Efficient Cumulative Incidence Estimation in Biobank Studies Using All… — 쉬운 설명

개요: "스냅샷" 세상에서 질병의 수를 세는 법

당신이 한 도시에서 사람들이 평생 동안 특정 질병(예: 유방암)에 걸리는 횟수를 세려고 한다고 상상해 보세요. 과거에는 연구자들이 건강한 사람들을 선발하여, 그들이 병에 걸릴 때까지 기다렸다가 어떤 일이 일어나는지 관찰했습니다. 이것은 마치 경주 시작점에서 출발 신호를 기다리며 모든 사람이 달리는 것을 지켜보는 것과 같습니다.

하지만 현대의 "바이오뱅크"(거대한 건강 기록 데이터베이스)는 다르게 작동합니다. 이들은 경주를 시작하는 것이 아니라, 이미 한참을 걷고 있는 군중의 **스냅샷(순간 포착 사진)**을 찍습니다.

설정: 이들은 특정 연령대(예: 40세에서 69세 사이)에 속한 사람들만 연구에 참여할 수 있도록 제한합니다.
문제점: 이 사람들이 연구에 참여할 즈음에는, 이미 병에 걸려 있는 상태인 사람들도 있습니다(유병 사례). 또한 참여한 이후에 병에 걸리는 사람도 있습니다(발병 사례). 어떤 이들은 병에 걸린 후 곧 사망하기도 하고, 어떤 이들은 병에 걸린 후 수십 년을 살기도 합니다. 또 어떤 이들은 평생 병에 걸리지 않기도 합니다.

이 논문의 저자인 자커(Zucker)와 고프파인(Gorfine)은 이 불완전한 스냅샷 데이터들을 사용하여 질병의 실제 위험도를 추정할 수 있는 더 나은 "수학적 카메라"를 만들고자 합니다.

세 가지 구식 카메라 (그리고 왜 흐릿했는가)

그들의 새로운 발명품을 이해하려면, 먼저 기존의 방식들이 왜 결함이 있었는지 알아야 합니다.

1. "아알렌-요한센(Aalen-Johansen)" 카메라 (엄격한 문지기)

작동 방식: 이 방법은 연구에 들어온 이후에 병에 걸린 사람들만 집계합니다. 연구에 들어올 당시 이미 병을 앓고 있었던 사람들은 완전히 무시합니다.
결함: 이는 마치 선생님이 시험 점수를 매기면서, 정답을 맞혔더라도 늦게 도착한 학생의 답안은 채점하지 않는 것과 같습니다.
결과: 이 방식은 데이터의 거대한 부분을 놓치게 됩니다("유병" 사례들). 또한 연구가 시작될 때 30세였던 사람은 연구 대상이 아니므로, 30세의 질병 위험도를 알려줄 수도 없습니다. 즉, 가치 있는 정보를 버리는 것입니다.

2. "GZS" 카메라 ("사망자 전용" 필터)

작동 방식: 이 방법은 연구 참여 당시 이미 아팠던 사람들도 포함하려고 노력합니다. 하지만 엄격한 규칙이 하나 있습니다. 바로 연구 기간 중 사망한 환자만을 집계한다는 것입니다. 만약 어떤 사람이 병에 걸렸지만 연구 종료 시점까지 살아 있다면, 이 카메라는 그 사람을 무시합니다.
결함: 이 방식은 빠르게 진행되는 독감처럼 질병이 금방 사망으로 이어지는 경우에는 매우 효과적입니다. 하지만 유방암처럼 진단 후 20년 혹은 30년을 생존하는 경우가 많은 질병에는 눈이 멀어버린 것과 같습니다.
비유: 특정 자동차를 얼마나 많은 사람이 샀는지 세려고 하는데, 오직 사고를 낸 사람들만 보고 있는 것과 같습니다. 만약 대부분의 사람이 사고 없이 20년 동안 차를 잘 타고 있다면, 당신은 그 차를 산 사람의 수를 엄청나게 과소평가하게 될 것입니다.
결과: 유방암 데이터를 포함하는 UK 바이오뱅크 데이터에서, 이 방법은 생존자들을 무시했기 때문에 질병 위험도를 크게 과소평가했습니다.

3. "제안된" 카메라 (새로운, 모든 것을 보는 렌즈)

작동 방식: 저자들은 모든 사람을 집계하는 새로운 수학적 도구를 만들었습니다.
- 참여 전부터 이미 아팠던 사람들을 집계합니다.
- 참여한 이후에 병에 걸린 사람들을 집계합니다.
- 병에 걸린 후 사망한 사람들을 집계합니다.
- 결정적으로: 병에 걸린 후 연구 종료 시점에도 여전히 살아있는 사람들을 집계합니다.
마법 같은 점: 이 카메라는 데이터를 균형 있게 조절하기 위해 영리한 가중치 시스템을 사용합니다. 만약 건강한 40세의 사람을 본다면, 그 사람은 30세에 사망한 환자에 비해 40세까지 살아남을 확률이 더 높다는 점을 인식합니다. 이 방식은 아무도 버리지 않으면서 이러한 차이를 반영하도록 수학적으로 조정합니다.

이것이 왜 중요한가: "유방암" 사례

저자들은 이 새로운 카메라를 UK 바이오뱅크의 실제 데이터, 특히 유방암에 적용하여 테스트했습니다.

상황: 유방암은 종종 조기에 발생하며, 여성들은 진단 후 오랜 기간 생존하는 경우가 많습니다.
기존 방식의 결과:
- "엄격한 문지기"(Aalen-Johansen)는 적절한 답을 내놓았지만, 아픈 사람들의 절반을 무시했기 때문에 "오차 범위"가 매우 넓었습니다(마치 흐릿한 사진처럼).
- "사망자 전용" 필터(GZS)는 생존자들을 무시했기 때문에 매우 낮고 잘못된 답을 내놓았습니다.
새로운 방식의 결과:
- 새로운 방법은 "엄격한 문지기"와 매우 유사한 답을 내놓았습니다(즉, 정확했습니다).
- 하지만, 모든 데이터(생존자와 이미 아팠던 사람들을 포함하여)를 사용했기 때문에, "오차 범위"가 절반 수준으로 줄어들었습니다.
- 비유: 이는 흐릿한 렌즈 대신 고해resolution(고해상도) 렌즈로 사진을 찍는 것과 같습니다. 장면은 똑같지만, 디테일이 훨씬 더 선명하고 당신이 보고 있는 것에 대해 훨씬 더 확신할 수 있게 됩니다.

핵심 요약

저자들은 의학 연구의 주요 사각지대를 해결하는 새로운 통계적 도구를 만들었습니다.

모든 것을 활용합니다: 이미 아팠던 사람들이나 여전히 살아있는 사람들을 버리지 않습니다.
더 정확합니다: 진단 후 오랜 기간 생존하는 경우가 많은 질병(많은 암 종류 등)에서도 잘 작동합니다.
더 효율적입니다: 동일한 양의 데이터를 사용하여 질병 위험에 대한 더 명확하고 정밀한 그림을 제공하며, 이는 사실상 연구의 "통계적 검정력"을 두 배로 높이는 효과를 줍니다.

요컨대, 그들은 퍼즐 조각의 절반을 버리는 대신, 그 조각들을 모두 사용하여 질병 위험이라는 전체 그림을 훨씬 더 명확하게 볼 수 있는 방법을 찾아냈습니다.

기술 요약: 바이오뱅크 연구에서의 효율적인 누적 발생률 추정

문제 정의
본 논문은 바이오뱅크 데이터를 사용하여 특정 질병의 누적 발생 함수(Cumulative Incidence Function, CIF)를 추정할 때 발생하는 과제에 대해 다룹니다. 바이오뱅크 연구는 일반적으로 특정 연령대 $[R_L, R_U]$ (예: UK Biobank의 40~69세) 내의 대상자를 모집하고 이들을 전향적으로 추적합니다. 이러한 설계는 두 가지 결정적인 통계적 복잡성을 초래합니다:

좌측 절단(Left Truncation): 개인은 모집 연령 $R_i$ 까지 생존한 경우에만 관찰됩니다. 따라서 발생률은 $R_L$ 까지의 생존을 조건으로 하여 $G_1(t | T_2 > R_L)$ 로 추정되어야 합니다.
유병 사례(Prevalent Cases) 대 신규 발생 사례(Incident Cases): 데이터에는 "유병 사례"(모집 전 진단된 개인)와 "신규 발생 사례"(모집 후 진단된 개인)가 포함됩니다. 또한, 질병은 종결적이지 않습니다(non-terminal); 개인은 진단 후 사망하거나 추적 종료 시점까지 생존해 있을 수 있습니다.

기존 방법들은 이러한 요인들의 결합을 효율적으로 처리하지 못합니다. 표준 좌측 절단 조정 아알렌-요한슨(Aalen-Johansen, AJ) 추정량은 유병 사례를 제외하며, 결과적으로 다른 대상인 ( $G_1(t | T_1 > R_L, T_2 > R_L)$ 즉, 모집 시 질병이 없는 상태를 조건으로 하는 CIF)을 추정하게 됩니다. Chang과 Tzeng (2006), Vakulenko-Lagun 외 (2017), 그리고 Gorfine 외 (2025) (GZS)의 역확률 가중치(Inverse Probability Weighting, IPW) 방법들과 같은 방법들은 유병 사례를 포함하려고 시도하지만 상당한 한계를 가집니다. 구체적으로, GZS 추정량은 추적 기간 동안 사망한 질병 사례에 대해서만 양의 질량을 할당합니다. 이는 질병 발생 후 생존 기간이 긴 경우(유방암과 같은 질병의 일반적인 특징) 심각한 편향과 비효율성을 초래하는데, 많은 유병 및 신규 발생 사례가 연구 종료 시점에 생존해 있어 GZS 방식에 의해 버려지기 때문입니다.

방법론
저자들은 모든 관찰된 질병 사례(유병 사례 및 신규 발생 사례 모두)를 포함하도록 설계된 새로운 완전 비모수적 CIF 추정량 $\hat{G}_1(t^*_1)$ 을 제안합니다. 이 추정량은 질병 발생 시 생존 여부와 관계없이 모든 데이터를 활용합니다.

이 추정량은 질병/사망 모델(illness-death model, 준경쟁 위험 모델) 내에서 구축되었습니다. 여기서 전이는 건강(0)에서 질병(1)으로, 그리고 질병(1)에서 사망(2)으로, 또는 건강(0)에서 사망(2)으로 직접 발생합니다. 제안된 방법의 핵심은 데이터의 조건부 결합 밀도로부터 도출된 가중치 체계입니다. 추정량의 형태는 다음과 같습니다:
$\hat{G}_1(t^*_1) = \frac{1}{n} \sum_{i=1}^n \delta_{1i} I(V_{1i} \le t^*_1) \hat{Q}(V_{1i})$
여기서 $\delta_{1i}$ 는 질병 발생 여부를 나타내고, $V_{1i}$ 는 관찰된 첫 번째 사건(진단 또는 사망)의 시간이며, $\hat{Q}$ 는 데이터 기반 가중치 함수입니다.

일관성을 보장하기 위해, $\hat{Q}$ 는 다음을 고려하는 추정된 함수 $\hat{B}(V_{1i})$ 의 역수로 선택됩니다:

생존을 조건으로 한 모집 연령의 분포 ( $f_{R|R \le T_2}$ )
사망의 생존 함수 ( $S_{T_2}$ )
질병 발생을 조건으로 한 사망의 조건부 생존 함수 ( $S_{T_2|T_1}$ )
모집부터 검열까지의 시간의 분포 ( $S_W$ )

조건부 생존 함수 $S_{T_2|T_1}$ 은 커널 기반 비모수 회귀 접근 방식(Beran 추정량의 Nelson-Aalen 버전)을 사용하여 추정됩니다. 커널의 대역폭(bandwidth)은 마팅게일 잔차(martingale residuals)를 기반으로 한 $K$ -겹 교차 검증 절차를 통해 선택됩니다.

주요 기여

새로운 추정량: 본 논문은 유병 사례와 연구 기간 동안 생존한 사례를 모두 포함하여 질병/사망 모델에서 작동하는 최초의 완전 비모수적이고 일관된 CIF 추정량을 소개합니다.
이론적 특성: 저자들은 제안된 추정량의 일관성과 점근적 정규성을 입증합니다. 또한 점별 신뢰 구간(pointwise confidence intervals)과 동시 신뢰 밴드(simultaneous confidence bands)를 구축할 수 있도록 영향 함수(influence function)의 명시적 공식을 제공합니다.
효율성 이득: 이전 방법들이 버리는 데이터(특히 유병 사례 및 장기 생존자)를 포함함으로써, 새로운 방법은 실질적으로 더 높은 효율성을 달성하여 더 좁은 신뢰 구간을 제공합니다.
소프트웨어 구현: 제안된 추정량을 구현하기 위한 R 패키지 illdthCIF1이 제공됩니다.

결과

시뮬레이션 연구: 저자들은 질병 발생, 사망, 검열의 분포가 서로 다른 다양한 시나리오에 대해 광범위한 시뮬레이션을 수행했습니다.
- 진단 후 생존 기간에 비해 추적 관찰 기간이 짧은 시나리오(많은 환자가 생존해 있는 경우)에서, GZS 추정량은 심각한 편향을 보여 CIF를 과소평가했습니다. 제안된 추정량은 표본 크기가 증가함에 따라 특정 구성에서 약간의 편향을 제외하고는 대체로 편향되지 않은 결과를 보였습니다.
- 추적 관찰 기간이 긴 시나리오에서, GZS 추정량은 편향되지 않았으나 제안된 추정량은 더 낮은 표준 편차(더 높은 효율성)를 보였습니다.
- 제안된 방법은 대부분의 시나리오에서 점별 신뢰 구간과 동시 신뢰 밴드 모두에 대해 만족스러운 커버리지를 제공했습니다.
UK Biobank 적용: 이 방법은 UK Biobank의 유방암 및 기타 암 데이터(여성 참가자 약 250,000명)에 적용되었습니다.
- 진단 후 생존 기간이 긴 유방암의 경우, GZS 추정량은 AJ 및 제안된 방법과 비교하여 CIF를 체계적으로 과소평가했습니다.
- 제안된 추정량과 AJ 추정량은 유방암에 대해 유사한 점 추정치를 생성했으나, 제안된 방법이 현저히 좁은 신뢰 밴드를 제공했습니다. 구체적으로, 유방암에 대한 95% 동시 신뢰 밴드의 평균 폭은 AJ의 0.0068에서 제안된 방법의 0.0035로 감소하여, 약 2배의 효율성 이득을 나타냈습니다.
- 진단 후 생존 기간이 짧은 암(예: 폐암, 백혈병)의 경우, 사망이 더 완전하게 관찰되었기 때문에 세 방법 모두 유사한 추정치를 생성했습니다.

의의
본 논문의 주요 의의는 바이오뱅크 분석의 방법론적 간극을 메우는 데 있다고 주장합니다. 바이오뱅크는 희귀 질환 및 장기 잠복기 종말점을 연구하는 데 전례 없는 힘을 제공하지만, 표준 추정량들은 귀중한 유병 데이터를 버리거나(AJ), 진단 후의 장기 생존을 제대로 반영하지 못하는(GZS) 문제를 가지고 있습니다. 제안된 방법은 모든 가용 데이터를 활용하여 모집 시 생존을 조건으로 한 질병 발생률을 효율적이고 일관되게 추정할 수 있게 해줍니다. 이는 유병 사례나 장기 생존자를 무시하는 것이 편향되거나 비효율적인 추정으로 이어질 수 있는 유방암과 같은 질병 연구에 특히 중요합니다. 저자들은 이 접근 방식이 바이오뱅크 연구의 진정한 조건부 추정치(estimand)와 일치하면서도 통계적 효율성을 극대화한다고 강조합니다.

Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events