Two-Phase Sampling Designs and Analysis Approaches for Ordinal Outcomes

어떤 특정 환자가 어떻게 되는지, 그 결과를 결정하는 데 있어 고가이고 귀중한 단서 (이를 '황금 단서'라고 부르겠습니다) 가 어떤 영향을 미치는지 해결해야 하는 미스터리를 탐정이 되어 상상해 보십시오. 당신은 거대한 용의자 명단 (연구 코호트) 을 가지고 있으며, 그 명단에 있는 모든 사람에 대해서는 나이, 성별, 일반적인 건강 이력 등 몇 가지 기본적이고 저렴한 정보는 이미 알고 있습니다. 하지만 모든 사람에게서 그 '황금 단서'를 찾아내는 것은 너무 비싸고 시간이 많이 걸립니다. 당신은 소수의 사람들만 테스트할 수 있는 예산만 가지고 있습니다.

이 논문은 그 소수의 사람들을 어떻게 현명하게 뽑을지, 그리고 잘못된 결론에 도달하지 않도록 결과를 어떻게 올바르게 분석할지에 대한 가이드입니다.

문제: '전부 아니면 전무'의 함정

과거에 연구자들이 고가의 단서를 테스트하기 위해 소수의 그룹을 선택해야 했다면, 단순히 모자에서 이름을 뽑는 방식 (단순 무작위 추출) 을 사용했을지도 모릅니다. 하지만 이는 비효율적입니다. 무작위로 그룹을 뽑으면 가장 흥미로운 사례들을 놓칠 수 있습니다.

예를 들어, 경증, 중등도, 중증, 위중이라는 단계로 악화되는 질병을 연구하고 있다면, 무작위로 한 사람을 뽑아 '중등도' 증상을 가진 사람을 얻었을 수 있는데, 이는 극단적인 경우에 대해 거의 알려주지 않습니다. '황금 단서'가 극단적인 상황에서 어떻게 작용하는지 보기 위해서는 심각도 척도의 가장 위와 가장 아래에 있는 사람들을 찾아야 합니다.

해결책: 팀을 뽑는 세 가지 현명한 방법

저자들은 당신의 탐정 업무를 더 효율적으로 만들기 위해 큰 명단 (1 단계) 에서 소수의 그룹 (2 단계) 을 뽑기 위한 세 가지 새로운 전략을 제안합니다.

1. 결과 의존적 추출 (ODS): "극단 전략"

   • 비유: 학교에서 가장 잘하는 학생과 가장 못하는 학생을 찾고 있다고 상상해 보십시오. 학생들을 무작위로 뽑는 대신, 성적표의 상위 10% 와 하위 10% 를 구체적으로 살펴봅니다.
   • 작동 원리: 모든 사람이 이미 가지고 있는 건강 결과 (성적표) 를 살펴봅니다. 매우 경미한 결과를 가진 사람들과 매우 심각한 결과를 가진 사람들을 의도적으로 더 많이 뽑고, 평균적인 결과를 가진 사람들은 적게 뽑습니다. 이렇게 하면 모든 사람을 테스트하지 않고도 데이터의 더 '넓은' 시야를 확보할 수 있습니다.

2. 공변량 층화 ODS (CSODS): "그룹화된 극단 전략"

   • 비유: 때로는 '성적표'가 학생의 학년과 같은 다른 요소에 크게 영향을 받습니다. 학교 전체에서 상위와 하위 학생만 뽑는다면, 우연히 1 학년과 12 학년 학생들만 뽑게 되어 중간 학년을 놓칠 수 있습니다.
   • 작동 원리: 먼저 알려진 요인 (나이 또는 특정 건강 점수 등) 을 기준으로 용의자들을 그룹으로 나눕니다. 그런 다음, 각 그룹 내에서 극단적인 사례들을 뽑습니다. 이렇게 하면 전체 그룹의 극단뿐만 아니라 모든 유형의 사람들 사이에서 '황금 단서'에 대한 균형 잡힌 시야를 확보할 수 있습니다.

3. 잔차 의존적 추출 (RDS): "놀라움 요소 전략"

   • 비유: 공부 습관을 바탕으로 학생의 성적을 예측하는 수정구슬이 있다고 상상해 보십시오. 대부분의 학생은 예측과 잘 맞습니다. 하지만 어떤 학생들은 '놀라움'입니다. 열심히 공부했는데 성적이 나쁘거나, 공부하지 않고 A 를 받은 경우입니다. 이러한 '놀라움'이 가장 흥미롭습니다.
   • 작동 원리: 저렴한 데이터를 사용하여 예측 모델을 만듭니다. 그런 다음, 실제 건강 결과가 모델이 예측한 것과 매우 다른 사람들 (즉, '잔차') 을 찾습니다. 이러한 '놀라움' 사례들을 뽑는 이유는 그들이 '황금 단서'에 대해 가장 많은 새로운 정보를 담고 있기 때문입니다.

분석: 속임수 없이 퍼즐을 푸는 방법

현명한 그룹을 뽑은 후에는 그들을 일반적인 그룹처럼 분석할 수 없습니다. 그들이 특별히 선택되었다는 사실을 무시하면, 수학적으로 편향된 결과가 나옵니다 (가장 큰 소리를 내는 증인만 듣는 판사처럼).

저자들은 이를 수정하기 위한 세 가지 수학적 '도구'를 개발했습니다.

• ACML ("보정" 도구): 이 방법은 뽑은 사람들만 보지만, 그들이 의도적으로 뽑혔다는 사실을 고려하기 위해 수학적 '보정 계수'를 추가합니다. 마치 "나는 더 많은 극단적인 사례를 뽑았다는 것을 알기 때문에, 평균적인 사례들도 본 것처럼 내 수학을 조정하겠다"라고 말하는 것과 같습니다.
• 다중 대체법 ("빈칸 채우기" 도구): 이 방법은 더 영리합니다. 뽑지 않은 사람들 (여전히 저렴한 정보를 가지고 있는 사람들) 의 데이터를 사용하여 그들의 '황금 단서' 값이 어땠을지 추측합니다. 퍼즐의 빈 조각을 여러 번 채워 완전한 그림을 만든 다음, 그 결과들을 평균냅니다.
• 체 최대 우도법 ("유연한 그물" 도구): 이는 '황금 단서'가 특정 형태를 따른다고 가정하지 않는 정교한 방법입니다. 대신 데이터의 실제 형태를 잡기 위해 유연한 '그물' (수학적 스플라인) 을 사용하여, 데이터가 messy 하더라도 매우 견고하게 작동합니다.

그들이 발견한 것

저자들은 이러한 아이디어를 테스트하기 위해 수천 번의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 다음과 같은 사실을 발견했습니다.

• 효율성: 무작위로 뽑는 것보다 이러한 현명한 추출 전략 (ODS, CSODS, RDS) 을 사용하는 것이 훨씬 더 좋습니다. 동일한 금액으로 더 정확한 답변을 얻을 수 있습니다.
• 최고의 조합: 알려진 요인 (나이 또는 건강 점수 등) 이 결과를 강력하게 예측할 때, "그룹화된 극단" (CSODS) 과 "놀라움 요소" (RDS) 전략이 가장 잘 작동했습니다.
• 최고의 수학: 뽑지 않은 사람들에 대한 데이터가 있을 때 특히, 단순한 "보정" 방법보다 "빈칸 채우기" (다중 대체법) 와 "유연한 그물" (체) 방법이 일반적으로 더 정밀한 답변을 제공했습니다.

현실 세계 테스트: CLOVERS 시험

이것이 현실에서 작동함을 증명하기 위해, 그들은 CLOVERS 라는 실제 의학 시험의 데이터에 이러한 방법들을 적용했습니다. 이 시험은 패혈증 (심각한 감염) 을 앓고 있는 환자를 조사했습니다.

• 목표: 그들은 혈액 내의 특정 단백질 (인터루킨 -6, IL-6) 이 14 일 후 환자의 병세와 어떤 관련이 있는지 확인하고 싶었습니다.
• 결과: 그들은 1,351 명의 환자 전체를 '1 단계' 명단으로 간주했습니다. 그런 다음 새로운 전략을 사용하여 IL-6 을 테스트할 400 명의 환자만 뽑는 것을 시뮬레이션했습니다.
• 결과: 현명한 전략들 (특히 CSODS 와 RDS) 은 마치 모든 사람을 테스트한 것처럼 단백질과 질병 사이의 관계를 거의 완벽하게 재구성할 수 있게 해주었습니다. 더 적은 데이터로 더 명확한 그림을 얻었습니다.

요약

이 논문은 비싼 것을 테스트할 예산이 제한된 연구자들을 위한 새로운 규칙집을 제공합니다. 누구를 테스트할지 추측하는 대신, 이미 가지고 있는 데이터를 사용하여 가장 정보량이 많은 사람들을 뽑을 수 있습니다. 그런 다음 결론이 정확하도록 보장하기 위해 특수한 수학을 사용합니다. 이는 더 나은 과학적 답변을 얻으면서도 시간과 비용을 절약해 줍니다.