기술 요약: Anchors Away: 다층적 비앵커형 메타 회귀(ML-UMR)를 통한 앵커가 없는 간접 비교의 탐색

1. 문제 제기

보건의료기술평가(HTA)에서 의사결정자들은 증거 네트워크가 단절된(disconnected) 상황, 즉 치료제들이 공통된 비교군(예: 위약 또는 표준 치료법) 없이 별도의 연구(예: 단일 군 임상시험)를 통해 평가되는 상황에 자주 직면한다. 이러한 "비앵커형(unanchored)" 환경에서는 표준적인 네트워크 메타분석(NMA)을 적용할 수 없다. 왜냐에는 증거를 연결할 공유된 앵커가 없기 때문이다.

기존의 인구 집단 조정 간접 비교(PAIC) 방법들, 주로 **매칭 조정 간접 비교(MAIC)**와 **모사 치료 비교(STC)**가 이를 해결하기 위해 널리 사용되고 있다. 그러나 저자들은 세 가지 결정적인 한계를 지적한다:

1. 쌍체 제한(Pairwise Restriction): 이 방법들은 일반적으로 쌍체 비교에 국한되어 있으며, 여러 치료제나 연구를 동시에 합성하는 데 어려움이 있다.
2. 대상 인구 불일치(Target Population Misalignment): 이 방법들은 대개 비교군 연구 인구에서 효과를 추정한다. HTA에서 의사결정에 유의미한 인구는 종종 지표(index) 연구 인구이거나 특정 관할 구역의 인구이다. 비교군에서 지표 인구로 효과를 전이(transport)하는 것은 종종 암묵적이고 검증되지 않은 가정에 의존한다.
3. 통합된 프레임워크의 부재: 현재의 방법들은 식별(identification)(치료 효과와 인구 차이를 구분하는 것)과 해당 효과의 특정 대상 인구로의 **전이성(transportability)**을 명시적으로 분리하지 않는다. 이는 여러 치료제 및 다양한 의사결정 맥락 전반에 걸친 일관된 추론을 제한한다.

2. 방법론: 다층적 비앵커형 메타 회귀(ML-UMR)

저자들은 완전히 단절된 증거로부터 개별 환자 데이터(IPD)와 집계 데이터(AgD)를 합성하도록 설계된 통합된 베이지안 결과 회귀 프레임워크인 ML-UMR을 제안한다. 이는 다층적 네트워크 메타 회귀(ML-NMR)를 비앵커형 설정으로 확장한 것이다.

핵심 모델 구조

ML-UMR은 IPD가 있는 연구와 AgD만 있는 연구가 섞여 있는 상황에서도 공변량(예후 인자)과 결과 사이의 관계를 개별 수준에서 모델링하는 계층적 결과 회로 모델을 활용한다.

• 결과 회귀(Outcome Regression): 치료제 $k$에 대하여, 조건부 평균 결과는 다음과 같이 모델링된다:
  $$g(\theta_k(x)) = \alpha_k + x^\top \beta_k$$
  여기서 $g(\cdot)$는 연결 함수(link function), $\alpha_k$는 치료제 특이적 절편, $\beta_k$는 공변량 효과를 나타낸다.
• 결합 가능도(Joint Likelihood): 이 프레임워크는 다음을 결합한 결합 가능도를 구축한다:
  1. 개별 수준 구성 요소 (IPD): IPD를 보유한 연구를 위한 표준 가능도.
  2. 집계 수준 구성 요소 (AgD): AgD만 있는 연구의 경우, 모델은 해당 연구의 재구성된 공변량 분포($f_B(x)$)에 대해 조건부 결과 모델을 적분하여 주변 평균(marginal mean)을 도출한다. 이는 비선형 연결 함수의 경우 발생할 수 있는 집계 편향(aggregation bias)을 피하기 위해 수치 적분(예: quasi-Monte Carlo)을 포함한다.
• 식별 가정(Identification Assumptions): 유효한 추론은 연구 간의 **조건부 교환 가능성(conditional exchangeability)**과 **공유 예후 인자 가정(SPFA)**에 의존한다. SPFA 하에서는 공변량 효과($\beta$)가 모든 치료제에 대해 동일하다고($\beta_A = \beta_B$) 가정하며, 이는 치료-공변량 상호작용(효과 수정)이 없음을 의미한다.
  • SPFA 완화: 프레임워크는 하위 그룹 수준의 AgD가 제공될 경우 SPFA를 완화하여 치료제 특이적 공변량 효과를 추정할 수 있도록 허용한다. 또는 구조화된 민감도 분석(예: 티핑 포인트 분석)을 통해 SPFA 위반의 영향을 평가할 수 있다.

전이성(Transportability)

치료 효과가 식별되면, ML-UMR은 인구 특이적 표준화(Bayesian g-computation)를 통해 이를 임의의 의사결정 관련 대상 인구($\tilde{P}$)로 전이한다. 이는 추정된 결과 모델을 대상 인구의 공변량 분포($f_{\tilde{P}}(x)$)에 대해 적분하는 과정을 포함한다.

• 조건부 효과: SPFA 및 선형 예측 함수 하에서, 조건부 효과는 대상 인구에 관계없이 불변이다.
• 주변 효과: 주변 효과(예: 위험비, 오즈비)는 일반적으로 대상 인구의 공변량 분포에 의존하며, 관심 있는 각 특정 인구에 대해 재표준화되어야 한다.

확장성

본 논문은 다음의 확장을 설명한다:

• 다중 치료제: 쌍체 형식을 $K$개의 치료제로 일반화한다.
• 치료제당 다중 연구: 고정 또는 무작위 연구 절편을 통해 연구 간 이질성을 통합한다.
• 생존 결과: 카플란-마이어 곡선을 통해 의사 IPD를 재구성하고 공변량 분포에 대해 주변화함으로써 생존 시간-사건 데이터에 프레임워크를 적응시킨다.

3. 시뮬레이션 연구 결과

저자들은 이진 결과를 가진 단절된 단일 군 증거를 사용하여 ML-UMR(SPFA 하 및 SPFA 완화 시)을 MAIC 및 STC와 비교하는 몬테카를로 시뮬레이션 연구를 수행하였다.

• 비교군 인구: 모든 방법(ML-UMR, MAIC, STC)은 SPFA가 위반된 경우에도 낮은 편향과 명목상 피복률(nominal coverage)을 보이며 비교군 인구에서의 치료 효과를 성공적으로 회복했다.
• 대상(지표) 인구 전이:
  • MAIC 및 STC: 인구 불균형이나 효과 수정이 발생할 때, 특히 주변 효과(예: 로그 위험비)를 지표 인구로 전이할 때 상당한 편향과 낮은 피복률을 보였다. 이는 이 방법들의 암묵적 전이 가정의 실패를 강조한다.
  • ML-UMR (SPFA): SPFA가 성립할 때는 잘 작동했으나, SPFA 위반(효과 수정) 및 인구 불균형이 증가함에 따라 편향이 증가했다.
  • ML-UMR (완화된 SPFA): 하위 그룹 데이터를 사용하여 SPFA를 완화했을 때, ML-UMR은 거의 편향되지 않은 추정과 명목상 피복률을 복원했다.
• 강건성: 결과는 공변량 의존 구조의 중간 정도의 오설정(misspecification)에 대해서도 강건했다.
• 표본 크기: 표본 크기를 늘리면 분산은 줄어들었으나 구조적 편향은 줄어들지 않았다. 사실, 이는 편향된 추정치 주변의 신뢰 구간을 좁혀, 가정이 위반된 시나리오에서 피복률 저하를 더욱 악화시켰다.

4. 주요 기여

1. 가정의 공식화: 본 논문은 식별 가정(단절된 데이터에서 치료 효과와 인구 차이를 분리하는 데 필요한 가정)과 전이성 가정(해당 효과를 특정 대상 인구에 적용하는 데 필요한 가정)을 명시적으로 구분한다.
2. 통합 프레임워크 (ML-UMR): 단절된 증거로부터 IPD와 AgD를 합성하는 일반화 가능한 베이지안 프레임워크를 도입하며, 이는 여러 치료제, 여러 연구, 그리고 여러 대상 인구를 동시에 지원한다.
3. 전이성 위험의 입증: 시뮬레이션을 통해, 저자들은 PAIC 방법들이 비교군 인구에서는 강건해 보일 수 있지만, 효과 수정 및 붕괴성(collapsibility)과 관련된 전이성 가정이 명시적으로 모델링되거나 테스트되지 않을 경우 의사결정 관련 인구에서 편향된 결과를 낼 수 있음을 입증한다.

5. 의의 및 주장

저자들은 ML-UMR이 비앵커형 비교의 내재적 한계(SPFA와 같이 검증하기 어려운 강력한 가정에 의존하는 문제)를 제거하는 것이 아니라, 오히려 이러한 가정을 투명한 모델링 프레임워크 내에서 명시적으로 만든다고 주장한다.

이 연구의 의의는 HTA의 증거 요구 사항과 다음과 같이 일치한다는 점에 있다:

• 분석가가 비교군으로부터의 암묵적 전이에 의존하는 대신, 의사결정 관련 대상 인구에서 직접 치료 효과를 추정할 수 있게 한다.
• 식별 가정(예: 효과 수정)의 위반이 비용-효과 결과 및 약제 급여 결정에 어떤 영향을 미치는지 정량화하기 위한 구조화된 민감도 분석을 용이하게 한다.
• 복잡한 건강 경제 평가에 더 적합한, 단절된 증거를 합성하기 위한 일관된 접근법으로서 기존의 쌍체 방법론에 대한 원칙적인 대안을 제공한다.

논문은 향-후 연구가 비앵커형 비교를 위한 정량적 편향 분석(QBA)에 집중해야 하며, 일부는 앵커되어 있고 일부는 그렇지 않은 **부분적으로 연결된 네트워크(partially connected networks)**로 방법을 확장해야 한다고 언급하며 마무리된다.