Accounting for overdispersion and clustering in binomial data from N-of-1 trials

기술 요약: N-of-1 임상시험의 이항 데이터에서 과산포(Overdispersion) 및 클러스터링(Clustering)의 처리

문제 제lement
N-of-1 임상시험은 만성 질환을 가진 특정 환자를 위해 설계된 환자 중심의 무작위 배정 이중 맹검 교차 실험입니다. 일차적인 목적은 특정 환자에 대한 치료 효과를 결정하는 것이지만, 집단 수준의 효과 추정치를 얻고 개인화된 치료의 성공 여부를 평가하기 위해 일련의 N-of-1 임상시험 결과를 결합(pooling)하는 데에도 상당한 가치가 있습니다. 그러나 이항 데이터를 결합하는 표준 통계 방법들은 N-of-1 설계에 내재된 두 가지 핵심적인 특징을 설명하는 데 실패하는 경우가 많습니다:

1. 과산포(Overdispersion): 이진 결과의 분산이 표준 이항 분포가 규정하는 평균-분산 관계를 초과합니다.
2. 계층적 클러스터링(Hierarchical Clustering): 반복되는 치료 에피소드로 인해 환자 내에서 측정치 간의 상관관계(환자 내 상관관계)가 존재합니다.

이러한 맥락에서, 특히 이진 결과에 대해 베이지안(Bayesian) 방법론이 제안되어 왔으나, 과산포와 클한 클러스터링을 동시에 엄격하게 다루는 빈도주의(frequentist) 접근법은 부족한 실정입니다. 본 논문은 이러한 격차를 해소하기 위해 N-of-1 임상시험의 이항 데이터를 결합하기 위한 두 가지 빈도주의 분석 전략을 제시하고 비교합니다.

방법론
저자들은 치료 선호도 또는 성공 비율($\theta$)을 추정하기 위해 두 가지 구별된 빈도주의 접근 방법을 제안합니다.

• 방법 1: 준-우도(Quasi-Likelihood, QL) 접근법 (과산포만 고려)
  이 방법은 과산포($\rho$)를 설명하기 위해 베타-이항(Beta-Binomial) 분포를 사용하여 데이터를 모델링하지만, 클러스터링 구조에 대해서는 환자를 독립적인 단위로 취급합니다.

  • 모델: $X_j \sim \text{BetaBinom}(n_j, \theta, \rho)$, 여기서 $X_j$는 환자 $j$의 $n_j$번 에피소드 중 성공 횟수입니다.
  • 추정: 결합된 비율 $\theta$는 $\hat{\theta}_{QL} = \frac{\sum c_j X_j}{\sum c_j n_j}$를 사용하여 추정되며, 여기서 가중치 $c_j$는 과산포 파라미터 $\rho$에 따라 달라집니다.
  • 분산 추정: 일관성을 보장하기 위해 잭나이프(Jackknife) 방법을 사용하여 표준 오차를 도출합니다.
  • $\rho$의 추정: 저자들은 AOV(분산 분석), Fleiss-Cuzick(FC), Pearson(PE), Extended Quasi-Likelihood(EQL), Pseudo-Likelihood(PL), Method of Moments(MM)를 포함하여 $\rho$(내 클러스터 상관계수, ICC) 파라미터를 평가하는 여러 추정치를 검토합니다. 저자들은 AOV와 같은 일부 추정치의 폐쇄형(closed-form) 분산 공식이 음수 값을 갖거나 편향될 수 있음을 지적하며, 비교를 위해 잭나이프 기반 분산 추정에 의존한다고 밝힙니다.

• 방법 2: 랜덤 효과(Random Effects) 접근법 (과산포 및 클러스터링 모두 고려)
  Molenberghs 등의 연구를 응용한 이 방법은 계층적 랜덤 효과 모델을 활용하여 과산포와 환자 내 반복 측정 간의 상관관계를 동시에 설명합니다.

  • 모델: $X_j \sim \text{Binom}(n_j, \theta_j)$, 여기서 $\theta_j = \pi_j \kappa_j$입니다. $\pi_j$(베타 분포를 통해 모델링됨)는 남은 과산포를 설명하며, $\kappa_j$(정규 분포에서 유도된 랜덤 효과)는 계층적 클러스터링을 설명합니다.
  • 추정: 파라미터는 수치 적분을 사용하여 최대 우도법(Maximum Likelihood, ML)을 통해 추정됩니다. 최종 결합 추정치는 랜덤 구성 요소들의 기댓값의 곱으로 도출됩니다: $\hat{\theta} = \hat{E}(\pi_j) \times \hat{E}(\kappa_j)$.
  • 근사: 정규 분포 변수의 시그모이드 함수에 대한 기댓값은 표준 정규 누적 분포 함수와 스케일링 인자($\lambda \approx 0.588$)를 사용하여 근사됩니다.

시뮬레이션 연구 및 결과
저자들은 다양한 실제 비율($\theta$)과 과산포($\rho$), 그리고 다양한 표본 크기($J$ 환자 수 및 $n_j$ 에피소드 수) 시나리오 하에서 이 방법들의 성능을 비교하기 위해 1,000회의 반복 시행을 포함한 시뮬레이션 연구를 수행했습니다.

• $\rho$ 추정치의 성능: 방법 1에서 $\rho$에 대한 EQL 추정치는 $\theta = 0.50$일 때 높은 평균 제곱 오차(MSE)와 편향을 보였습니다. 그러나 $\rho$에 대한 EQL 추정치의 성능이 저조함에도 불구하고, 결과적으로 도출된 결합 비율 추정치($\hat{\theta}$)는 다른 추정치들과 대등하거나 때로는 더 나은 성능을 보였습니다. 저자들은 이를 $\hat{\rho}$의 편향이 $\text{Var}(\hat{\theta})$의 델타 방법(Delta method) 전개식에서 $\rho$ 항의 분산 기여도를 줄이는 상쇄 효과 때문이라고 설명합니다.
• 방법 1 vs. 방법 2의 성능:
  • MSE: 방법 1 추정치들은 일반적으로 안정적인 MSE를 보였습니다. 방법 2는 일부 시나리오에서 경쟁력 있는 MSE를 보였으나, $\theta = 0.75$일 때 성능이 저하되었습니다.
  • 피복 확률(Coverage Probability): 방법 1은 모든 시나리오에서 명목상의 95% 수준에 가까운 피복 확률을 유지했습니다. 방법 2(랜덤 효과)는 $\theta = 0.75$일 때 매우 낮은 피복 확률(최저 ~78%)을 보였습니다. 저자들은 이를 일반화 선형 혼합 모델(GLMM)에서 분산 추정치의 왜도(skewed)가 심한 샘플링 분포로 인해 대칭적 신뢰 구간이 특정 시나리오에서 부적절해지기 때문이라고 분석했습니다.
• 표본 크기 효과: 환자 수($J$)를 늘리는 것이 환자당 에피소드 수($n_j$)를 늘리는 것보다 MSE를 더 효과적으로 감소시켰습니다.

실제 데이터 적용
이 방법들은 세 가지 실제 세계의 N-of-1 임상시험 데이터셋에 적용되었습니다:

1. 섬유근통에 대한 아미트립틸린(Amitriptyline): 모든 방법이 유사한 선호도 결합 추정치($\hat{\theta} \approx 0.67$)를 산출했습니다. 유의미한 과산포는 발견되지 않았습니다 ( $\rho$의 신뢰 구간에 0이 포함됨).
2. 골관절염에 대한 NSAIDs vs. 파라세타몰(Paracetamol): 총 일기 점수에 대해 모든 방법이 일관된 결과($\hat{\theta} \approx 0.42$)를 보였습니다. 유의미한 과산포는 발견되지 않았습니다.
3. 불가역적 CAL에 대한 테오필린(Theophylline): 결합된 추정치는 일관되었습니다 ($\hat{\theta} \approx 0.51$). 마찬가지로 과산포에 대한 유의미한 증거는 발견되지 않았습니다.

모든 실제 데이터 예시에서, 과산포 파라미터($\rho$)의 변동에도 불구하고 결합된 비율에 대한 점 추정치는 방법들 간에 매우 일관되게 나타났습니다.

의의 및 주장
본 논문은 과산포와 계층적 클러스터링을 명시적으로 다루는, N-of-1 임상시험의 이진 데이터를 결합하기 위한 최초의 빈도주의 기반 방법론을 제공한다고 주장합니다.

• 방법론적 기여: 저자들은 과산포를 위한 준-우도 프레임워크를 도입하고, 과산포와 클러스터링을 동시에 다루기 위해 랜덤 효과 프레임워크를 응용했습니다.
• 해석적 차이: 논문은 두 방법 사이의 개념적 차이를 강조합니다. 방법 1은 "집단 평균적(population-averaged, PA)" 추정치를 생성하는 반면, 방법 2는 "대상자 특이적(subject-specific, SS)" 추정치를 생성합니다. N-of-1 임상시험이 본질적으로 개인차에 초점을 맞추고 있다는 점을 고려할 때, 저자들은 방법 2(SS)의 계산 복잡성과 간혹 발생하는 피복 문제에도 불구하고 그 해석이 N-of-1 맥락에 약간 더 적절할 수 있다고 제안합니다.
• 실용적 유용성: 연구는 $\rho$의 추정(특히 EQL의 경우)이 불안정할 수 있지만, 결과적인 결합 비율 추정치($\hat{\theta}$)는 다양한 추정 전략에 대해 견고하다는 것을 입증합니다. 저자들은 실무적 적용을 위해 선택이 추론 목표가 집단 수준인지 혹은 개인 수준인지에 달려 있을 수 있으며, 피복 특성이 문제가 될 경우 방법 1이 더 단순하고 견고한 대안이 될 수 있다고 결론짓습니다.