Applying the Weibull Shape Parameter test for signal detection in pharmacovigilance using the R package WSPsignal

기술 요약: WSPsignal R 패키지를 이용한 약물감시 내 신호 탐지를 위한 와이불 형상 매개변수 검정 적용

문제 정의
시판 후 약물감시는 일상적으로 수집되는 보건 의료 데이터를 활용하여 잠재적인 약물 이상반응(ADR)을 식별하는 데 의존한다. 임상 시험은 대개 제한된 인구를 대상으로 하지만, 실제 사용 환경에서는 시장 승인 후에야 나타나는 위험이 발견될 수 있다. 이러한 신호를 탐지하는 것은 안전 프로파일을 유지하는 데 매우 중요하며, 이는 라벨 변경이나 시장 철회로 이어질 수 있다. 기존의 신호 탐지 방법에는 불균형 접근법(disproportionality approaches), 시계열 패턴 분석, 노출 모델 등이 있다. 그러나 시간-사건(time-to-event, TTE) 기반 방법, 특히 약물 투여 이후 이상반응의 위험(hazard)이 시간에 따라 변화하는지를 평가하기 위해 와이불 형상 매개변수(Weibull Shape Parameter, WSP) 검정을 활용하는 방식은 적용하기가 어려웠다. 역사적으로 WSP 변형 모델을 구현하려면 상당한 양의 맞춤형 코딩과 분산된 자원이 필요했기에, 응용 연구자들이 접근하기에 한계가 있었다.

방법론
본 논문은 WSP 신호 탐지 검정 계열을 통합한 오픈 소스 인터페이스인 WSPsignal R 패키지를 소개한다. 이 방법론은 약물 관련 이상반응이 시간이 지남에 따라 비일정한 위험 함수(non-constant hazard function)를 유발하는 반면, 시간적 의존성이 결여되면 일정한 위험(constant hazard)을 가진다는 가정에 근거한다.

본 프레임워크는 두 가지 추정 접근 방식을 지원한다:

1. 빈도주의(Frequentist): 와이불 유형 모델을 적합시키기 위해 최대 우도 추정법(Maximum Likelihood Estimation, MLE)을 활용한다.
2. 베이지안(Bayesian): 지정된 사전 분포(로그 정규, 감마, 고정 척도 변형 등)를 사용하여 Stan을 통한 사후 샘플링(posterior sampling)을 활용한다.

패키지는 세 가지 특정 TTE 분포를 구현한다:

• 와이불(Weibull, W): 단일 형상 매개변수 모델.
• 더블 와이불(Double Weibull, dW): 두 개의 와이불 모델(전체 데이터용 하나와 관찰 기간의 중간 지점에서 절단된 데이터용 하나)을 추정한다.
• 파워 일반화 와이불(Power Generalized Weibull, pgW): 추가적인 형상 매개변수를 가진 더 유연한 모델.

신호 탐지 로직:

• 빈도주의: 형상 매개변수가 지정된 신뢰 수준($1-\alpha$)에서 1과 통계적으로 다를 경우(비일정한 위험을 나타냄) 신호가 발생한다.
• 베이지안: 사후 신뢰 구간(posterior credibility interval, CI)과 귀무값인 1 주변의 실용적 동등 영역(Region of Practical Equivalence, ROPE) 간의 비교를 통해 결정을 내린다. 패키지는 여러 매개변수의 중간 결과를 하나의 이진 신호/무신호 출력으로 결합하기 위한 세 가지 민감도 옵션을 제공한다.

패키지의 핵심 기능은 시뮬레이션 기반 튜닝(simulation-based tuning) 능력이다. 사용자는 특정 특성(표본 크기, 배경 발생률, ADR 발생률, 관찰 기간)을 반영하는 데이터를 시뮬레이션하여, ROC 곡선의 아래 면적(AUC)을 기준으로 테스트 사양의 순위를 매길 수 있다. 이를 통해 실무자는 자신의 데이터 맥락에 가장 적합한 분포, 신뢰/신뢰 구간 수준, 그리고 사전 분포 사양을 식별할 수 있다.

주요 기여

1. 소프트웨어 개발: 주요 기여는 이전에 파편화되어 있던 WSP 방법론들을 단일하고 재현 가능한 오픈 소스 도구로 통합한 WSPsignal 패키지이다.
2. 워크플로우 표준화: 본 논문은 데이터 탐색, 기본 테스트, 시뮬레이션 기반 튜닝을 포함하여 이러한 검정을 적용하기 위한 단계별 워크플로우를 제공한다.
3. 유연성의 입증: 저자들은 두 가지 합성 데이터셋을 통해 패키지의 유용성을 입증하였다:
   • 대규모 표본 설정 (~20,000 관측치): 97% 신뢰 수준을 사용한 더블 와이불 모델을 이용한 빈도주의 접근 방식이 효과적임을 보여주었으며, 이는 이전의 권고 사항과 일치한다.
   • 소규모 표본 설정 (~1,000 관측치): 베이지안 접근 방식이 사용되었다. 저자들은 사전 분포와 신뢰 구간 튜닝의 필요성을 입증하였으며, 로그 정규 사전 분포, 60% 신뢰 구간, 그리고 민감도 옵션 3을 사용하는 파워 일반화 와이불 모델이 이 특정 시나리오에서 최상의 성능을 보임을 발견하였다.
4. 성능 평가: 본 논문은 수렴성, 실행 시간, 유효 표본 크기(베이지안 방법의 경우), 그리고 통계적 지표(AUC, FPR, TPR)에 관한 테스트 성능을 평가하는 방법을 상세히 기술한다.

결과
합성 데이터셋에 대한 패키지 적용 결과는 다음과 같다:

• 대규모 표본에서는 기본 사양(예: 97% 신뢰 수준의 dW)이 잘 작동하지만, 튜닝을 통해 최적성을 확인할 수 있다.
• 소규모 표본에서는 사전 믿음(prior belief)과 분포의 선택이 매우 중요하다. 시뮬레이션 결과, 로그 정규 사전 분포를 사용하는 dW 모델은 소규모 표본 시나리오에서 수렴 문제와 낮은 유효 표본 크기를 겪었으며, 이에 따라 최종 분석에서 제외되고 pgW 모델이 채택되었다.
• 테스트 성능은 ADR 발생 시점에 민감하다. 대규모 표본 시나리오에서는 ADR이 연구 기간의 시작 또는 끝에 발생할 때 테스트 성능이 좋았고, 소규모 베이지안 시나리오에서는 중간에 발생할 때 성능이 좋았다.
• 튜닝 과정은 주어진 데이터 특성에 대해 AUC를 극대화하는 특정 구성(예: 특정 신뢰 수준 및 민감도 옵션)을 성공적으로 식별하였다.

의의
본 논문은 모든 WSP 테스트 변형을 단일하고 투명하며 재현 가능한 패키지로 통합함으로써, 통계학, 약물감시 및 관련 분야의 응용 연구자들을 위한 기술적 장벽을 낮춘다고 주장한다. 저자들은 이것이 광범위한 채택, 비판적 검토 및 추가적인 방법론적 발전을 촉진한다고 밝힌다. 이 패키지를 통해 실무자들은 시뮬레이션 기반 튜닝을 수행하여 주어진 데이터 시나리오에 최적화된 테스트를 식별함으로써, "일률적인(one-size-fits-all)" 접근 방식을 넘어 더 신뢰할 수 있는 시판 후 감시를 수행할 수 있게 된다.