Pseudo-value Based Mean Cumulative Count Regression

기술 요약: 의사값(Pseudo-value) 기반 평균 누적 횟수 회귀

문제 정의
재발성 사건(예: 입원, 질병 악화)을 포함하는 생물 의학 응용 분야에서, 표준 분석은 흔히 사건 발생률이나 강도(intensity)에 초점을 맞춥니다. 그러나 우측 절단(right-censoring) 및 종말 사건(예: 사망)이 존재하는 경우, 과학적 질문은 종종 임상적으로 유의미한 시간 지평 동안의 누적 질병 부담을 이해하는 것으로 전환됩니다. 이러한 부담을 나타내는 두 가지 자연스러운 요약 방식은, 시간 $\tau$까지 축적된 기대 사건 수를 나타내는 평균 누적 함수(Mean Cumulative Function, MCF)와, 총 사건 미발생 시간 손실을 나타내는 MCF 하부 면적(Area Under the MCF, AUMCF)입니다.

이러한 양들을 추정하기 위한 비모수적 방법들이 존재하고 이를 통해 처치 효과를 비교할 수 있지만, 공변량 효과를 MCF 및 AUMCF에 직접적으로 모델링하는 회귀 분석은 아직 미비한 상태입니다. 기존의 강도 기반 모델들은 누적 부담에 대한 해석 가능한 효과로 직접 변환되지 않는 경우가 많으며, 특히 재발성 사건 프로세스가 사망에 의해 중단될 때 그러합니다. 또한, 최근의 공변량 조정 추정치들은 비모수적 처치 비교나 선형화된 검정 통계량에 집중해 왔으며, 공변량 효과를 직접 모델링하기 위한 일반적인 회의적 프레임워크를 제공하는 데까지는 나아가지 못했습니다.

방법론
저자들은 고정된 절단 시간 $\tau$에서 MCF 및 AUMCF에 대한 공변량 효과를 추정하기 위해 의사값 기반 회귀 접근법을 제안합니다.

1. 회귀 대상: 이 방법은 회귀 계수($\beta$)를 기저의 강도 모델의 파라미터가 아니라, 모집단 추정 방정식(estimating equations)의 해로 정의합니다. 항등 연결 함수(identity link)의 경우, $\beta$는 $E[W \{ \theta(\tau | W) - W^\top \beta \}] = 0$을 만족하는 유일한 해이며, 여기서 $\theta$는 공변량 $W$에 대한 조건부 MCF 또는 AUMCF를 나타냅니다. 이는 추론 대상과 특정 재발 사건율 모델에 대한 가정을 분리합니다.
2. 의사값(Pseudo-values): 이 대상을 추정하기 위해 저자들은 피험자별 의사값을 결과값으로 활용합니다.
   • 정밀 잭나이프(Exact Jackknife): 피험자 $i$에 대한 정밀 의사값은 $\hat{\xi}_i(\tau) = n\hat{\theta}(\tau) - (n-1)\hat{\theta}_{(-i)}(\tau)$로 정의됩니다. 여기서 $\hat{\theta}_{(-i)}$는 피험자 $i$를 제외하고 계산된 추정치입니다.
   • 영향 함수 근사(Influence Function Approximation): $n$번의 반복적인 하나씩 빼기(leave-one-out) 재계산에 따른 계산 부하를 피하기 위해, 저자들은 경험적 영향 함수를 사용하여 의사값을 근사합니다: $\tilde{\xi}_i(\tau) = \hat{\theta}(\tau) + \hat{\phi}_i(\tau)$. 논문은 이러한 영향 함수 기반 의사값이 정밀 잭나이프 값과 점근적으로 동등함을 입증합니다.
3. 추정: 의사값이 생성되면, 표준 일반화 추정 방정식(GEE) 체계를 사용하여 회귀를 수행합니다. 항등 연결 함수와 피험자 불가지론적 작동 분산(subject-agnostic working variance) 하에서, 이는 최소제곱법(OLS)으로 축소됩니다. 의사값에 의해 유도된 상관 구조를 고려하기 위해 강건한 분산 추정량이 사용됩니다.

주요 결과
저자들은 광범위한 시뮬레이션 연구와 실제 데이터 적용을 통해 제안된 방법을 평가했습니다.

• 의사값 검증: 시뮬레이션을 통해 영향 함수 기반 근사가 정밀 잭나이프 의사값과 매우 높은 일치도를 보임을 확인했습니다 ($R^2 = 1.00$). 평균 절대 차이는 평균 절대 잭나이프 값의 0.4%에 불과했습니다.
• 추정 정확도 및 커버리지: 다양한 표본 크기($N=50, 100, 200$), 절단 시간, 재발 사건율 파라미터에 걸쳐 회귀 추정치는 편향되지 않았습니다. 모델 기반 표준 오차를 사용하여 구축된 신뢰 구간은 명목상의 95% 커버리지를 달in했습니다.
• 강건성: 본 방법은 다음과 같은 시나리오에서도 강건함을 유지했습니다:
  • 사망과 재발 사건이 공유된 곱셈적 취약성(multiplicative fraity)을 통해 의존적인 경우.
  • 공변량이 재발 사건율이 아닌 종말 사건 프로세스(사망률)에 영향을 미치는 경우.
• 통계적 추론: 제1종 오류율은 귀무가설 하에서 잘 보정되었습니다. 검정력은 표본 크기와 처치 효과의 크기에 따라 증가했으며, MCF 및 AUMCF 기반 검정은 유사한 성능을 보였습니다.
• 데이터 적용: 본 방법은 일차 진행성 다발성 경화증(PPMS)에 관한 ORATORIO 임상 시험에 적용되었습니다. 기초 임상 및 바이오마커 공변량(예: EDSS, T2 병변 부피)을 사용하여 장애 진행의 AUMCF를 모델링했습니다. 분석 결과 기초 EDSS와 9HPT가 유의미한 예후 인자로 식별되었습니다. 특히, 공변량 조정을 통해 처치 효과 추정치의 표준 오차를 미조정 추정치 대비 13.6%, 증강(augmentation)을 통한 공변량 조정 대비 8.4% 감소시켰습니다.

의의 및 주장
본 논문은 의사값 기반 회귀가 누적 재발 사건 부담을 모델링하는 데 있어 "단순하고 해석 가능한 프레임워크"를 제공한다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 직접 모델링: 복잡한 강도 모델 파라미터를 누적 부담 관점에서 해석할 필요 없이, MCF 및 AUMCF를 직접 회귀할 수 있게 합니다.
2. 계산 효율성: 영향 함수 기반 의사값을 활용함으로써, 반복적인 하나씩 빼기 추정의 계산 비용을 피하면서도 정확성을 유지합니다.
3. 유연성: 제안된 방법은 표준 GEE/OLS 소프트웨어를 활용하므로 연구자들이 접근하기 쉽습니다. 무작위 배정 임상 시험에서 정밀도를 높이기 위한 공변량 조정을 수용할 수 있으며, 하위 그룹 분석을 위한 상호작용 항의 포함도 가능합니다.
4. 해석 가능성: 도출된 계수는 공변량의 단위 변화당 기대 누적 사건 횟수 또는 사건 미발생 시간의 변화를 나타내며, 종말 사건이 존재하는 상황에서도 유효한 임상적으로 의미 있는 요약을 제공합니다.

저자들은 비정보적 검열(non-informative censoring) 가정에 대한 한계를 언급하며, 향후 연구에서 역확률 검열 가중치(inverse-probability-of-censoring weights)를 통해 공변량 의존적 검열을 처리할 수 있도록 프레임워크를 확장할 수 있음을 시사했습니다.