Remote, bivariate expert elicitation to determine the prior probability distribution for sample size calculation in a Bayesian non-inferiority multicenter randomized controlled trial (Croup Dosing Trial)

이 논문은 소아 크룹 치료에 대한 두 가지 덱사메타존 용량의 비열등성을 평가하는 베이지안 무작위 대조 시험의 표본 크기 계산을 위해, 기존 증거와 전문가 의견을 통합한 원격 이변량 전문가 elicitation 방법을 개발하고 그 실행 가능성을 입증했습니다.

핵심

🍳 1. 문제 상황: "비싼 재료 (고용량) 를 줄여도 맛있는 요리를 만들 수 있을까?"

어린이들이 감기 (크룹) 에 걸리면 보통 **스테로이드 (덱사메타손)**를 처방받습니다. 현재는 체중 1kg 당 0.60mg이라는 '표준 양'을 씁니다. 하지만 이 약은 부작용이 있을 수 있죠. 그래서 연구팀은 **"양을 4 분의 1 로 줄인 0.15mg 으로 해도 효과가 똑같을까?"**를 확인하는 실험 (임상시험) 을 계획했습니다.

하지만 여기서 큰 문제가 생깁니다.

"양을 줄였을 때, 병원에 다시 오는 아이들이 얼마나 늘어날지 아무도 정확히 모릅니다."

이런 불확실한 상황에서 실험을 시작하려면, **"우리가 예상하는 결과"**를 미리 정해놓아야 합니다. 이를 통계학에서는 **'사전 확률 분포 (Prior Distribution)'**라고 부르는데, 쉽게 말해 **"우리가 믿는 바"**를 숫자로 만든 것입니다.

🧙‍♂️ 2. 해결책: "요리사들의 지혜를 모으는 '원격 요리 대회'"

과거에는 이 '믿는 바'를 정하기 위해 전문가들을 한곳에 모아서 얼굴을 마주보고 며칠 동안 토론해야 했습니다. 하지만 이번 연구팀은 **화상 회의 (Zoom)**를 이용해 전 세계 (캐나다, 미국, 호주, 뉴질랜드) 의 소아과 전문의 12 명을 모았습니다.

이 과정은 마치 요리 대회처럼 진행되었습니다:

1. 준비 단계 (재료 확인): 연구팀은 의사들에게 최신 논문과 자료를 미리 보내 "이제부터 우리가 요리할 재료를 확인하세요"라고 했습니다.
2. 1 차 투표 (초안 작성): 각 의사들은 "만약 100 명의 아이에게 약을 줬을 때, 몇 명이 다시 병원에 올까요?"라고 추측해 제출했습니다.
   • 예: "0.60mg 은 6 명, 0.15mg 은 8 명 정도 오겠지."
3. 토론 시간 (요리법 공유): 연구팀은 "누구는 6 명, 누구는 20 명이라고 했네요. 왜 그렇게 생각하셨나요?"라고 질문하며 의견을 나누게 했습니다.
   • 의사 A: "겨울엔 바이러스가 심해서 더 올 거예요."
   • 의사 B: "우리 지역은 병원이 가까워서 가족의사에게 가겠지."
4. 2 차 투표 (최종 수정): 토론을 듣고 각자 생각을 다시 정리해 다시 제출했습니다. 이때 의견들이 서로 비슷해지고 더 명확해졌습니다.

📊 3. 결과: "요리 레시피 완성!"

이 과정을 통해 연구팀은 두 가지 중요한 결론을 얻었습니다.

• 예상 결과: 표준 용량 (0.60mg) 은 약 **6%**의 아이들이 다시 병원에 올 것이고, 줄인 용량 (0.15mg) 은 약 **8%**가 올 것이라고 예상했습니다. (차이는 2% 포인트)
• 연관성: 두 용량의 결과는 서로 완전히 무관하지 않다는 것을 발견했습니다. (한쪽이 높으면 다른 쪽도 높을 가능성이 있음) 이를 통계적으로 **'이변량 (Bivariate)'**이라고 하는데, 쉽게 말해 **"두 가지 결과가 서로 영향을 주고받는다는 걸 고려한 것"**입니다.

🎯 4. 실험 설계: "얼마나 많은 아이를 초대해야 할까?"

이제 이 '예상치'를 바탕으로 실제 실험을 얼마나 크게 해야 할지 계산했습니다.

• 목표: 줄인 용량이 표준 용량보다 '나쁘지 않다'는 것을 증명하려면, 1,850 명의 아이가 실험에 참여해야 한다고 계산되었습니다.
• 비유: 만약 100 명만 초대하면 "운이 좋아서 성공한 건가?"라고 의심받을 수 있지만, 1,850 명이라는 큰 숫자를 모으면 "이 결과가 진짜다"라고 확신할 수 있습니다.

💡 5. 이 연구의 핵심 교훈

이 논문은 **"의사들의 경험과 지식을 숫자로 바꿔, 과학적 실험을 더 똑똑하게 설계할 수 있다"**는 것을 보여줍니다.

• 기존 방식: 얼굴을 마주보며 긴 시간 훈련받아야 함 (비싸고 어려움).
• 이 연구의 방식: 화상 회의로 전 세계 전문가를 모으고, 서로의 의견을 들으며 자연스럽게 합의점을 찾음 (효율적이고 다양함).

결론적으로, 이 연구는 **"의사들이 모여서 한 번의 화상 회의를 통해, 수천 명의 아이를 위한 중요한 치료법을 결정하는 실험의 청사진을 그렸다"**는 점에서 매우 의미 있는 성과입니다.

기술 요약

논문 기술 요약: 크룹 (Croup) 치료용 덱사메타손 용량 비교를 위한 베이지안 비열등성 시험의 사전 분포 도출

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 베이지안 임상 시험에서는 관심 매개변수에 대한 사전 분포 (Prior Distribution) 를 명시해야 합니다. 기존 증거가 제한적이거나 모호할 경우, 전문가 의견 (Expert Elicitation) 을 통해 사전 분포를 구성할 수 있습니다.
• 문제점:
  • 기존의 전통적인 전문가 도출 방법은 대면 상호작용과 집약적인 사전 훈련을 요구하여 시간, 비용, 지리적 제약으로 인해 실행이 어렵습니다.
  • 기존 연구 (예: BIPED trial) 는 치료군 간의 확률을 독립적으로 가정했으나, 전문가들은 실제로 한 치료군의 추정을 다른 치료군 추정에 영향을 미치는 '앵커링 (Anchoring)' 현상을 보일 수 있어, 두 변수 간의 종속성을 고려하지 않으면 편향이 발생할 수 있습니다.
• 연구 목적: 크룹 (Croup) 치료에 사용되는 덱사메타손의 표준 용량 (0.60 mg/kg) 과 저용량 (0.15 mg/kg) 의 효과를 비교하는 비열등성 다기관 무작위 대조 시험 (RCT) 을 설계하기 위해, 원격으로 수행된 이변량 (Bivariate) 사전 분포를 도출하는 것입니다.

2. 방법론 (Methodology)

• 연구 설계: 크룹 도징 시험 (Croup Dosing Trial) 을 위한 전문가 의견 도출 연구.
• 참여자: 캐나다, 미국, 호주, 뉴질랜드의 소아 응급의 전문의 12 명 (PERC 및 PERN 네트워크 소속).
• 도출 프로토콜 (IDEA 기반):
  • 원격 워크숍: 3 회에 걸쳐 Zoom 을 통해 90 분간 진행됨.
  • 구조: 2 단계 설문 (라운드 1, 라운드 2) 과 그 사이의 그룹 토의.
  • 과정:
    1. 개별 추정: 전문가들은 100 명 중 응급실 (ED) 재방문 환자가 몇 명일지 (확률) 를 0.60 mg/kg 및 0.15 mg/kg 용량에 대해 추정.
    2. 그룹 토의: 1 라운드 결과의 익명 박스플롯을 공유하고, 추정치 차이의 이유 (계절적 요인, 바이러스 독성, 지역별 의료 접근성 등) 를 논의.
    3. 재추정: 토의를 바탕으로 2 라운드에서 추정치 수정.
• 통계적 모델링:
  • 분포 가정: 각 전문가의 확률 추정치 ($p_1$: 0.60 mg/kg, $p_2$: 0.15 mg/kg) 는 베타 분포 (Beta Distribution) 를 따름.
  • 이변량 모델링: Thall 등 (2004) 의 방법을 적용하여 **잠재 효과 (Latent Effects)**를 도입. 이를 통해 각 전문가의 두 치료군 추정치 간 상관관계를 모델링하고, 앵커링 현상을 통계적으로 보정.
  • 집계: 전문가별 이변량 사전 분포를 가중치를 두어 집계하여 최종 사전 분포 생성.
  • 공변량: 전문가의 임상 경력 및 통계/시험 방법론 훈련 여부 등을 모델에 포함하여 변이성 설명.
• 표본 크기 결정:
  • 비열등성 마진 (Non-inferiority margin): PERC 소속 의사 60 명 설문 (중앙값 4% 도출).
  • 보증 (Assurance) 기반 시뮬레이션: R (INLA 패키지) 을 사용하여 이항 데이터를 생성하고, 사후 분포의 95% 가 비열등성 마진보다 작을 확률 (80% 상대적 보증) 을 만족하는 표본 크기를 계산.

3. 주요 결과 (Results)

• 참여자 특성: 12 명의 응급의 전문의 (캐나다 8 명, 미국 4 명) 가 참여. 평균 임상 경력 11~38 년.
• 추정치 변화:
  • 1 라운드에서 2 라운드로 넘어가면서 전문가들의 추정치 분산이 감소하고 일관성이 증가함.
  • 그룹 토의를 통해 전문가들이 임상적 맥락 (계절, 바이러스, 지역적 차이) 을 재고찰함.
• 최종 사전 분포 (Round 2 집계):
  • 0.60 mg/kg (표준 용량, $p_1$): 중앙값 6.44% (평균 8.01%, SD 6.22%)
  • 0.15 mg/kg (저용량, $p_2$): 중앙값 8.19% (평균 1.00% 로 표기 오류로 보이나, 문맥상 8.19% 가 맞음, SD 7.27%)
  • 상관관계: 두 추정치 간 상관 계수 0.40 (중간 정도의 양의 상관관계) 을 보임. 이는 한 용량의 효과 추정이 다른 용량에 영향을 미쳤음을 통계적으로 반영.
• 표본 크기:
  • 비열등성 마진 4% 를 가정할 때, 1,850 명의 표본 크기가 필요함 (80% 상대적 보증 달성).

4. 주요 기여 및 의의 (Key Contributions & Significance)

• 원격 이변량 도출의 실현 가능성 입증: 지리적 제약이 있는 다국가 전문가 그룹을 대상으로 원격 워크숍을 통해 종속성을 가진 이변량 사전 분포를 성공적으로 도출함. 이는 기존 대면 방식의 한계를 극복한 사례임.
• 통계적 방법론의 고도화: 단순한 독립 가정을 넘어, 전문가의 심리적 편향 (앵커링) 을 잠재 효과를 통해 모델링하고 보정하는 **이변량 사전 분포 (Bivariate Prior)**를 적용함. 이는 임상 시험 설계의 정밀도를 높임.
• 실무적 타당성: 도출된 사전 확률 (6.4% vs 8.2%) 이 기존 문헌 (Parker and Cooper 연구 등) 과 일치함을 확인하여, 전문가 의견이 기존 증거와 조화롭고 신뢰할 수 있음을 입증.
• 임상 시험 설계 지원: 크룹 치료의 표준 용량 대 저용량 비교 시험 (NCT06272383) 의 표본 크기 계산과 향후 데이터 분석을 위한 베이지안 사전 분포를 구체적으로 제공함.

5. 제한점 및 향후 과제

• 훈련 부족: 90 분이라는 짧은 워크숍 시간으로 인해 전문가에게 편향 (Bias) 이나 주관적 확률에 대한 심층적인 훈련을 제공하지 못함.
• 그룹 싱크 (Groupthink) 위험: 그룹 토의 과정에서 전문가들이 타인의 의견을 비판적으로 수용하지 않고 무비판적으로 따를 가능성이 있음.
• 피드백 부재: 전문가들이 의견 변경의 구체적인 이유를 2 라운드에서 명시적으로 기록하지 않아, 의견 변화의 메커니즘에 대한 심층 분석이 어려움.

결론

이 연구는 크룹 치료용 덱사메타손 용량 비교 시험을 설계하기 위해, 원격으로 수행된 전문가 도출을 통해 종속성을 고려한 이변량 사전 분포를 성공적으로 생성했습니다. 이 접근법은 기존 증거가 불충분한 상황에서 임상 시험의 표본 크기를 결정하고 베이지안 분석을 수행하는 데 있어 실용적이고 효율적인 방법론을 제시합니다.