Truncation by death in the sufficient cause framework

논문 요약: 충분인과 프레임워크를 통한 사망에 의한 절단 (Truncation by Death) 분석

1. 연구 배경 및 문제 제기 (Problem)

• 사망에 의한 절단 (Truncation by Death): 역학 연구 (관찰 연구 및 무작위 대조 시험 포함) 에서 관심 있는 결과 변수 (예: 삶의 질 점수) 가 연구 종료 시점에 생존한 개인에게만 정의되는 경우, 연구 기간 중 사망한 참여자의 데이터는 분석에서 제외됩니다.
• 기존 접근법의 한계: 생존한 개인만을 조건으로 하여 치료 효과를 비교하는 단순한 분석 (Crude estimand) 은 인과적 해석이 불가능합니다. 이는 생존 여부가 치료와 결과 모두에 영향을 미치는 공통 원인 (Common cause, 예: 나이) 에 의해 결정되기 때문에, 생존 조건부 분석은 선택 편향 (Selection bias) 을 유발하여 서로 다른 위험 상태 유형 (Risk status types) 을 비교하게 되기 때문입니다.
• 주요 전략: 기존에는 잠재결과 (Potential Outcomes) 프레임워크와 주요 층화 (Principal Stratification) 접근법을 사용하여 '항상 생존자 (Always-survivors, $S_1=1, S_0=1$)' 집단에 대한 평균 인과 효과 (SACE, Survivor Average Causal Effect) 를 추정하는 것이 표준이었습니다.
• 본 연구의 목적: 기존 잠재결과 기반의 SACE 분석을 넘어, 충분인과 (Sufficient Cause) 프레임워크를 활용하여 사망에 의한 절단 문제를 새로운 관점에서 재해석하고, 인과 메커니즘의 세부 구조를 규명하는 것입니다.

2. 방법론 (Methodology)

• 충분인과 프레임워크 적용:
  • 연구는 치료 ($X$), 생존 ($S$), 결과 ($Y$), 그리고 생존과 결과에 공통으로 영향을 미치는 배경 요인 ($U$, 예: 나이) 을 고려합니다.
  • 생존과 결과에 대한 **충분인과 (Sufficient Causes)**를 정의합니다. 각 충분인과는 배경 요인 ($A_k, B_k$) 과 치료/공통요인 ($X, U$) 의 조합으로 구성됩니다.
  • 단조성 가정 (Monotonicity): 치료 ($X$) 와 공통요인 ($U$) 이 생존과 결과에 대해 '충분인과 긍정적 단조성 (Sufficient cause positive monotonicity)'을 가진다고 가정합니다. 즉, 치료나 $U$의 부재가 생존이나 결과를 방해하는 충분인과는 존재하지 않는다고 봅니다.
• 위험 상태 유형 (Risk Status Types) 분류:
  • 생존과 결과에 대한 4 가지 유형의 충분인과가 존재한다고 가정할 때, 총 $2^4 \times 2^4 = 256$ 가지의 위험 상태 유형이 존재합니다.
  • 각 유형은 특정 배경 요인 조합에 따라 치료 여부에 따라 생존하거나, 결과가 정의되는지 여부가 결정됩니다.
• 분석 대상:
  • 항상 생존자 (Always-survivors): 치료 여부와 상관없이 생존하는 집단.
  • 보호 가능한 집단 (Protectable): 치료 시에만 생존하는 집단.
  • 절대 비생존자 (Never-survivors): 치료 여부와 상관없이 사망하는 집단.
  • 본 연구는 $U$ (나이) 의 수준에 따라 이러한 집단의 구성이 어떻게 달라지는지 분석합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 단순 비교 추정량의 비인과적 성질 규명

• 관찰된 생존 ($S=1$) 을 조건으로 한 치료 효과 추정량 ($E[Y|S=1, X=1] - E[Y|S=1, X=0]$) 이 왜 인과적이지 않은지를 위험 상태 유형의 관점에서 명확히 설명했습니다.
• 이 추정량은 치료군과 대조군에서 서로 다른 위험 상태 유형을 포함하게 됩니다. 예를 들어, 치료군에서는 특정 충분인과로 인해 생존한 개인들이 포함되지만, 대조군에서는 동일한 개인들이 사망하여 결과 데이터가 정의되지 않는 경우가 발생합니다. 이는 두 집단이 본질적으로 다른 집단을 비교하게 만들어 편향을 초래합니다.

나. SACE 와 배경 요인 간의 정량적 관계 도출

• SACE 의 표현식 유도: SACE 를 배경 요인 ($A_k, B_k$) 과 공통요인 ($U$) 의 결합 확률 분포로 표현하는 공식을 제시했습니다 (Table 2 참조).
• 조건부 SACE ($SACE_u$): $U$ 의 수준 (예: 60 세 미만 vs 60 세 이상) 에 따라 항상 생존자 집단의 구성이 달라지며, 이에 따른 $SACE_u$의 값이 어떻게 결정되는지 분석했습니다.
  • $U=1$ (젊은 층) 일 때 항상 생존자가 되는 조건과 $U=0$ (노년 층) 일 때 항상 생존자가 되는 조건이 다름을 보였습니다.
  • 특정 위험 상태 유형은 $U$ 값에 따라 '항상 생존자'가 되기도 하고 '절대 비생존자'가 되기도 합니다.

다. SACE 가 0 이 되는 조건 규명

• 치료 효과가 항상 생존자 집단 내에서 0 이 되기 위한 충분인과 기반의 조건을 수학적으로 도출했습니다.
  • $U=1$ 집단에서 $SACE_{u=1}=0$ 이 되기 위해서는 특정 배경 요인 조합 ($(A_1 \lor A_4) \land \{(B_1 \lor B_4) \lor (B_2 \land B_6)\}$) 을 가진 개인이 존재하지 않아야 합니다.
  • $U=0$ 집단에서 $SACE_{u=0}=0$ 이 되기 위해서는 $A_1 \land (B_1 \lor B_2)$ 조건을 가진 개인이 존재하지 않아야 합니다.
• 중요한 발견: SACE 가 0 이라는 인과적 효과가 존재하더라도, 관찰된 생존 조건부 추정량 ($E[Y|S=1, X=1] - E[Y|S=1, X=0]$) 은 여전히 0 이 아닐 수 있습니다. 이는 생존 조건부 분석이 인과적 효과를 왜곡하여 보여줄 수 있음을 강력하게 시사합니다.

4. 의의 및 결론 (Significance)

• 이론적 통찰: 사망에 의한 절단 문제를 잠재결과 프레임워크뿐만 아니라, 인과 메커니즘을 더 세분화하여 설명하는 충분인과 프레임워크로 분석함으로써, 편향의 발생 메커니즘과 주요 층화 (Principal Stratification) 의 본질을 더 깊이 이해할 수 있게 했습니다.
• 공중보건적 함의: $U$ (예: 나이) 와 같은 배경 요인의 분포가 '항상 생존자' 집단의 크기와 구성에 직접적인 영향을 미친다는 점을 밝혔습니다. 이는 SACE 의 공중보건적 관련성 (Public health relevance) 이 인구 집단의 특성 분포에 따라 달라질 수 있음을 의미합니다.
• 미래 연구 방향: 본 연구는 이진 결과 (Binary outcome) 에 초점을 맞추었지만, 연속형 결과나 시간 의존적 변수 (Hazard 등) 로의 확장을 제안했습니다. 또한, 치료 순응도 (Adherence) 등 다른 주요 층화 문제들도 충분인과 프레임워크로 재해석할 수 있음을 시사합니다.

요약하자면, 이 논문은 사망에 의한 절단 문제를 해결하기 위한 표준 방법론 (SACE) 을 충분인과 모델의 언어로 번역하여, 인과 효과 추정 시 발생할 수 있는 편향의 구조적 원인을 규명하고, 인과적 효과가 0 인 조건을 배경 요인의 관점에서 명확히 제시했다는 점에서 역학 및 인과 추론 방법론 발전에 중요한 기여를 합니다.