Confidence Intervals for the Risk Difference in Combined Unilateral and Bilateral Data Incorporating a Distribution-Based Approach

기술 요약: 결합된 단측 및 양측 데이터를 이용한 위험 차이(Risk Difference)의 신뢰 구간

문제 정의
쌍을 이루는 장기(예: 눈, 귀)를 포함하는 비교 임상 연구에서, 이진 결과(binary outcomes)는 피험자 내에서 빈번하게 상관관rei를 가집니다. 실제 데이터셋은 결측치, 이전 수술, 또는 선천적 부재로 인해 단측(한쪽 장기만 관찰됨)과 양측(양쪽 장기 모두 관찰됨) 데이터가 혼합된 형태를 띠는 경우가 많습니다. 기존 문헌은 이러한 데이터에 대한 가설 검정 및 상대적 척도(오즈비, 상대 위험도)를 광범위하게 다루어 왔으나, 위험 차이($\delta = \pi_2 - \pi_1$)는 임상적 해석을 위한 핵심적인 절대적 척도로 남아 있습니다.

이러한 환경에서 위험 차이에 대한 신뢰 구간(CI)을 구축하기 위한 현재의 방법론들은 주로 점근적 정규성(Wald, 우도비, Score 검정) 또는 MOVER(Method of Variance Estimates Recovery) 방식에 의존합니다. 이러한 접근법은 유한 표본의 분포적 특징, 특히 왜도(skewness)를 적절히 반영하지 못할 수 있으며, 이는 표본 크기가 작거나 기저 확률이 극단적인 경우 구간 피복 확률(coverage probabilities) 및 구간 폭의 부정확함을 초래할 수 있습니다.

방법론
저자들은 피험자 내 의존성을 매개변수화하는 Donner의 상수 상관 모델($\rho$) 하에서 위험 차이 추정량의 신뢰 구간을 구축하기 위한 분포 기반 접근법을 제안합니다.

1. 분포 기반 접근법:

   • 특성 함수(Characteristic Function): 이 방법은 단측 및 양측 관측치의 총 개수를 조건부로 하여 위험 차이 추정량($\tilde{\delta}$)의 특성 함수를 도출합니다.
   • 밀도 회복(Density Recovery): 역 푸리에 변환(inverse Fourier transform)을 사용하여, FFTW(Fastest Fourier Transform in the West) 알고리즘을 통해 추정량의 확률 밀도 함수(PDF)를 수치적으로 회복합니다. 이는 대표본 정규 근사에 의존하는 것을 방지합니다.
   • 구간 구축: 신뢰 구간은 네이만 유형의 역전(Neyman-type inversion)을 사용하여 구축됩니다. 수용 영역(acceptance region)은 최고 밀도 영역(HDR)을 사용하여 정의되는데, 이는 프레임워크 내에서 HPD(Highest Posterior Density) 영역과 유사하지만 빈도주의적(frequentist) 틀을 따릅니다. 적응형 백트래킹 탐색 알고리즘은 관측된 추정량이 섭절 매개변수(프로파일 최대 우도 추정치)에 의해 정의된 수용 영역 내에 떨어지는 값을 식별함으로써 $\delta$의 상한과 하한을 결정합니다.

2. 경쟁 방법론:
   본 연구는 제안된 방법을 다음의 방법들과 비교합니다:

   • 세 가지 표준 점근적 방법: Wald 유형, 우도비(Likelihood Ratio), Score 검정.
   • 수정된 MOVER 절차: 원래의 MOVER은 개별 비율의 분산 추정치를 수정하는 효과 계수(effect factor)를 도입하여 피험자 내 상관관계($\rho$)를 반영하도록 조정되었습니다. 두 가지 변형이 Wilson score 및 Agresti-Coull 구간을 사용하여 테스트되었습니다.

주요 기여

• 새로운 프레임워크: 본 논문은 점근적 정규성 가정을 우회하여 특성 함수로부터 위험 차이 추정량의 표집 분포를 직접 재구성하는 분포 기반 추론 프레임워크를 도입합니다.
• 왜도 처리: 유한 표본의 정확한(수치적으로 근사된) 분포를 활용함으로써, 점근적 방법들이 놓치기 쉬운 왜도와 경계 효과를 포착합니다.
• 조정된 MOVER: 저자들은 쌍체 데이터에서 흔히 간과되는 피험자 내 상관관계($\rho$)를 통합하기 위해 MOVER 절차에 대한 구체적인 조정을 제공합니다.
• 실용적 도구: 연구자들이 6가지 방법(3가지 점근적 방법, 2가지 MOVER 방법, 2가지 분포 기반 방법)을 쉽게 적용할 수 있도록 온라인 계산기를 제공합니다.

결과
광범위한 시뮬레이션 연구($N=10,000$ 반복 시행)와 두 가지 실제 데이터셋(중이염 및 근시 치료) 분석이 수행되었습니다.

• 피복 확률(ECP): 광범위한 매개변수 설정에 걸쳐 모든 방법은 표본 크기가 증가함에 따라 명목된 95% 수준에 근접한 피복 확률을 달로했습니다. 작은 표본 설정($m=n=20$)에서 기저 확률이 낮거나 상관관계가 높을 때, 일부 방법은 보수적이거나 낙관적인(liberal) 거동을 보였습니다. 분포 기반 방법(특히 참 섭절 매개변수를 사용한 PDF1)은 보수적인 경향이 있었던 반면, PDF2(프로파일 MLE 사용)는 변동성은 있었으나 허용 가능한 범위 내에 머물렀습니다.
• 구간 폭(MIW): 분포 기반 절차는 특히 피험자 내 상관관계가 낮거나 중간 정도일 때, 점근적 및 MOVER 방법보다 일반적으로 더 짧은 신뢰 구간을 생성했습니다. 표본 크기가 증가함에 따라($m=n=100$), 방법 간의 구간 폭 차이는 줄어들었습니다.
• 왜도 및 비대칭성(RMNCP): RMNCP(Ratio of Mesial to Distal Non-Coverage Probability) 분석 결과, 점근적 및 MOVER 방법은 대칭적인 꼬리 할당(RMNCP $\approx$ 0.5)을 보이는 경향이 있었습니다. 반면, 분포 기반 접근법은 추정량의 분포가 왜곡된 작은 표본에서 비대칭적인 꼬리 할당을 수용할 수 있는 능력을 입증했습니다.
• 실제 적용: 중이염 및 근시 데이터셋 모두에서 모든 방법은 유사한 점 추정치를 산출하였으며, 0을 포함하는 신뢰 구간을 제시하여 일관된 추론 결과(두 치료군 간의 유의미한 차이가 없음)를 도출했습니다.

의의 및 주장
본 논문은 제안된 분포 기반 접근법이 결합된 단측 및 양측 이진 결과를 가진 연구에서 위험 차이의 구간 추정을 위한 실행 가능한 대안 프레임워크를 제공한다고 주장합니다. 주요 의의는 점근적 정규성에 의존하는 방법들이 포착하지 못하는 왜도와 같은 유한 표본의 분포적 특징을 반영할 수 있다는 점에 있습니다.

저자들은 제안된 접근법이 표집 분포를 더 현실적으로 표현하지만, 모든 소표본 시나리오에서 경쟁 방법들에 비해 피복 정확도 측면에서 일률적으로 우수한 성능을 보이는 것은 아니라고 겸허히 언급했습니다. 이러한 미세한 피복 편차는 추정량이 매우 작은 표본에서 고도로 이산적인(discrete) 분포를 가질 때의 PDF 수치 평가 때문인 것으로 보고 있습니다. 본 연구는 이 방법이 특히 작은 표본에서 분포적 뉘앙스를 포착하는 데 유용한 대안임을 결론지으며, 다른 의존성 모델 및 효과 척도(상대 위험도, 오즈비)로의 향후 확장을 제안합니다.