📊 statistics

Joint Model for Mediation Analysis with Causally Related Longitudinal and Recurrent Event Mediators for Survival Outcome

본 논문은 인과적으로 연관된 종단적 및 재발성 이벤트 매개변수가 생존 결과에 영향을 미칠 때, 공유된 랜덤 효과를 갖는 결합 모델링을 확장하여 자연 직접 효과와 간접 효과를 정량화함으로써 순차적 무시 가능성 가정을 완화하고 미측정 혼란 변수를 고려하는 새로운 인과 매개 분석 프레임워크를 제안한다.

원저자: Fang Niu, Cheng Zheng, Lei Liu

게시일 2026-07-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fang Niu, Cheng Zheng, Lei Liu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 한 환자의 건강이 왜 악화되었는지 그 미스터리를 풀려는 탐정이라고 상상해 보십시오. 의학의 세계에서 이는 종종 '원인과 결과'의 게임입니다. 때로는 치료가 바이러스를 차단하는 방패처럼 직접적으로 작용하기도 합니다. 하지만 많은 경우, 그 경로는 더 구불구불합니다. 어떤 치료는 환자의 혈액 화학 성분을 변화시키고, 이것이 다시 환자가 병에 걸리는 빈도를 변화시키며, 바로 '그것'이 최종적으로 생존 여부를 결정하게 됩니다. 이를 **매개(mediation)**라고 부릅니다. 즉, 원인으로부터 결과로 메시지를 전달하는 숨겨진 중간자를 찾는 것입니다.

이제 환자가 단순히 정적인 퍼즐 조각이 아니라 움직이는 표적이라고 상상해 보십시오. 그들의 건강은 사진이 아니라 영화입니다. 그들은 혈당이나 면역 세포 수치와 같은 반복 측정치(repeated measures), 즉 매일 쓰는 일기를 가지고 있으며, 반복되는 독감 예방 접종이나 입원과 같은 **재발성 사건(recurrent events)**을 겪습니다. 까다로운 점은 이 두 가지가 서로 대화를 나눈다는 것입니다. 혈구 세포의 감소는 더 많은 감염을 일으킬 수 있고, 더 많은 감염은 혈구 세포를 더 떨어뜨릴 수 있습니다. 오랫동안 과학자들은 이 움직이는 부분 중 하나만을 연구하거나, 이들이 서로 영향을 주고받지 않는다고 가정해야 했습니다. 하지만 현실 세계에서는 모든 것이 연결되어 있으며, 이러한 연결 고리를 무시하는 것은 무엇이 생명을 구하는지에 대해 잘못된 결론을 내리게 할 수 있습니다.

여기서 새로운 연구가 등장하여, 이러한 복잡한 의료 드라마를 위한 첨단 탐정 키트 역할을 수행합니다. 유명한 HIV 연구의 데이터를 활용하여 작업한 연구진은 이 엉킨 실타래를 풀기 위해 완전히 새로운 수학적 프레임워크를 구축했습니다. 그들은 다음과 같은 질문을 던졌습니다. 환자가 특정 치료를 받을 때, 생존 혜택 중 얼마만큼이 약물로부터 직접적으로 오며, 얼마만큼이 감염률을 낮추거나 면역 세포 수를 높이는 약물의 효과를 통해 간접적으로 오는가?

연구팀은 '결합 모델(joint model)'을 개발했는데, 이는 본질적으로 환자의 반복되는 혈액 검사와 재발하는 감염을 동시에 관찰하는 강력한 계산기입니다. 그들은 이 두 요소를 별개의 용의자가 아닌 하나의 팀으로 취급했습니다. 그들은 '공유된 무작위 효과(shared random effects)'라는 영리한 기법(두 가지 모두를 같은 방향으로 밀어붙이는 보이지 않는, 측정되지 않은 요인이라고 생각하십시오)을 사용하여, 이전의 방법들이 놓쳤던 숨겨진 영향력을 설명할 수 있었습니다. 이를 통해 연구자들이 환자의 배경에 대해 모든 것을 알고 있다고 가정해야 했던 엄격한 규칙을 완화할 수 있었고, 덕분에 진정한 인과 경로에 대한 더 명확한 그림을 얻을 수 있었습니다.

이 새로운 방법을 467명의 HIV 환자 실측 데이터에 적용했을 때, 그들은 몇 가지 흥미로운 반전을 발견했습니다. 첫째, 그들은 표준 치료가 실패했을 때 사용되는 두 가지 다른 약물을 살펴보았습니다. 놀랍게도, 직접적인 효과와 간접적인 효과를 분리해 보니 두 약물 모두 생존에 미치는 유의미한 '직접적' 영향은 없는 것으로 나타났습니다. 이전 연구들에서 과학자들은 이 약물들이 직접적으로 작용한다고 생각했지만, 이 더 세밀한 모델은 약물의 이점이 실제로는 환자의 면역 세포와 감염율에 미치는 효과를 통해 전달되고 있음을 시사했습니다. 즉, '직접적' 효과는 중간자를 면밀히 살펴보지 못해 생긴 환상이었던 것입니다.

하지만 환자의 과거력을 살펴보았을 때 이야기는 달라졌습니다. 과거에 에이즈 관련 질환(연구 시작 전 발생한 심각한 질병)을 앓았던 이력은 주요한 위험 신호였습니다. 이 이력은 생존에 강력하고 직접적인 부정적 영향을 미쳤습니다. 그러나 이 이력은 또한 중간 매개체를 통해서도 작용했습니다. 즉, 환자의 면역 세포 수를 낮추고 재발하는 감염의 위험을 높였습니다. 흥ًا, 이 두 중간 매개체는 위험을 설명하는 데 있어 서로 반대 방향으로 움직였습니다. 두 가지 모두 중요했지만, 재발하는 감염이 왜 이 환자들이 사망 위험이 높은지를 설명하는 데 있어 약간 더 큰 역할을 했습니다.

연구진은 또한 자신들의 도구를 테스트하기 위해 컴퓨터 시뮬레이션을 실행했습니다. 그들은 정답을 알고 있는 가짜 데이터를 만들어 모델이 그 답을 찾아낼 수 있는지 확인했습니다. 결과는 그들의 모델이 전반적으로 정확하고 견고하다는 것을 보여주었지만, 만약 숨겨된 '무작위 효과'가 그들이 가정한 대로 정확히 작동하지 않는다면 후기 시점에서 결과가 다소 불안정해질 수 있다는 점도 언급했습니다. 이는 이 새로운 탐정 키트가 강력하긴 하지만, 여전히 주의 깊게 사용되어야 하며 데이터와 대조하며 검증되어야 함을 시사합니다.

궁극적으로, 이 논문은 단순히 숫자 하나를 제시하는 것이 아니라, 새로운 보는 방식을 제공합니다. 그것은 만성 질환의 복잡한 드라마 속에서 '직접적인' 원인은 종종 빙산의 일각일 뿐이라는 것을 보여줍니다. 우리의 건강 지표와 반복되는 질병이 서로 끊임없이 인과적인 춤을 추고 있다는 사실을 인정함으로써, 우리는 마침내 어떤 단계가 다음 단계로 이어지는지 추측하는 것을 멈추고 생존의 전체 안무를 이해할 수 있게 됩니다.

기술 요약: 생존 결과에 대한 인과적으로 연관된 종단적 및 재발성 사건 매개체를 포함하는 결합 모델

문제 제기
종단적 임상 연구는 빈번하게 두 가지 뚜렷한 유형의 시변 데이터를 생성한다: 반복 측정치(예: CD4 수치와 같은 바이오마커 궤적)와 재발성 사건(예: 입원 또는 기회 감염). 이러한 프로세스와 종말 사건(생존) 사이의 상관관계를 분석하기 위한 결합 모델은 존재하지만, 현재의 방법론은 다수의 인과적으로 연관된 매개체가 존재할 때 **인과적 매개 분석(causal mediation analysis)**을 수행할 수 있는 강력한 프레임워크가 부족하다. 구체적으로, 기존 접근 방식들은 매개체 간의 독립성을 가정하거나 매개체와 결과 사이의 미측정 혼란 변수(unmeasured confounding)를 고려하지 못하는 경우가 많다. 이러한 격차는 노출(예: 치료 또는 기저 상태)이 재발성 사건과 종단적 바이오마커를 포함하는 별개의 경로를 통해 생존에 어떻게 영향을 미치는지 규명하는 능력을 제한한다. 특히 한 매개체가 다른 매개체에 인과적인 영향을 미치는 경우 더욱 그러하다.

방법론
저자들은 다음을 동시에 처리하는 결합 모델링(joint modeling) 구조 내에서 새로운 인과적 매개 프레임워크를 제안한다:

재발성 사건 매개체 ( $M$ ).
반복 측정 매개체 ( $W$ ).
종말 사건 결과 ( $T$ ).

본 방법론은 잠재 결과 프레임워크(potential outcomes framework)에 기초하며, 미측정 혼란 변수를 수용하기 위해 "순차적 무시 가능성(sequential ignorability, SI)" 가정을 확장한다.

결합 모델 구조: 저자들은 세 개의 연결된 하위 모델을 정의한다:
- 재발성 사건 모델: 시간, 공변량, 치료, $W(t)$ 및 공유 랜덤 효과에 의존하는 $M$ 의 강도 함수(intensity function).
- 반복 측정 모델: 치료, 공변량, 시간, 공유 랜덤 효과를 포함하는 $W(t)$ 에 대한 선형 혼합 효과 모델.
- 생존 모델: 치료, 공변량, $M$ 의 이력, $W$ 의 현재 값, 그리고 공유 랜덤 효과에 의존하는 Cox 유형의 위험 함수(hazard function).
순차적 무시 가능성의 완화: 미측정 시불변 혼란 변수를 해결하기 위해, 모델은 **공유 랜덤 효과(frailties)**를 통합한다:
- $\nu_i$ : 재발성 사건 매개체( $M$ )와 생존 결과( $T$ ) 사이의 공유 프레이티(fraity).
- $u_i$ : 반복 측정 매개체( $W$ ), 재발성 사건 매개체( $M$ ), 그리고 생존 결과( $T$ ) 사이에 공유되는 프레이티.
- 이 구조는 이러한 잠재 변수들을 조건화함으로써 엄격한 SI 가정을 완화하며, 이를 통해 매개체와 결과 사이의 미측정 혼란 변수를 허용한다.
인과적 정의: 프레임워크는 자연 직접 효과(NDE)와 자연 간접 효과(NIE)를 특정 경로에 대해 다음과 같이 정의한다:
- NDE: 매개체를 일정하게 유지할 때 노출이 생존에 미치는 직접적인 효과.
- $NI_{EM}$ : 재발성 사건 과정 $M$ 을 통한 간접 효과( $W$ 가 $M$ 에 영향을 미치는 경로 포함).
- $NI_{EW}$ : 반복 측정 매개체 $W$ 만을 통한 간접 효과.
추정: 무한 차원의 매개체 프로세스를 포함하는 적분에 대한 폐쇄형 해(closed-form solution)를 구할 수 없으므로, 저자들은 파라미터와 인과적 효과를 추정하기 위해 **몬테카를로 수치 적분(Monte Carlo numerical integration)**과 최대 가능도 추정법(가우스 구획법 사용)을 결합하여 사용한다. 신뢰 구간은 부트스트래핑을 통해 도출된다.

주요 기여

새로운 프레임워크: 본 연구는 생존 분석 설정에서 재발성 사건과 반복 측정을 인과적으로 의존적인 매개체로 결합하여 모델링하고, 자연 직접 효과와 자연 간접 효과를 명시적으로 정량화하는 최초의 방법이다.
미측정 혼란 변수 처리: 공유 랜덤 효과(프레이티)를 매개 분석에 통합함으로써, 이 방법은 순차적 무방 가능성 가정을 완화하여 관찰된 종단 데이터에 대한 보다 현실적인 인과 추론을 제공한다.
효과의 분해: 이 접근 방식은 총 효과를 직접 효과와 (재발성 사건 또는 종단적 바이오마마커를 통한) 별개의 간접 경로로 분리할 수 있게 하며, 이는 매개체들이 서로에게 영향을 미치는 경우에도 가능하다.
계산적 구현: 분석적 해를 구하기 어려운 복잡한 인과적 양을 추정하기 위해 엄밀한 수치적 접근 방식(몬테카를로 적분)을 제공한다.

결과

시뮬레이션 연구: 제안된 NDE, $NI_{EM}$ , $NI_{EW}$ 추정량은 모델이 올바르게 지정된 경우 작은 편향과 적절한 피복 확률(coverage rates)을 보여주었다. 그러나 저자들은 추정량이 (예를 들어, 실제 분포가 log-gamma임에도 정규 분포라고 가정하는 경우와 같이) 랜덤 효과 분포의 오지정(misspecification)에 민감하며, 특히 후기 시점에서 그러하다고 언급했다.
CPCRA 연구 적용: 제안된 방법은 467명의 HIV 감염 환자를 대상으로 한 Terry Beirn Community Programs for Clinical Research on AIDS (CPCRA) 데이터를 적용하였다.
- 치료 비교 (ddI vs. ddC): 분석 결과, 생존에 대한 치료(ddI vs. ddC)의 유의미한 직접 효과나 간접 효과는 발견되지 않았다. 저자들은 직접 효과를 CD4 수치를 통해 매개된 간접 효과와 혼동하여 보고했던 이전 연구들을 언급하며, 새로운 모델이 이러한 구성 요소들을 성공적으로 분리해냈음을 밝혔다.
- 이전 AIDS 정의 질환 (PADC): PADC는 생존에 유의미한 직접 효과를 보였다. 재발성 기회 감염(OIs)과 반복적 CD4 수치 모두 PADC가 생존에 미치는 효과를 매개하였으나, 그 방향은 반대였다. OIs를 통한 간접 효과가 CD4 수치를 통한 간접 효과보다 크기가 더 컸으며, 이는 OIs가 더 지배적인 매개 역할을 수행함을 시사한다.
- 미측정 혼란 변수: CD4 수치와 생존 사이의 유의미한 공유 랜덤 효과( $u$ )는 두 변수 사이의 미측정 혼란 변수의 존재를 확인시켜 주었다.
- 일관성: 추정된 직접 효과와 간접 효과의 합은 표준 Cox 회귀 분석에서 추정된 총 효과와 밀접하게 일치하였으며, 이는 분해의 타당성을 입증한다.

의의 및 주장
본 논문은 이 방법론이 다수의 매개체가 존재하는 종단 연구에서 인과적 경로에 대한 더 포괄적인 조사를 가능하게 한다고 주장한다. 직접 효과와 특정 간접 경로(재발성 사건 vs. 반복 측정)를 구분함으로써, 이 프레임워크는 치료 기전과 질병 진행에 대한 더 깊은 통찰력을 제공한다. 저자들은 이 접근 방식이 특히 환자의 기저 상태(PADC)가 있는 경우, CD4 궤적을 관리하는 것보다 재발성 기회 감염을 조절하는 것이 생존에 더 결정적일 수 있음을 식별하는 것과 같이 임상적 의사결정에 정보를 제공하는 데 매우 가치 있다고 강조한다. 연구는 이 방법이 견고하지만, 실제 적용 시 모델 적합도(특히 랜덤 효과 분포)에 대한 신중한 평가가 필요하다고 결론짓는다.

유사한 논문