A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling

기술 요약: 환자-대조군 샘플링 하에서의 인과 추론 및 매개 분석을 위한 통합 3단계 가중치 부여 프레임워크

1. 문제 정의

환자-대조군 연구는 희귀한 결과를 연구하거나 전향적 추적 관찰이 불가능한 경우 상당한 효율성을 제공하는 역학 연구의 초석입니다. 그러나 이러한 설계에 내재된 회고적이고 결과 의존적인 샘플링 메커즘은 모집단 주변부 결과 분포를 왜곡합니다. 조건부 연관성(예: 오즈비)은 식별 가능하지만, 평균 처치 효과(ATE) 및 경로 특이적 매개 효과와 같은 주변부 인과 추정량은 추가적인 가정 없이는 환자-대조군 데이터로부터 직접 복구될 수 없습니다.

환자-대조군 설정에서의 인과 추론을 위한 기존 방법들은 세 가지 주요 한계점에 직면해 있습니다:

1. 알려진 유병률에 대한 의존성: 대부분의 가중치 기반 접근 방식은 모집단의 결과 유병률에 대한 사전 지식을 요구하며, 이는 종종 불가능하거나 높은 불확실성을 가지고 추정됩니다.
2. 제한적인 가정: 매개 분석은 흔히 희귀 질환 근사치(rare disease approximations)나 경험적으로 검증하기 어려운 강력한 모수적 가정에 의존합니다.
3. 통합된 프레임워크의 부재: 현재의 문헌은 주로 총 효과(total effects)에 집중되어 있으며, 특수한 우도(likelihood) 정식화 없이 회고적 샘플링 하에서 총 효과와 경로 특이적 매개 효과(직접, 간접, 상호작용 효과)를 동시에 추정하기 위한 통합된 전략이 부족합니다.

2. 방법론: 3단계 가중치 부여(3S-Weighting) 프레임워크

저자들은 외부에서 사용 가능한 주변 공변량 정보(예: 인구 조사 데이터)를 활용하되, 모집단의 결과 유병률에 대한 사전 지식 없이도 환자-대조군 데이터로부터 대상 모집단 분포를 재구성할 수 있는 모듈형 3단계 프레임워크를 제안합니다. 이 방법은 외부의 주변 공변량 정보를 활용합니다.

1단계: 모집단 결과 유병률 추정
첫 번째 단계는 밀도 비율 학습(density-ratio learning)과 레이블 시프트 교정(label-shift correction)을 사용하여 알려지지 않은 모집단 유병률($\pi$) 문제를 해결합니다.

• 합성 모집단 생성: 제약 조건을 충족하는 가장 정보가 적은 결합 분포를 근사하기 위해 외부에서 사용 가능한 주변 공변량 분포($P(X)$)를 사용하여 합성 모집단 샘플을 생성합니다.
• 밀도 비율 추정: 대상 모집단의 공변량 분포와 관찰된 환자-대조군 분포 사이의 비율인 $r(X) = P_{Pop}(X)/P_{CC}(X)$를, 합성 샘플과 관찰된 환자-대조군 샘플을 구별하도록 확률적 분류기를 훈련함으로써 추정합니다.
• 레이블 시프트 교정: 환자-대조군 데이터에 초기 결과 회귀 모델을 적합시킵니다. 절편을 조정하기 위해 레이블 시프트 교정 계수 $\alpha(\pi)$를 적용하여 모집단 위험 함수 $P_{Pop}(Y=1|X)$를 복구합니다.
• 고정점 반복(Fixed-Point Iteration): 기대 모집단 위험(밀도 비율에 의해 가중치 부여됨)이 유병률 추정치 자체와 같아지는 고정점 방정식을 풀어 $\pi$를 추정합니다.

2단계: 대상 모집단 재구성
$\hat{\pi}$가 추정되면, 회고적 샘플을 대상 모집단의 주변 결과 분포를 모방하는 유사 모집단으로 변환하기 위해 설계 기반 가중치를 구축합니다.

• 설계 가중치: 환자($Y=1$)는 $\hat{\pi}/\hat{p}_{CC}$로 가중치를 부여하고, 대조군($Y=0$)은 $(1-\hat{\pi})/(1-\hat{p}_{CC})$로 가중치를 부여합니다. 이 단계는 모집단 결과 유병률을 $\hat{\pi}$로 복구합니다.

3단계: 인과 및 매개 가중치 부여
재구성된 유사 모집단 내에서, 혼란 변수와 매개체 불균형을 조정하기 위해 안정화된 인과 가중치를 적용합니다.

• 총 효과(Total Effect): 총 효과(TE)를 추정하기 위해 안정화된 역확률 처치 가중치(IPTW)를 적용합니다.
• 매개 분해: 3방향 분해 프레임워크(VanderWeele, 2014)에 따라, 다음을 추정하기 위한 특정 가중치를 구성합니다:
  • 순수 직접 효과(Pure Direct Effect, PDE): 처치 할당 및 통제 조건 하에서의 매개체 분포를 조정합니다.
  • 총 직접 효과(Total Direct Effect, TDE): 처치 할당 및 처치 조건 하에서의 매개체 분포를 조정합니다.
  • 간접 및 상호작용 효과: TE, PDE, TDE로부터 곱셈적으로 도출됩니다.
• 추정: 모든 인과 성분에 대한 상대 위험(RR)을 추정하기 위해 로그 링크를 가진 가중 마진 구조 모델(MSM)을 적합시킵니다.

이 프레임워크는 시간 가변적 노출과 매개체가 포함된 종단적 동적 설정으로 확장되며, 여기서 3단계는 누적 발생 함수를 재구성하기 위해 각 위험 집합(risk sets)에 대해 순차적으로 적용됩니다.

3. 주요 결과

시뮬레이션 연구:
이진 노출, 매개체, 결과가 포함된 반사실적 매개 프레임워크 하에서 몬테카를로 시뮬레이션이 수행되었습니다.

• 편향 감소: 회고적 샘플링을 무시한 기존 분석은 총 효과 및 매개 효과 추정치 모두에서 상당한 편향을 나타냈습니다. 반면, 제안된 3S-가중치 프레기워크는 다양한 샘플링 시나리오(샘플 크기 500~8,000)에서 대상 모집단의 인과 파라미터를 일관되게 복구했습니다.
• 일관성: 샘플 크기가 증가함에 따라 모든 추정량(TE, PDE, PIE, InE)에 대한 경험적 편향, 표준 편차(SD), 제곱평균제곱근 오차(RMSE)가 단조 감소하여 추정량의 일관성을 입증했습니다.
• 정밀도: 큰 샘플 크기에서 가장 작은 시나리오 대비 SD가 70% 이상 감소하는 등 상당한 효율성 이득이 관찰되었습니다.

실제 적용 (NHANES):
본 프레임워크를 2017–2018 국민건강영양조사(NHANES) 데이터에 적용하여 흡연이 고혈압을 통해 심혈관 질환(CVD)에 미치는 인과적 매개 작용을 분석했습니다.

• 유병률 복구: 본 방법은 균형 잡힌 환자-대조군 샘플로부터 모집단 CVD 유병률($\hat{\pi} = 0.114$)을 성공적으로 재구성하였으며, 이는 실제 모집단 유병률($0.111$)과 밀접하게 일치했습니다.
• 효과 추정치: 흡연이 CVD에 미치는 총 효과의 추정된 상대 위험은 $RR_{TE} = 1.16$이었습니다. 분석 결과, 이 연관성은 고혈압을 통한 매개 경로보다는 주로 직접적인 경로를 통해 작동함을 시사했습니다($RR_{PIE} = 1.03$).
• 비교: 제안된 방법은 표준 조정 로지스틱 회귀(1.74)에 비해 오즈비 척도에서의 더 작은 총 효과 추정치(1.18)를 산출했습니다. 저자들은 이러한 감쇄를 결과 의존적 샘플링을 교정하여 조건부 연관성이 아닌 주변 모집단 추정량을 목표로 했기 때문이라고 설명합니다.

4. 의의 및 주장

본 논문은 "유병률 격차(prevalence gap)"를 극복하는, 환자-대조군 연구를 위한 실용적이고 이론적으로 근거 있는 접근 방식을 제공한다고 주장합니다. 주요 기여는 다음과 같습니다:

• 유병률 가정의 제거: 기존의 가중치 방법과 달리, 이 프레임워크는 외부 공변량 정보를 사용하여 내부적으로 유병률을 추정하므로 모집단의 결과 유병률을 사전에 알 필요가 없습니다.
• 통합된 매개 분석: 희귀 질환 근사를 피하면서 총 효과, 직접 효과, 간접 효과 및 상호작용 효과를 동시에 추정할 수 있는 통합된 전략을 제공합니다.
• 모듈성: 이 접근 방식은 유병률 복구, 모집단 재구성, 인과 추정을 분리하여, 특수한 결과 의존적 우도 정식화 없이도 표준 가중치 기반 인과 추정기와 결합할 수 있습니다.
• 광범위한 적용 가능성: 유병률 복구와 모집단 재구성을 통합함으로써, 본 방법은 환자-대조군 데이터로 다룰 수 있는 인과적 질문의 범위를 확장하며, 전체 코호트 추적이 불가능하지만 보조적인 모집단 데이터가 존재하는 환경에 적합합니다.

저자들은 이 방법이 표준적인 인과 가정(일관성, 교환 가능성, 양의성)에 의존하고 공변량-결과 관계의 전이 가능성을 가정하고 있지만, 전통적인 환자-대조군 방법론과 현대적 인과 추론 사이의 간극을 메우는 중요한 진전이라고 결론짓습니다.