Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

기술 요약: 가우시안 프로세스를 통한 플랫폼 시험에서 비동시 데이터의 강건하고 데이터 적응적 통합

문제 제기
플랫폼 시험은 단일 마스터 프로토콜 하에서 여러 치료를 동시에 평가하기 위한 효율적인 설계를 제공합니다. 그러나 이러한 시험에서의 통계적 추론은 효율성과 타당성 사이의 중요한 긴장 관계에 직면해 있습니다. 전통적인 강건한 방법은 시간적 추세 (예: 환자 집단의 변화 또는 표준 치료의 변화) 로 인한 편향을 피하기 위해 "동시 무작위 배정"된 참가자, 즉 비교 중인 모든 치료가 제공되는 기간 동안 등록된 참가자만 분석에 제한합니다. 이는 타당성을 보장하지만, 새로운 치료군 도입 전에 등록된 대조군과 같은 "비동시" 데이터를 폐기하여 통계적 검정력과 정밀도를 손실시킵니다.

비동시 데이터를 통합하려는 기존 접근법은 종종 한계를 겪습니다: 공식적으로 정의된 인과적 추정량 (estimand) 이 부재할 수 있으며, 지나치게 단순하거나 불투명한 모수적 모델에 의존하거나, 조건부 교환 가능성과 같은 강력한 가정에 의존합니다. 또한 많은 방법들은 개별 관측치가 최종 추정치에 어떻게 기여하는지에 대한 투명한 메커니즘을 제공하지 않아, 특정 적용 사례에서 정보 공유가 유익한지 해로운지 진단하기 어렵습니다.

방법론
저자들은 편향을 통제하면서 비동시 데이터를 통합하도록 설계된 유연하고 해석 가능한 가우시안 프로세스 (GP) 프레임워크를 제안합니다. 이 방법론은 인과 추론과 기계 학습에 기반하며, Qian 등 (2025) 이 정의한 "전체 동시 자격" (ECE) 추정량을 대상으로 합니다.

1. 프레임워크 및 추정량:
   목표 추정량은 두 치료에 대한 기대 잠재 결과의 차이로, 두 치료가 모두 이용 가능한 기간 동안 두 치료 모두에 자격이 있는 개인 (ECE 인구) 내에서 정의됩니다. 이 프레임워크는 등록 캘린더 시간을 중요한 공변량으로 활용하여, 환자 분포가 시간에 따라 점진적으로 변화하는 플랫폼 시험에 내재된 "시간적 부드러움"을 활용합니다.

2. 가우시안 프로세스 모델:

   • 단일 작업 GP: 각 치료군에 대해 별도의 GP 를 적합시켜, 결과를 등록 시간의 잠재 함수와 오차로 모델링합니다. 이는 커널 함수 (예: 제곱 지수 또는 마터른) 를 통해 시간적 부드러움을 포착합니다.
   • 다중 작업 GP: 결과를 군 간에 공통인 공유 기준선 함수와 치료 효과 함수로 분해합니다. 이 구조는 기준선 위험이 시간에 따라 변할 수 있지만 치료 효과는 상대적으로 안정적으로 유지된다는 사실을 활용합니다. 이 모델은 군 내 분산과 군 간 공분산을 모두 포착하기 위해 복합 커널을 사용합니다.

3. 추정 및 추론:
   이 프레임워크는 모든 자격 있는 참가자 (동시 및 비동시) 를 사용하여 GP 를 적합하지만, 치료 효과 추정치는 동시 자격 인구에서만 평균화합니다. 이는 추정량을 ECE 정의에 고정시키면서 비동시 데이터가 GP 적합에 적응적으로 정보를 제공하도록 합니다. 추론은 사후 불확실성과 표본 추출 변이성을 모두 고려하기 위해 베이지안 부트스트랩을 통해 수행됩니다.

4. 빈도론적 해석:
   저자들은 GP 사후 평균과 커널 릿지 회귀 (KRR) 간의 연결을 확립합니다. 이는 추정량이 관측된 결과의 가중 선형 결합이라는 투명한 빈도론적 해석을 제공하며, 가중치는 커널 하이퍼파라미터와 등록 시간의 근접성에 의존하여 비동시 데이터의 기여도를 명시적으로 정량화합니다.

5. 확장:
   이 프레임워크는 지수족 가능도를 갖는 일반화 선형 모델을 통해 이산형 결과 (이항 또는 계수) 를 처리하도록 확장되었으며, 가산 또는 곱 커널을 통해 기준선 공변량을 보정하도록 확장되었습니다.

주요 이론적 보장
이 논문은 제안된 추정량의 속성에 관한 두 가지 주요 이론적 결과를 확립합니다:

• 분산 감소: 비동시 대조군을 통합하는 것은 결과 평균 (단일 작업) 과 치료 효과 함수 (다중 작업) 의 사후 분산을 감소시키는 것으로 입증되었습니다. 이는 추가 변수에 대해 가우시안 프로세스를 조건화할 때 조건부 분산이 결코 증가하지 않기 때문입니다.
• 편향 통제: 비동시 데이터로 인해 도입된 편향은 비동시 대조군이 추가될 때 증가하지 않는 양으로 제한됩니다. 편향 자체가 감소할 것이라는 보장은 없으나, 상한이 비증가적이므로 작동 모델이 합리적이라면 효율성 향상이 통제되지 않은 편향 증가의 대가를 치르지 않도록 보장합니다.

결과
저자들은 시뮬레이션 연구와 실제 데이터 적용을 통해 방법을 검증했습니다:

• 시뮬레이션: 두 개의 등록 창구가 있는 시뮬레이션 플랫폼 시험에서 제안된 GP 방법 (단일 작업 및 다중 작업 모두) 은 동시 전용 벤치마크 (ANOVA, ANHECOVA) 및 기타 비동시 방법 (베이지안 타임 머신, LR-EW) 보다 우수한 성능을 보였습니다.
  • 모든 데이터를 통합한 다중 작업 GP 는 동시 전용 방법 (예: ANHECOVA 의 0.420) 보다 더 작은 표준 오차 (0.395) 를 달성하면서도 명목상 커버리지 (94.4%) 를 유지했습니다.
  • 경쟁 방법들은 상당한 단점을 보였습니다: 베이지안 타임 머신은 사전 지정에 매우 민감하여 지나치게 넓은 신뢰 구간을 보였으며, 등록 창구 조정이 포함된 선형 모델 (LR-EW) 은 시간적 추세가 비선형일 때 편향을 겪었습니다.
  • 심지어 오지정 조건 (급격한 시간적 변화) 하에서도 GP 방법은 통제된 편향을 유지하며 경쟁자들을 능가했으나, 커버리지는 약간 감소했습니다.
• 실제 데이터 적용: 이 방법은 SURMOUNT-1 비만 시험에서 구축된 가상의 플랫폼 시험에 적용되었습니다. 비동시 대조군을 통합한 GP 방법은 동시 전용 분석에 비해 내부 임의화 분산을 12~16% 감소시켰으며, 안정적인 점 추정을 보여 의미 있는 편향을 도입하지 않으면서 성공적인 효율성 향상을 시사했습니다.

의의 및 주장
이 논문은 플랫폼 시험의 효율성 - 타당성 트레이드오프에 대한 원칙적인 해결책을 제공한다고 주장합니다. 등록의 시간적 부드러움을 활용함으로써 제안된 GP 프레임워크는 귀중한 정보를 폐기하지 않고 비동시 데이터를 강건하게 통합할 수 있게 합니다. 주요 기여점은 다음과 같습니다:

• 투명성: 커널 릿지 회귀와의 연결은 각 관측치에 대한 명시적 가중치를 제공하여 연구자들이 비동시 데이터의 영향을 진단할 수 있게 합니다.
• 이론적 엄밀성: 분산 감소와 비증가 편향 상한의 확립은 방법의 강건성에 대한 공식적 보장을 제공합니다.
• 유연성: 이 프레임워크는 다양한 결과 유형과 공변량 조정을 수용하여 이전의 모수적 또는 비모수적 접근법의 한계를 넘어 확장됩니다.
• 구현: 저자들은 실제 적용을 용이하게 하는 R 패키지 RobinCID 에 구현을 제공합니다.

저자들은 방법론이 추정 효율성을 개선하지만, 공유 정도와 잠재적 편향이 부드러움 가정의 타당성에 의존하므로 시간적 추세를 검토하는 것이 여전히 필수적이라고 결론지었습니다. 이 논문은 편향을 완전히 제거한다고 주장하는 것이 아니라, 분산을 현저히 감소시키는 동시에 비증가 상한 내에서 편향을 통제한다고 주장합니다.