기존 ML-NMR 의 한계를 극복하고, Hamiltonian Monte Carlo (HMC) 를 기반으로 한 Stan 프레임워크 내에서 이를 구현하는 전략을 제시합니다.

다음은 논문의 기술적 요약입니다.

---

1. 문제 제기 (Problem Statement)

• 배경: 건강 정책 및 보상 결정은 특정 환자 집단에 대한 편향되지 않은 치료 효과 추정이 필요합니다. 개별 환자 데이터 (IPD) 와 집계 데이터 (Aggregate Data) 를 결합하는 ML-NMR 은 공변량 분포를 고려하여 편향을 보정하는 최첨단 방법론으로 평가받습니다.
• 한계: 많은 임상 시험은 개인 수준의 공변량 (나이, 성별, 질병 중증도 등) 은 비공개로 유지하더라도, **하위 그룹별 치료 효과 (예: 중증도 높음/낮음에 따른 오즈비)**와 같은 요약 통계량은 공개합니다.
• 현재의 문제: 기존 ML-NMR 은 누락된 개인 수준 공변량을 공변량 분포에 대해 적분 (marginalization) 하는 방식으로 처리합니다. 이 과정에서 하위 그룹별 요약 정보는 활용되지 못하고 버려지게 됩니다. 이는 치료 효과의 변형 (effect modification) 에 대한 직접적인 증거를 무시하는 것으로, 정보 손실과 추정의 정확도 저하를 초래합니다.
• 목표: 개인 수준 데이터는 누락되었지만 하위 그룹 요약 통계량은 존재하는 상황에서, 이 보조 정보를 체계적으로 활용하여 ML-NMR 의 추정 정확도를 높이는 방법론 개발.

2. 방법론 (Methodology)

저자들은 **베이지안 합성 가능도 (BSL)**를 ML-NMR 프레임워크에 적용하여 이 문제를 해결했습니다. BSL 은 계산적으로 다루기 어려운 가능도 (likelihood) 를 시뮬레이션을 통해 근사하는 방법론입니다.

2.1. 핵심 아이디어

• MCMC(마코프 연쇄 몬테 카를로) 반복 단계마다 누락된 공변량을 모델이 암시하는 조건부 분포에서 **임의의 값 (imputation)**으로 채웁니다.
• 이렇게 채워진 가상의 데이터 (synthetic data) 로부터 합성 하위 그룹 요약 통계량을 계산합니다.
• 관측된 실제 하위 그룹 요약 통계량과 합성 통계량을 **다변량 정규 분포 (Multivariate Normal)**를 통해 비교하여 합성 가능도를 구성합니다.

2.2. Stan 과 HMC 구현을 위한 기술적 도전 및 해결책

Stan 의 HMC 알고리즘은 가능도가 **결정론적 (deterministic)**이고 **미분 가능 (differentiable)**해야 한다는 제약이 있습니다. BSL 은 본질적으로 무작위성을 포함하고 이산적 (discrete) 인 요소를 가지므로 이를 해결하기 위해 4 가지 전략을 결합했습니다.

1. 공통 난수 (Common Random Numbers):

   • Stan 모델 블록 내부에서 무작위 수 생성이 금지되어 있으므로, MCMC 실행 전 모든 필요한 난수를 미리 생성하여 고정된 '데이터'로 Stan 에 전달합니다.
   • 이를 통해 합성 데이터 생성 과정을 매개변수의 결정론적 함수로 변환하여 HMC 가 요구하는 미분 가능성을 확보합니다.

2. 충분 통계량 표현 (Sufficient Statistic Representation):

   • 모든 개별 데이터를 시뮬레이션하는 대신, 요약 통계량에 영향을 미치는 충분 통계량 (예: 임계값을 넘는 관측치 수) 만을 생성하여 계산 비용을 줄입니다.

3. 연속적 완화 (Continuous Relaxation):

   • 이산적 분포 (이항/다항 분포) 는 HMC 의 미분 요구사항을 위반합니다. 이를 해결하기 위해 이산 분포를 **정규 근사 (Normal approximation)**로 대체하여 연속적이고 미분 가능한 공간으로 변환합니다.
   • 예: 이항 분포를 평균과 분산을 가진 정규 분포로 근사합니다.

4. PSIS (Pareto-Smoothed Importance Sampling) 보정:

   • 연속적 완화는 편향 (bias) 을 유발합니다. 이를 보정하기 위해 사후 분석 단계 (generated quantities block) 에서 **중요도 샘플링 (Importance Sampling)**을 수행합니다.
   • 실제 이산 분포에서 샘플링한 가능도와 연속적 근사 가능도의 차이를 계산하여 가중치를 부여하고, Pareto 분포를 사용하여 가중치를 안정화시킵니다. 이는 근사 오차를 보정하고 모델의 적합도를 진단 (Pareto $\hat{k}$) 하는 데 사용됩니다.

3. 주요 기여 (Key Contributions)

1. 새로운 BSL 적용: 개인 수준 데이터는 누락되었으나 완전한 데이터셋에서 계산된 요약 통계량이 존재하는 '누락 데이터 문제'에 BSL 을 최초로 적용했습니다.
2. Stan/HMC 프레임워크 구현: BSL 을 현대적 확률 프로그래밍 언어인 Stan 의 HMC 엔진과 호환되도록 구현하는 구체적인 전략 (공통 난수, 연속적 완화, PSIS) 을 제시했습니다.
3. 실증적 검증: 건선 (Plaque Psoriasis) 임상 시험 네트워크 데이터를 사용하여, BSL 을 적용한 ML-NMR 이 기존 ML-NMR 보다 개인 수준 데이터를 모두 사용할 때 (Oracle) 얻는 결과에 훨씬 가깝게 수렴함을 입증했습니다.

4. 결과 (Results)

• 데이터: 6 가지 치료제를 비교하는 4 개의 건선 임상 시험 (UNCOVER-1, 2, 3 및 FIXTURE) 데이터 사용.
• 실험 설계:
  • Oracle: 모든 연구의 개인 수준 데이터를 사용 (최적 기준).
  • ML-NMR: 일부 연구의 개인 수준 공변량을 누락하고 하위 그룹 정보를 무시.
  • BSL-IS: 일부 연구의 공변량은 누락되나, 하위 그룹 요약 정보를 BSL 로 활용.
• 성능:
  • 예측 정확도: BSL-IS 모델은 치료 효과 ($\gamma$), 예후 인자 ($\beta_1$), 그리고 효과 변형 (effect modification, $\beta_2$) 파라미터 추정에서 Oracle 결과와 매우 유사한 값을 보였습니다.
  • 기존 방법과의 비교: 기존 ML-NMR 은 효과 변형 파라미터 추정에서 Oracle 과 큰 차이를 보였으며, 때로는 잘못된 결론 (예: 특정 요인이 효과 변형 인자라고 잘못 판단) 을 내렸습니다. BSL-IS 는 하위 그룹 정보를 활용하여 이러한 편향을 교정했습니다.
  • 계산 비용: BSL-IS 는 표준 ML-NMR(수 분) 에 비해 약 10 시간의 계산 시간이 소요되었으나, 정보 손실을 복구하는 데 성공했습니다.
  • PSIS 진단: Pareto $\hat{k}$ 값이 0.60 부근으로 나타나 중요도 샘플링 보정이 신뢰할 만함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 정보 손실 최소화: 임상 시험에서 공개되는 하위 그룹 분석 데이터는 단순한 부가 정보가 아니라, 치료 효과의 변형을 이해하는 핵심 정보입니다. 본 연구는 이러한 '버려지는 정보'를 체계적으로 재활용하여 인구 조정 간접 치료 비교 (Population-adjusted Indirect Treatment Comparisons) 의 정확도를 획기적으로 높였습니다.
• 개인 데이터 공유 없이도 정밀 분석 가능: 개인정보 보호나 상업적 이유로 개인 수준 공변량 공유가 불가능한 상황에서도, 상세한 하위 그룹 요약 통계만 있다면 개인 데이터를 모두 가진 것과 유사한 분석 결과를 얻을 수 있음을 시사합니다.
• 확장성: 이 방법론은 이산형 결과 (Binary outcomes) 에 최적화되어 있으나, 시간-사건 (Time-to-event) 결과나 연속형 결과로 확장하기 위한 잠재적 방향 (ABC 등 다른 가능도 없는 추론 기법과의 결합) 을 논의했습니다.
• 한계: 계산 비용이 높고, 고차원 요약 통계량에서 공분산 행렬 추정이 어려울 수 있으며, 측정되지 않은 효과 변형 인자 (unmeasured effect modifiers) 에 대한 가정을 해결하지는 못한다는 점이 지적되었습니다.

결론적으로, 이 논문은 베이지안 합성 가능도를 활용하여 부분적으로 관측된 데이터 환경에서도 모든 이용 가능한 증거를 통합할 수 있는 강력한 프레임워크를 제시하며, 증거 종합 (Evidence Synthesis) 분야에서 보조 요약 정보의 가치를 재조명했습니다.