PIONEER: Bayesian Joint Modelling of Mechanistic Tumour Growth and Time-to-Event Endpoints for Dynamic Prediction of Ongoing Oncology Trials

기술 요약: PIONEER – 기계론적 종양 성장과 사건 발생 시간 종단 간의 베이지안 결합 모델링

문제 정의
종양학 임상 시험은 종종 결정적인 의사결정 병목 현상에 직면한다. 즉, 생존 데이터(무진행 생존 기간[PFS] 및 전체 생존 기간[OS])가 미성숙한 상태에서 높은 이해관계가 걸린 "Go/No-go" 결정을 내려야 하는 경우가 많다. 중간 데이터 컷오프 시점에서 장기 종단 지표들은 심하게 검열되어 있으나, 풍부한 종단적 종양 측정값(예: 장경의 합[SLD])과 기저 공변량은 가용하다. 전통적인 접근 방식은 종양 역학을 먼저 피팅한 후 요약 통계량을 다운스트림 생존 모델에 삽입하는 2단계 워크플로에 의존하는 경우가 많다. 이러한 방식은 측정 오차에 의한 감쇄(노이즈가 있는 관측치를 고정된 공변량으로 취급하는 문제)와 누락된 변수 편향(공유된 잠재적 환자 이질성을 무시하는 문제)을 초래한다. 또한, 기존 프레임워크는 종양 특징이 서로 다른 임상적 전이(예: 진행 vs. 진행 후 사망)에 어떻게 차별적으로 영향을 미치는지 구분하지 못하거나, 종단 지표 예측에 전체 파라미터 불확실성을 전달하지 못하는 경우가 많다.

방법론
저자들은 단일 계층적 사후 분포 내에서 기계론적 종양 역학 하위 모델과 다상(multistate) 비례 위험 하위 모델을 결합한 베이지안 결합 모델링 프레임워크인 PIONEER(Predictive Intelligence for ONcology Early Evaluation and Response)를 제시한다.

1. 기계론적 상태-공간 하위 모델:

   • 잠재적 분해: 모델은 정규화된 종양 부하를 치료 반응성 부하를 나타내는 감소 성분($D_i$)과 불응성 또는 진행 후 부하를 나타내는 성장 성분($G_i$)의 합으로 표현한다.
   • 역학: $D_i$는 지수적 감소를 따르며, $G_i$는 장기적 관점에서 생물학적으로 불가능한 무한 성장을 방지하기 위해 곰퍼츠 감쇄(Gompertz-attenuated) 지수 성장을 따른다.
   • 추론: 파라미터(초기 분할, 감소율, 성장률)는 환자 특이적이지만 모집단 분포로부터 추출된다. 모델은 상태-공간 정식화를 사용하여 잠재적 궤적을 노이즈가 있고 희소한 SLD 관측치로부터 추론하며, 좌측 검열(검출 한계)과 측정 오차를 명시적으로 처리한다.

2. 다상 비례 위험 하위 모델:

   • 상태 그래프: 모델은 4개 상태의 질병-사망 그래프를 정의한다: (0) 생존/무진행, (1) 진행/생존, (2) 사망(흡수 상태), (3) 임상 탈락. 모델은 다섯 가지 전이를 모델링한다: $0\to1$ (진행), $0\to2$ (직접 사망), $0\to3$ (중도 탈락), $1\to2$ (진행 후 사망), 그리고 $3\to2$ (탈락 후 사망).
   • 전이 특이적 위험 함수: 단일 위험 모델과 달리, 각 전이는 고유한 기저 위험(가우시안 프로세스로 모델링됨)과 고유한 공변량 계수를 갖는다. 이를 통해 종양 특징이 진행은 강력하게 예측하지만 진행 후 사망에는 약하게 영향을 미칠 수 있음을 포착할 수 있다.
   • 연결 고리(The Bridge): 기계론적 하위 모델은 로그 부하, 로그 감소율, 로그 성장률을 포함하는 시변 공변량 벡터 $W_i(t)$를 통해 위험 하위 모델에 데이터를 공급한다. 이는 위험 함수가 노이즈가 있는 관측치가 아닌, 매끄럽고 노이즈가 없는 잠재 상태에 조건화되도록 보장한다.
   • 프레이리티(Frailty): 특정 전이(예: 진행 및 탈락)에 대해 환자 수준의 프레이리티 항이 포함되며, 잔여 이질성과 전이 간 의존성을 포착하기 위해 다변량 정규 분포로 모델링된다.

3. 추론 및 예측 파이프라인:

   • 결합 추론: 전체 시스템은 Stan의 해밀토니안 몬테카를로(HMC)를 사용하여 동시에 피팅된다. 이는 "플러그인" 단계를 제거하여, 이벤트 데이터가 추론된 종양 궤적을 정교화하고 그 반대의 경우도 가능하게 한다.
   • 순방향 시뮬레이션: 종단 지표(PFS, OS, 객관적 반응률[ORR])는 결합 사후 분포로부터 단일 순방향 시뮬레이션 패스를 통해 도출된다. 이는 재피팅 없이 전체 파라미터 불확실성을 전파한다.
   • 조건부 예측: 중간 분석을 위해 모델은 컷오프 시점까지의 관측된 이벤트 이력을 유지하고 관측되지 않은 미래만을 시뮬레이션하여, "현재 데이터를 바탕으로, 성숙한 곡선은 어떤 모습이 될 것인가?"라는 운영적 질문에 답한다.

주요 기여

• 전이 특이적 공변량: 프레임워크는 종양 유래 공변량이 서로 다른 전이에 대해 구별되는 효과를 가질 수 있게 한다(예: 성장률이 진행 위험은 예측하지만 진행 후 사망에는 영향을 미치지 않는 경우). 이는 단일 위험 결합 모델에는 없는 기능이다.
• 결합 잠재 상태: 종양의 감소/성장 분해를 공유된 잠재 상태로 모델링함으로써, 프레임워크는 측정 노이즈에 의한 연관성 감쇄와 측정되지 않은 개별 이질성을 무시함에 따른 오설정 문제를 피한다.
• 상관된 프레이리티: 모델은 상관된 환자 수준 프레이리티 항을 통해 잔여 개별 이질성과 전이 간 의존성을 포착한다.
• 다중 임상 시험 계층 구조: 환자들은 단일 계층 모델 내에서 임상 시험 내의 암(arm) 내에 중첩되어, 별도의 메타 분석 단계 없이 모집단 수준의 운동학적 파라미터를 교차 임상 시험 간에 공유할 수 있다.
• 전체 사후 분포 전파: 모든 종단 지표는 결합 사후 분포로부터 도출되므로, 보고된 양(중앙 PFS, 중앙 OS, ORR)은 모델의 전체 불확실성을 자동으로 상속받는다.

결과
프레임워크는 광범형 소세포 폐암(ES-SCLC)의 두 가지 임상 시험(대상 임상: Lilly CXCR4, $N=78$; 역사적 임상: Amgen, $N=419$)을 포함하는 사례 연구에 적용되었다.

• 모델 적합도: 두 성분 분해 모델은 특성적인 종양 궤적(초기 감소 후 재성장)을 성공적으로 회복하였으며, 진행된 환자와 검열된 환자 모두의 종단적 SLD 데이터에 적절한 적합도를 제공했다.
• Leave-Future-Out (LFO) 검증:
  • 4개월 시점(9명)에서 모델은 성숙한 19개월 Kaplan–Meier 곡선을 커버하는 보정된 PFS 예측치를 생성했다.
  • 11개월 시점(39명)에서 OS 예측치는 성숙한 곡선으로 수렴하였으며, 이는 적절히 정량화된 불확실성을 가진 채 최소 8개월의 선행 예측을 수행했음을 의미한다.
  • 편향 관찰: 모델은 초기 컷오프에서 PFS 예측 시 체계적이고 보수적인 비관론을 보였다. 이는 성장률 파라미터의 식별성 때문으로, 재성장이 보이지 않는 환자들이 빠른 진행 환자에 의해 편향된 모집단 성장률 쪽으로 축소(shrinkage)되었기 때문이다. 저자들은 이러한 보수적 편향이 Go/No-go 결정에서 안전 마진 역할을 할 수 있다고 언급했다.
• 종단 지표 도출: 모델은 성숙한 데이터가 축적됨에 따라 좁아지는 신뢰 구간을 가지며 스칼라 종단 지표(중앙 PFS, 중앙 OS, ORR)를 성공적으로 예측했다. ORR 예측은 기계론적 하위 모델에서 결정론적으로 도출되므로 초기 컷오프에서도 특히 정밀했다.
• 공변량 효과: 모델은 단일 위험 모델에서는 붕괴되었을 혈색소와 같은 기저 공변량의 차별적 효과를 다양한 전이에 걸쳐 드러냈다.

의의 및 주장
본 논문은 PIONEER의 주요 가치가 유연한 준모수(semiparametric) 모델보다 향상된 표본 내 적합도가 아니라, 미성숙한 데이터로부터 보정된 모집단 수준의 예측을 생성하는 능력에 있다고 주장한다. 생물학적으로 정보가 담긴 구조적 제약(감소+성장 분해)을 외삽에 적용함으로써, 이 프레임워크는 의사결정을 가속화한다. 이는 임상 시험자가 성숙한 생존 데이터가 확보되기 몇 달 또는 몇 년 전에 더 빠르게 Go/No-go 결정을 내릴 수 있게 하여, 실패하는 프로그램에 대한 자원 낭비를 줄이거나 유망한 프로그램을 가속화할 수 있게 한다. 저자들은 이 프레임워크를 단순한 방법론적 시연을 넘어, 모델 기반 약물 개발(MIDD) 원칙 하에서 규제적 입지를 확보할 수 있는 잠재력을 가진, 조기 종단 데이터로부터 최대의 신호를 추출하는 원칙적인 방법론으로 제시하며, 아직 개별 임상 결정에 대한 전향적 검증은 이루어지지 않았음을 밝히고 있다.