기술 요약: ATT 한계 위험비 추정을 위한 MEC-Cox

1. 문제 정의

본 논문은 암 치료나 희귀 질환 분야에서 점차 증가하고 있는 설계 방식인, 동시 무작위 대조군 설정이 불가능한 외부 대조군 단일 군(externally controlled single-arm) 생존 시험에서의 인과적 치료 효과 추정 문제를 다룹니다. 구-체적인 목표 대상은 치료군 내의 한계 위험(marginal hazard)을 대조군의 반사실적 한계 위험과 비교하는 **치료군 대상 평균 치료 효과(ATT) 한계 위험비(marginal hazard ratio)**입니다.

식별된 주요 추론상의 어려움은 다음과 같습니다:

1. 모델 오설정 민감도(Model Misspecification Sensitivity): 표준 역확률 가중(IPW) Cox 회귀는 소스 성향 점수(source propensity score)에 의존합니다. 만약 성향 점수의 모수적 모델이 오설정된 경우(예: 비선형 관계), 결과적으로 도출된 가중 Cox 추정량은 심각한 편향을 겪게 됩니다.
2. 분산 추정의 복잡성: IPW Cox 추정량에 대한 유효한 추론은 기술적으로 까다롭습니다. 왜냐하면 가중치가 적용된 부분 가능도(weighted partial likelihood)가 사건 기여도와 위험 집합 평균 모두를 통해 가중치에 의존하기 때문입니다.
   • 나이브(naive) 분산 추정량은 가중치 구조를 무시합니다.
   • 강건한 샌드위치 추정량(예: Lin–Wei/Binder)은 추정된 가중치를 고정된 것으로 취급하여, 성향 점수 추정으로부터 발생하는 불확실성을 무시합니다.
   • 교정된 샌드위치 추정량(예: Shu et al., 2021b)은 가중치 불확실성을 고려하지만, 일반적으로 모수가 올바르게 설정된 파라미터 성향 점수 모델에 의존하므로 오설정에 민감합니다.
3. 머신러닝의 통합: 표적 최대 가능도 추정(TMLE)과 이중 머신러닝(DML)은 평균 유형 추정량(mean-type estimands)을 위해 유연한 머신러닝(ML)을 성공적으로 통합했지만, 이를 Cox 위험비 추정으로 확장하는 것은 간단하지 않습니다. 이는 Cox 모델의 경우 위험 집합 평균을 통한 가중치와의 비선형적 의존성 때문에 분석적인 효율 영향 함수(EIF) 또는 네이만 직교 스코어(Neyman-orthogonal scores)를 유도하는 과정이 매우 복잡하기 때문입니다

2. 방법론: MEC-Cox

저자들은 MEC-Cox를 제안하며, 이는 머신러닝 보조 일반 엔트로피 교정(MEC) 프레임워크(Lee and Kim, 2026)를 IPW Cox 회귀에 적응시킨 것입니다. 이 방법은 두 가지 주요 단계로 작동합니다.

A. 기초 가중치 구축 (Baseline Weight Construction)

1. 소스 성향 점수 추정: 소스 성향 점수 $\pi(X) = P(A=1|X)$를 과적합을 피하기 위해 **K-폴드 교차 적합(K-fold cross-fitting)**을 사용하여 유연한 ML 방법(예: BART, 딥러닝) 또는 모수적 로지스틱 회귀를 통해 추정합니다.
2. ATT 수송 가중치(Transport Weights): 외부 대조군($A=0$)에 대해, 기초 가중치는 정규화된 ATT 오즈(odds)인 $d_i = n_1 \hat{q}(X_i) / \sum \hat{q}(X_j)$로 구축됩니다. 여기서 $\hat{q}(X) = \hat{\pi}(X)/(1-\hat{\pi}(X))$입니다. 이 가중치들은 외부 대조군 분포를 치료군 모집단으로 수송합니다.

B. 브레그만 교정 단계 (Bregman Calibration Step)

핵심 혁신은 기초 가중치를 단순한 공변량이 아닌 **예후 요약(prognostic summaries)**을 균형 있게 맞추도록 정교화하는 교정 단계입니다.

1. 교정 기저 구축: 모든 대상자에 대해 교차 적합된 예후 점수가 생성됩니다. 논문에서는 유연한 생존 학습기(예: Random Survival Forests 또는 Cox 모델)를 사용하여 외부 대조군 코호트로부터 추정된 랜드마크 대조군 생존 확률 $\hat{S}_0(t_k | X)$를 사용하는 것을 제안합니다. 기저 벡터는 $h_i = (1, \hat{S}_0(t_1|X_i), \dots, \hat{S}_0(t_{p-1}|X_i))$입니다.
2. 브레그만 투영: 기초 가중치 $d_i$는 외부 대조군에서의 교정 기저의 가중 평균이 치료군과 일치한다는 제약 조건 하에서 브레그만 발산 $D_G(w_i \| d_i)$를 최소화하도록 새로운 가중치 $w_i$로 업데이트됩니다:
   $$\sum_{i \in I_0} w_i h_i = \sum_{i \in I_1} h_i$$
   해결책은 $w_i = g^{-1}(g(d_i) + \lambda^\top h_i)$ 형태를 취하며, 여기서 $\lambda$는 교정 방정식을 푸는 쌍대 매개변수(dual parameter)입니다.
3. 최종 추정: 업데이트된 가중치 $\tilde{\omega}_i = A_i + (1-A_i)w_i$는 로그 위험비 $\theta_{ATT}$를 구하기 위해 표준 IPW Cox 추정 방정식에 사용됩니다.

C. 분산 추정 (Variance Estimation)

교정 단계에서 도입된 불확실성을 고려하기 위해, 저자들은 **스택 샌드위치 분산 추정량(stacked sandwich variance estimator)**을 제안합니다.

• $\theta$에 대한 가중 Cox 추정 방정식과 $\lambda$에 대한 쌍대 교정 방정식을 결합(stack)합니다.
• 분산은 이 결합 시스템의 영향 함수로부터 유도되며, 이는 교정 매개변수 추정을 교정된 샌드위치 추정량에서의 성향 점수 추정과 유사하게 변동의 원천으로 취급하여 효과적으로 처리합니다.
• 이 접근 방식은 교차 적합된 넌류 함수(propensity scores 및 prognostic models)를 샌드위치 계산에서 고정된 것으로 취급하면서, 교정 매개변수 $\lambda$의 1차 불확실성을 고려합니다.

3. 주요 기여 및 이론적 결과

• 일관성(Consistency): 정리 2는 표준 인과 가정(일관성, 생존 수송성, 양의성) 및 정칙성 조건 하에서 MEC-Cox 추정량이 ATT 한계 로그 위험비에 대해 일관적임을 입증합니다. 결정적으로, 추정량의 일관성은 교정 기저(예후 모델)가 올바르게 설정될 것을 요구하지 않으며, 소스 성향 점수가 일관되게 추정되고 교정 기저가 $L_2$-확률적으로 유계(stochastically bounded)이기만 하면 됩니다.
• 효율성 이득(Efficiency Gain): 정리 3은 투영 조건 하에서 MEC-Cox 스택 샌드위치 분산이 고정 가중치 Lin–Wei 강건 분산보다 크지 않음을 보여줍니다. 교정 단계는 교정 기저에 의해 설명되는 Cox 스코어 변동 성분을 효과적으로 제거하여 잠재적인 효율성 이득을 가져옵니다.
• 오라클 기저(Oracle Basis): 명제 4는 만약 "오라클" 대조군 예후 점수(반사실적 대조군 결과에 충분한 요약 정보)가 존재한다면, 이를 교정 기저로 사용하는 것이 가중치 정규화된 Cox 기여도의 잔차 변동을 최소화하여 이론적으로 효율성을 극대화함을 보여줍니다.
• 유연성: 이 방법은 복잡한 EIF를 유도할 필요 없이 성향 점수 및 예후 요약 구축을 위한 유연한 ML 방법(BART, Random Survival Forests, Deep Learning)을 통합할 수 있게 해줍니다.

4. 실증 결과

논문은 시뮬레이션 연구와 실제 데이터 적용을 통해 MEC-Cox를 평가합니다.

시뮬레이션 연구

• 시나리오 1 (선형 모델): 올바르게 설정된 선형 모델 환경에서, MEC-Cox(성향 점수에 로지스틱 회귀, 예후에 Cox 모델 사용)는 표준 ATT-IPW 추정량보다 작은 편향과 RMSE를 달성하여 효율성 이득을 입증했습니다.
• 시나리오 2 (비선형 모델): 소스 선택 및 결과 모델 모두에서 심각한 비선형성이 존재하는 환경에서, 로지스istic 회귀를 사용한 표준 IPW 추정량은 성향 점수 오설정으로 인해 상당한 편향을 보였습니다. 반면, BART를 성향 점수에 사용하고 유연한 생존 학습기(RSF)를 교정 기저로 사용한 MEC-Cox는 편향과 RMSE를 성공적으로 줄였으며 명목 수준에 가까운 커버리지를 유지했습니다.

실제 데이터 적용

방법론은 유방암 재발에 대한 호르몬 요법(GBSG 시험)과 호르몬 요법 미사용(Rotterdam 종양 은행)을 비교하는 데 적용되었습니다.

• 불균형: 가중을 적용하지 않은 비교에서는 유의미한 차이가 없었으나, 원시 공변량 불균형은 심각했습니다 (Max SMD = 1.158).
• 결과: 표준 ATT-IPW Cox 회귀는 호르몬 요법의 유의미한 이점(HR = 0.569)을 시사했으나, 잔여 불균형(Max SMD = 0.270)과 높은 가중치 변동성을 남겼습니다.
• MEC-Cox 성능: MEC-Cox 구현(GLM/Cox 및 DL/RSF 모두 사용)은 유사한 질적 결론(HR $\approx$ 0.61–0.65)을 도출하면서도, 가중치 안정성(높은 유효 표본 크기, 낮은 변동 계수)과 우수한 공변량 균형(Max SMD < 0.15)을 보여주었습니다. 표준 오차 또한 표준 IPW 방식에 비해 감소했습니다.

5. 의의 및 주장

본 논문은 MEC-Cox가 외부 대조군이 포함된 시험에서의 한계 위험 추정에 관한 문헌의 간극을 메운다고 주장합니다.

• 강건성: 유연한 ML을 활용함으로써 기존 방법들의 성향 점수 모델 오설정에 대한 민감도 문제를 해결합니다.
• 추론: 교정 단계의 불확실성을 고려하는 스택 샌드위치 방식을 제공하여, 나이브한 강건 추정량의 한계를 해결합니다.
• 효율성: 단순 공변량이 아닌 예후 요약을 균형 있게 맞춤으로써 유한 표본 효율성을 개선합니다.
• 실용성: 교정 단계의 듀얼 뉴턴 솔버(dual Newton solver)는 가중치의 고차원 공간이 아닌 교정 기저의 저차원 공간에서 작동하므로 계산 효율적입니다.

저자들은 MEC-Cox가 효율성과 강건성을 개선하지만, ATT 한계 로그 위험비에 대한 준파라미터 효율적 경계(semiparametric efficiency bound)에 도달한다고 주장하지 않으며, 평균 유형 추정량에서와 같은 대수적 의미의 이중 강건성(doubly robust property)을 확립하지도 않는다는 점을 명시합니다. 또한 이 방법은 소스 특이적 독립 검열(source-specific independent censoring)을 가정하며, 정보가 있는 검열(informative censoring)로의 확장은 향후 과제로 남겨두었습니다.