Improved prediction of extreme random effects in joint models: WRaPs

기술 요약: 결합 모델에서의 극단적 랜덤 효과 예측 개선: WRaPs

문제 정의
종양학 및 중환자 관리와 같은 개인 맞춤형 의료 분야에서는 생존뿐만 아니라 낮은 삶의 질(QoL)을 포함하여 심각한 결과에 처할 위험이 높은 환자를 식별해야 할 필요성이 커지고 있다. 종단적 결과(longitudinal outcomes)와 생존(survival)을 동시에 모델링하는 결합 모델(joint models)에서 표준적인 예측 도구들은 일반적으로 랜덤 효과를 위해 최적 선형 무편향 예측량(BLUPs) 또는 경험적 베이즈 추정치(Empmpirical Bayes estimates)에 의존한다. 그러나 BLUP은 랜덤 효과를 모집단 평균으로 끌어당기는 "수축(shrinkage)" 현상을 보이는 것으로 알려져 있다. 임상 맥락에서 매우 낮은 건강 상태나 낮은 생존 확률을 가진 환자를 식별하는 것이 목표일 때, 이러한 수축은 예측을 지나치게 낙관적으로 만들어 고위험군 환자의 과소 식별을 초래한다. 선형 혼합 모델에서 이러한 수축을 완화하기 위해 가중 랜덤 효과 추정법이 제안된 바 있으나, 종단적 과정과 생존 과정이 연결된 결합 모델 프레임워크로까지는 확장되지 못했다.

방법론
저자들은 공유 랜덤 효과를 가진 결합 모델에 가중 추정 방법을 확장한 **WRaPs (Weighted Random effect Predictors)**를 제안한다.

• 프레임워크: 이 방법은 종단적 결과($Y_{ij}$)와 생존 시간($T_i$)이 공유된 피험자별 랜덤 효과($U_i$)를 통해 연결되는 결합 모델 내에서 작동한다. 생존 위험(hazard)은 기저 공변량과 공유된 랜덤 효과의 함수로 모델링된다.
• 핵적인 혁신: 표준 평균 제곱 오차(MSE)를 최소화하여 BLUP을 얻는 대신, WRaPs는 $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$ 형태의 가중 평균 제곱 오차를 최소화한다. 가중 함수 $W(U; \lambda)$는 랜덤 효과 분포의 꼬리 부분(tails)에서 발생하는 오차에 더 큰 가중치를 부여하도록 설계되었다.
• 가중 함수: 본 논문은 McCulloch 및 Neuhaus (2023)에서 채택된 다음과 같은 여러 가중 함수를 활용한다:
  • 제곱 ($SQ$):$W(u) = \exp(\lambda u^2)$
  • 절대값 ($AB$):$W(u) = \exp(\lambda |u|)$
  • 절단 임계값 ($CT$):$W(u) = I(|u| > \lambda)$
  • 비대칭 ($AS$):$W(u) = \exp(-\lambda u)$ (특히 낮은 값들을 대상으로 함).
• 구현:
  • 해석적 해법: 기본 모델(예: 랜덤 절편을 가진 로그-노멀 생존 모델)의 경우, 저자들은 WRaPs에 대한 폐쇄형 해석적 표현식을 도출한다.
  • 베이지안 수치적 해법: 복잡한 모델(예: 랜덤 절편 및 기울기, 비례 위험 모델)의 경우, 저자들은 rjags 패키지를 이용한 마르코프 체인 몬테카를로(MCMC) 방법을 통해 베이지안 프레임워크를 사용한다. WRaPs는 가중된 랜덤 효과와 가중치 자체의 사후 평균 비율로 계산된다.
• 플래깅(Flagging) 전략: 이 방법은 향후 특정 시간 범위 내에 사망하거나 낮은 삶의 질을 보일 것으로 예상되는 환자를 "플래깅(표식)"하는 데 적용된다. 환자의 예측 생존 확률이 임계값 $c$ 미만이거나 예측된 평균 QoL이 특정 백분위수 미만일 경우 플래깅된다. 튜닝 파라미터 $\lambda$는 진양성률(TPR)과 위양성률(FPR) 사이의 균형을 맞추기 위해 선택된다.

주요 기여

1. 결합 모델로의 확장: 본 논문은 가중 랜덤 효과 예측의 개념을 종단적 QoL과 생존 결과 간의 의존성을 수용하는 결합 모델로 확장하였다.
2. 극단적 결과 처리: BLUP에 내재된 수축 편향을 완화하여, 특히 랜덤 효과의 꼬리 부분(즉, 최악의 결과를 보이는 환자들)에 대한 예측 정확도를 개선하는 메커니즘을 제공한다.
3. 유연한 튜닝: 튜닝 파라미터 $\lambda$의 도입을 통해 임상의나 연구자가 전체 MSE와 고위험 환자 식별 능력 사이의 절충을 통해 모델을 스스로 교정할 수 있도록 한다.
4. 계산적 프레임워크: 저자들은 단순한 사례에 대한 해석적 도출과 고차원적 랜덤 효과 구조를 가진 복잡한 모델을 위한 견고한 베이지안 계산 전략을 모두 제공한다.

결과
저자들은 Type I 시뮬레이션 연구와 EORTC 글리오블라스타마(glioblastoma) 임상 시험 데이터(Stupp et al., 2005; Taphoorn et al., 2005)를 사용한 사례 연구를 통해 WRaPs를 평가하였다.

• 시뮬레이션 연구:
  • 랜덤 절편과 기울기를 가진 모델에서, WRaPs는 극단적인 랜덤 효과(예: $|z_i| > 1.5$)를 가진 하위 그룹에 대해 BLUP보다 일관되게 낮은 평균 제곱 오차(MSE)를 보여주었으나, 전체 인구에 대해서는 BLUP이 더 낮은 MSE를 유지하였다.
  • "플래깅" 시뮬레이션에서, WRaPs는 사망하거나 낮은 QoL을 보일 환자를 식별하는 데 있어 진양성률(TPR)을 유의미하게 향상시켰다. 예를 들어, 5%의 위양성률(FPR) 시나리오에서 WRaPs는 가중 함수와 임계값에 따라 TPR을 약 58%(BLUP)에서 65~80%까지 높였다.
  • 비대칭(AS) 가중 함수는 낮은 QoL을 가진 환자를 식별하는 데 특히 효과적이었으며, 적절한 FPR에서 75% 이상의 TPR을 달로 달성하였다.
• 사례 연구 (글리오블라스타마):
  • 573명의 환자에게 적용되었으며, 이 방법은 33주에서 46주 사이에 사망하거나 낮은 QoL 위험이 있는 환자를 식별하였다.
  • 25번째 백분위수 QoL 임계값에 대해, WRaPs는 가중 함수에 관계없이 TPR을 32%(BLUP)에서 50% 이상으로 높였으며, 이때 FPR은 10~20% 사이였다.
  • 더 엄격한 5번째 백분위수 임계값의 경우, BLUP은 매우 보수적으로 수행되었으나(TPR = 5.7%), WRaPs(특히 AS 방식)는 25%의 FPR에서 약 75%의 TPR을 달성하였다.
  • 양성 예측도(PPV)와 음성 예측도(NPV)는 일반적으로 BLUP에 비해 WRaPs에서 개선되었다.

의의 및 주장
본 논문은 WRaPs가 랜덤 효과의 분포 꼬리 부분에서의 수축을 완화함으로써 심각한 결과에 처한 환자 탐지를 강화하는 실용적이고 효과적인 방법이라고 주장한다. 저자들은 WRaPs를 모든 맥락에서 표준 BLUP을 대체하는 도구가 아니라, 극단적인 불량 결과(extreme, poor outcomes)를 식별하는 것이 중요한 시나리오(예: "고위험 플래깅")를 위한 특화된 도구로 위치시킨다.

그 의의는 초점을 순수 생존 기반 지표에서 2차원적 결과(생존 + QoL)로 전환하여, 생존 혜택이 치료 관련 부작용이나 삶의 질 저하보다 크지 않을 수 있다는 임상적 현실을 다루는 데 있다. $\lambda$를 튜닝하여 민감도와 특이도의 균형을 맞춤으로써, WRaPs는 표준 결합 모델 예측에 대한 유연하고 임상적으로 해석 가능한 보완책을 제공하며, 종양학 및 중환자 관리 환경에서 환자 중심 케어로의 전환을 지원한다. 저자들은 계산 부담을 줄이기 위해 플러그인 추정치를 사용하여 파라미터 불확실성을 처리하였으나, 향후 연구에서는 완전한 베이지안 통합 또는 WRaPs와 BLUP을 분포의 서로 다른 영역에서 결합하는 하이브리드 예측법을 탐구할 수 있다고 언급하였다.