Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

기술 요약: 이중 우측/좌측 중도절단된 전자의무기록 (EHR) 데이터를 위한 반지도식 위험 예측 방법

문제 제기
본 논문은 사건 시간이 이중 중도절단 (좌측 및 우측 모두) 에 노출된 전자의무기록 (EHR) 데이터에서 위험 효과 (회귀 계수) 를 추정하는 과제를 다룹니다. 많은 임상 환경에서 질병의 실제 발병 시점은 첫 번째 기록된 방문 이전일 수 있어 (좌측 중도절단) 또는 추적 관찰 종료 시점까지 관찰되지 않을 수 있습니다 (우측 중도절단). 또한, '골드 스탠다드' 사건 시간을 확보하는 것은 종종 노동 집약적인 수동 차트 검토를 필요로 하므로, 정확한 결과 데이터를 가진 소수의 환자 (레이블 세트) 만 존재하고 대다수 (레이블 없는 세트) 는 그렇지 않은 상황이 발생합니다.

대리 결과 (예: 첫 번째 진단 코드까지의 시간) 는 전체 코호트에 대해 이용 가능하지만, 오분류에 취약합니다. 소규모 레이블 세트에만 의존하면 변동성이 커지고, 오류가 발생할 수 있는 대리 결과를 직접 사용하면 편향이 발생합니다. 기존 반지도식 학습 (SSL) 방법은 이진 또는 우측 중도절단 결과에는 효과적이지만, 이중 중도절단의 복잡성을 처리하지는 못합니다.

방법론
저자들은 반모수적 선형 변환 모델을 활용하여 이중 중도절단 하의 위험 예측을 위한 새로운 반지도식 학습 (SSL) 프레임워크를 제안합니다:
$$h(T) = -\beta'Z + \varepsilon$$
여기서 $T$는 사건 시간, $Z$는 공변량 벡터, $h$는 미지의 증가 함수이며, $\varepsilon$은 알려진 분포를 따릅니다.

추정 절차는 두 가지 주요 단계를 포함합니다:

1. 지도식 추정: 개별 환자별 독립 포아송 변수를 사용하는 기대 - 최대화 (EM) 알고리즘을 적용한 비모수적 최대우도법을 통해 레이블 데이터 ($D_l$) 만을 사용하여 지도식 추정량 ($\hat{\beta}_{SL}$) 을 유도합니다.
2. 증강: 대리 결과 ($T^*$) 를 포함하는 대규모 레이블 없는 세트 ($D_u$) 의 정보를 활용하여 지도식 추정량을 증강합니다. 저자들은 매개변수 $\theta = (\gamma, \alpha)$를 가진 대리 변수 $T^*$에 대한 작동 모델 (working model) 을 가정합니다. 두 가지 구체적인 작동 모델이 제안됩니다:
   • 모델 1 (동일 구조): $T^*$가 $T$와 동일한 반모수적 선형 변환 모델 (식 4) 을 따른다고 가정합니다.
   • 모델 2 (유연한 구조): 오분포가 미지이며 실제 오분포와 잠재적으로 상관관계가 있을 수 있는 더 유연한 변환 모델을 가정합니다 (식 5). 이 모델은 좌측 중도절단 확률에 대한 로지스틱 모델과 우측 중도절단 부분에 대한 콕스 모델을 결합한 볼록 손실 함수를 활용합니다.

최종 반지도식 추정량 ($\hat{\beta}_{SSL}$) 은 결합 데이터 ($\bar{\gamma}$) 와 레이블 데이터 ($\hat{\gamma}$) 에서 유도된 대리 매개변수 $\gamma$ 추정량 간의 차이에 비례하는 항으로 $\hat{\beta}_{SL}$을 조정하여 구성됩니다. 또한, 두 작동 모델의 증강 항을 적층하여 효율성을 극대화하는 결합 추정량 ($\hat{\beta}_{SSL3}$) 도 제안됩니다.

주요 기여

• 방법론적 신규성: 본 논문은 기존 SSL 프레임워크에서 이전에 다루지 않았던 이중 중도절단 데이터를 위한 SSL 방법을 개발함으로써 문헌의 공백을 메웠습니다.
• 이론적 타당성: 저자들은 제안된 추정량의 점근적 성질을 확립하여 일관성과 점근적 정규성을 증명했습니다. 대리 변수에 대한 작동 모델이 올바르게 지정되었는지 여부와 상관없이 SSL 추정량이 지도식 추정량 ($\hat{\beta}_{SL}$) 보다 더 효율적임을 입증했습니다.
• 효율성 향상: 결합 추정량은 단일 작동 모델 기반 추정량과 비교하여 적어도 동등한 효율성을 가지는 것으로 나타났습니다.
• 강건성: 이 프레임워크는 실제 레이블의 높은 결측률 (결측률이 1 에 근접하는 경우) 을 처리하도록 설계되어 표준 결측 데이터 방법의 적용을 불가능하게 만드는 상황을 해결합니다.

결과

• 시뮬레이션 연구: 다양한 표본 크기와 오분포 (작동 모델이 오지정된 경우 포함) 를 가진 광범위한 시뮬레이션 결과, 제안된 SSL 추정량은 지도식 방법에 비해 표준 오차를 현저히 감소시키는 것으로 나타났습니다. SSL 추정량의 상대 효율성 (RE) 은 지도식 추정량 대비 약 1.35 에서 1.52 범위에 있었습니다. 결합 추정량 ($\hat{\beta}_{SSL3}$) 은 일관되게 가장 높은 효율성을 달성했습니다.
• 실제 데이터 적용: 이 방법은 제 2 형 당뇨병 (T2D) 의 위험 요인을 연구하기 위해 미국 의료 시스템의 EHR 데이터에 적용되었습니다. 데이터셋에는 115,236 명의 환자가 포함되었으며, 그중 수동 검토된 (레이블된) 발병 시점을 가진 환자는 1,613 명뿐이었습니다. SSL 추정량은 지도식 추정량보다 훨씬 작은 표준 오차를 보였으며, 상대 효율성은 최대 1.81에 달했습니다. 결과는 높은 입원 연령이 T2D 발병 지연과 관련이 있음을 확인했으며, 남성 성별과 비백인 인종은 더 높은 위험과 관련이 있음을 보여주었습니다.

의의 및 주장
저자들은 이 방법이 이중 중도절단 하에서 제한된 골드 스탠다드 레이블과 대규모 대리 데이터를 통합하는 원칙적인 방법을 제공한다고 주장합니다. 주요 의의는 추정 효율성의 실질적인 향상에 있으며, 이는 비용이 많이 들고 노동 집약적인 수동 차트 검토에 대한 의존도를 줄여줍니다. 풍부한 레이블 없는 EHR 데이터를 활용함으로써 이 방법은 현실 세계 환경에서 질병 위험 요인 연구의 실행 가능성과 통계적 견고성을 높입니다. 논문은 효율성 향상이 대리 변수와 실제 결과 간의 연관성 강도에 의존하지만, 제안된 프레임워크는 모델 오지정 하에서도 일관성을 유지한다고 겸손하게 언급합니다. 향후 연구는 공변량 의존적 중도절단과 무작위 결측 (MAR) 메커니즘을 수용하도록 프레임워크를 확장하는 것이 제안됩니다.