기술적 요약: 인과적 은닉 마르코프 모델을 이용한 이질적 진단 편향 교정

문제 제기

일반적인 전자 건강 기록 (EHR) 을 사용하여 개발된 임상 예측 모델은 종종 이질적 진단 편향으로 고통받습니다. 일상적인 진료에서 임상적 요인으로 인해 고위험군으로 식별되거나 특정 인구통계학적 그룹 (예: 성별, 인종, 사회경제적 지위) 에 속하는 개인들은 다른 사람들보다 더 자주 검사를 받습니다. 이로 인해 차별적 진단 지연이 발생하여, 특정 그룹은 동등한 검사 조건 하에서 진단받았을 때보다 늦게 진단받거나 진단을 받지 못하게 됩니다.

결과적으로, 이러한 데이터로 훈련된 모델은 실제 기저 질환 위험이 아닌 관측된 진단율을 예측하도록 학습됩니다. 이는 진단이 지연된 그룹의 위험을 체계적으로 과소평가하게 만들어 보정 오류를 초래하고, 임상적 의사결정에서 잠재적 불공정성을 야기합니다. "진짜" 질환 상태가 진단되지 않은 개인에게 관측되지 않으며, 편향이 환자 속성과 의료 시스템의 검사 행동 간의 상호작용에 의해 주도되기 때문에, 표준 접근법은 이를 해결하는 데 종종 실패합니다.

방법론

저자들은 이러한 편향을 교정하기 위해 인과 추론 프레임워크를 활용하는 **은닉 마르코프 모델 (HMM)**을 제안합니다. 이 접근법은 세 가지 주요 구성 요소를 포함합니다:

1. 방향성 비순환 그래프 (DAG) 를 통한 인과 모델링

저자들은 다음과 같은 DAG 를 정의합니다:

• $X_n$: 기저 공변량 (위험 요인).
• $A_n$: 질환 위험과 검사 확률 모두에 영향을 미치는 관측 가능성 속성 (예: 성별, 인종, 동반 질환).
• $\tilde{A}_n$: 질환 단계에 조건부인 검사 결정에 영향을 미치는 $A_n$의 구체적 발현.
• $S_{n,t}$: 잠재적 질환 단계 (0: 질환 없음, 1: 초기 단계, 2: 후기 단계).
• $R_{n,t}$: 검사 결과 (음성, 초기 양성, 후기 양성, 또는 검사 없음).
• $D_{n,t}$: 진단 (검사가 양성이면 발생).

목표는 반사실적 추정량을 추정하는 것입니다: 즉, 실제 질환 진행과 위험 요인을 유지하면서 참조 그룹 (일반적으로 진단 지연이 가장 짧은 그룹) 의 검사율에 노출되었다고 가정할 때의 진단 확률 $P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$입니다.

2. 은닉 마르코프 모델 공식화

종단적 질환 과정은 다음과 같은 HMM 으로 모델링됩니다:

• 전이 커널 ($Q$): 질환 단계 간 이동 (0 $\to$ 1 $\to$ 2) 확률을 정의합니다. 이는 퇴행이 불가능한 진행성 질환을 가정합니다. "질환 없음"에서 "초기 단계"로의 전이는 위험 함수 $h(X_n, A_n, t)$에 의해 지배되며, "초기"에서 "후기"로의 전이는 상수 확률 $\beta_{S=1 \to 2}$입니다.
• 방출 확률 ($\Gamma$): 잠재적 단계 $S_{n,t}$와 관측 가능성 속성 $A_n$이 주어졌을 때 검사 결과 $R_{n,t}$를 관측할 확률을 정의합니다. 핵심적으로 초기 단계 질환에 대한 검사율 ($\beta_{S=1, A_n}^R$) 은 $A_n$에 따라 달라질 수 있도록 허용되어 진단 이질성을 포착합니다. 후기 단계 검사율은 심각한 증상 때문에 $A_n$과 무관하다고 가정합니다.
• 초기 상태 ($\pi$): 기저 시점의 질환 단계 확률 분포.

모델 파라미터는 관측되지 않은 잠재 상태를 마진화하여 최대 우도법을 사용하여 추정하며, 전진 알고리즘과 PyTorch 의 L-BFGS 기반 그라디언트 최적화를 활용합니다.

3. 반사실적 결과 대체

HMM 이 적합된 후, 이 방법은 표준 예측 모델을 훈련하기 위한 반사실적 데이터 세트를 생성합니다:

1. 재구성: HMM 은 관측된 검사 기록을 기반으로 각 개인의 잠재적 질환 궤적 확률을 추정합니다.
2. 개입: 방출 확률을 참조 그룹의 검사율 ($\tilde{A}_n = 0$) 을 반영하도록 수정합니다.
3. 대체: 반사실적 진단 확률 ($p_{n,T}^{cf}$) 을 계산합니다. 발생률을 과대평가하지 않기 위해 저자들은 단조성 가정을 적용합니다: 즉, 실제로 진단된 개인 ($D=1$) 은 반사실적 상황에서도 진단된 것으로 ($D^{cf}=1$) 유지됩니다. 진단되지 않은 개인 ($D=0$) 중 진단 지연 그룹에 속하는 경우에만 반사실적 확률에 기반하여 재대체됩니다.
4. 재보정: 재대체된 사례에 대한 반사실적 확률을 재조정하여 총 반사실적 발생률이 추정된 반사실적 인구 발생률과 일치하도록 합니다.
5. 훈련: 이 재대체된 데이터 세트를 기반으로 표준 로지스틱 회귀 모델을 훈련하여 반사실적 결과를 예측합니다.

주요 기여

• 인과적 HMM 프레임워크: 본 논문은 단순한 레이블 교정을 넘어 진행성 질환의 차별적 진단 지연을 명시적으로 모델링하고 교정하기 위해 인과적 HMM 의 새로운 적용을 제시합니다.
• 식별 가능성과 강건성: 시뮬레이션을 통해 저자들은 HMM 파라미터가 식별 가능하며, 가정 (예: 완벽한 검사 민감도 또는 균일한 진행률) 이 위반되더라도 접근 방식이 강건하게 유지됨을 입증했습니다.
• 실제 적용: 이 방법은 대규모 UK Biobank 데이터 세트를 적용하여 5 년 만성 신장 질환 (CKD) 발생률을 예측하고, 여러 하위 그룹에 걸쳐 편향을 성공적으로 교정했습니다.
• 데이터 중심 공정성: 이 접근법은 단순히 모델에서 보호 속성을 제거하는 대신 편향을 생성하는 데이터 기록 메커니즘 (검사 행동) 을 모델링함으로써 "데이터 중심" 공정성과 부합합니다.

결과

시뮬레이션 연구

50,000 명의 환자를 대상으로 한 시뮬레이션에서 제안된 방법은 표준 "Naïve"(관측 데이터로 훈련) 및 "Blind"(보호 속성 없이 훈련) 모델보다 현저히 우수했습니다:

• 보정: 진단 지연 그룹의 관측:기대 (O:E) 비율이 1.34(Naïve) 에서 1.02(제안) 로 개선되어 거의 완벽한 보정을 나타냈습니다.
• 강건성: 가정이 위반되었을 때 (예: 불완전한 검사 민감도 또는 다양한 진행률) 도 제안된 방법은 표준 모델보다 더 나은 보정을 유지했으나, 파라미터 추정 편향은 증가했습니다.

만성 신장 질환 (CKD) 사례 연구

UK Biobank 의 123,460 명을 대상으로 한 결과:

• 진단 이질성: HMM 은 당뇨병이 관측 가능성 (검사율의 오즈비: 10.36) 의 가장 강력한 동인이라고 식별했으며, 이어 고혈압이 뒤를 이었습니다. 여성인 경우 검사율이 낮은 것과 관련이 있었습니다 (오즈비: 0.69).
• 편향 교정:
  • Naïve 모델은 당뇨병이 없는 환자의 위험을 심각하게 과소평가했습니다 (O:E 비율: 1.55).
  • 대체 모델은 이를 교정하여 당뇨병이 없는 그룹의 O:E 비율을 1.01로 달성했으며, 당뇨병 그룹의 보정도 유지했습니다 (O:E: 1.01).
• 임상 유용성: 의사결정 곡선 분석은 잘 모니터링된 그룹의 성능을 저하시키지 않으면서 특히 진단 지연된 인구에서 두 그룹 모두 순이익이 개선됨을 보여주었습니다.
• 위험 계층화: 교정된 모델은 당뇨병이 없는 환자의 추정 위험을 증가시켜, 검사받을 가능성이 낮은 것이 아니라 실제 기저 위험을 반영하도록 했습니다.

중요성과 주장

저자들은 그들의 접근 방식이 외부 발생률 데이터나 질환 유병률에 대한 고정된 가정을 요구하지 않고 임상 예측 모델의 편향과 불공정성을 줄이기 위한 이론적으로 근거가 있고 경험적으로 검증된 방법을 제공한다고 주장합니다.

"진단 과정"을 환자 속성에 영향을 받는 잠재 변수로 명시적으로 모델링함으로써, 이 방법은 검사율이 균등화된 공정한 반사실적 시나리오 하에서 위험을 추정할 수 있게 합니다. 저자들은 이로 인해 더 정확한 위험 계층화가 이루어져 예방 관리에서 진단 지연된 인구가 체계적으로 간과되지 않도록 한다고 강조합니다. 그들은 이 작업을 "데이터 중심" 공정성을 향한 한 걸음으로 위치시키며, 최종 모델의 증상을 완화하는 것이 아니라 일상적 임상 데이터의 편향 근본 원인을 해결한다고 명시합니다.

논문은 겸손하게 결론을 내리며, 이 방법이 특정 가정 (예: 마르코프적 진행, 일정한 후기 단계 검사율) 에 의존하지만, 향후 작업에서 더 복잡한 질환 궤적과 여러 검사 유형으로 확장될 수 있는 유연한 프레임워크를 제공한다고 밝힙니다.