Studying Competing Events with Federated Cumulative Incidence Curves

기술 요약: 연합 누적 발생 함수를 이용한 경쟁 위험 사건 연구

문제 정의
의료 제품의 시판 후 안전성 감시는 충분한 표본 크기와 일반화 가능성을 확보하기 위해 여러 기관의 전자 건강 기록(EHR) 데이터를 결합하는 데 점점 더 의존하고 있습니다. 그러나 개인 수준의 환자 데이터 공유에 대한 개인정보 보호 우려와 규제 장벽이 존재합니다. 연합 학습(Federated Learning, FL)은 데이터 전송 없이 여러 사이트에서 모델을 적합시킬 수 있는 해결책을 제공하지만, 기존의 경쟁 위험 분석을 위한 FL 방법론은 제한적입니다. 현재의 접근 방식은 비례 위험 가정을 필요로 하는 준모수적 모델(예: Fine-Gray)에 의존하는데, 이는 다기관 환경에서 검증하기 어렵습니다. 또한, 로컬 위험 테이블(risk tables)을 공유해야 하는 의사 관측치(pseudo-observation) 방법은 개별 생존 시간과 이벤트 지표를 식별 가능하게 만들어 개인정보 보호 위험을 초래합니다. 더욱이, 누적 발생 곡선(CIF) 및 제한 평균 시간 손실(RMTL)과 같이 직관적인 시각화와 인과적 해석을 허용하는 비모수적 FL 도구도 부족한 실정입니다.

방법론
저자들은 경쟁 위험 상황에서 인과적 성향 점수 가중치(IPW)를 통한 공변량 조정을 포함하여, 원인 특이적 누적 발생 함수(CIF) 및 제한 평균 시간 손실(RMTL)을 추정하기 위한 새로운 비모수적 연합 알고리즘을 제안합니다.

• 데이터 구조: 이 방법은 환자가 이벤트(예: 면역 관련 이상반응[irAE] 또는 사망) 또는 중도 절단(censoring)까지 추적되는 관찰 데이터를 처리합니다. 두 가지 경쟁하는 이벤트 유형($\Omega=1$은 관심 이벤트, $\Omega=2$는 사망)과 이진 노출(예: 기존 자가면역 질환)을 다룹니다.
• 공변량 조정: 관찰 데이터의 혼란 변수를 해결하기 위해 이 방법은 IPW를 사용합니다. 성향 점수는 연합 일반화 선형 모델(GLM) 접근 방식(예: renewable estimation 또는 ODAL)을 사용하여 추정됩니다. 이 점수들은 모든 사이트로 브로드캐스트되어 개별 가중치를 계산하는 데 사용됩니다.
• 연합 추정 과정: 알고리 알고리즘은 표본 크기에 따라 정렬된(가장 큰 것부터 가장 작은 것 순서) 세 단계의 순차적인 통신 라운드로 작동합니다.
  1. 성향 점수 추정: 가중치를 도출하기 위한 연합 GLM 계수의 추정.
  2. 생존 함수 추정: 이전에 발표된 연합 가중 캡플란-마이어(KM) 방법을 사용하여 반사실적 생존 함수($\hat{S}^a(t)$) 및 위험 함수($\hat{Y}^a(t)$)를 추정합니다. 개인정보 보호를 위해, 이들은 계단 함수가 아닌 연속적인 단조 다항 스플라인(polynomial spline) 함수 형태로 전송됩니다.
  3. CIF 추정: 이것이 핵심적인 혁신입니다. 로우 데이터를 공유하거나 위험 테이블을 공유하는 대신, 사이트들은 **경험적 영향 함수(empirical influence function)**를 사용하여 CIF 추정치를 반복적으로 업데이트합니다.
     • 첫 번째 사이트는 로컬 데이터를 기반으로 초기 CIF를 계산하고 이를 스플라인 표현으로 변 변환합니다.
     • 후속 사이트들은 현재의 스플라인 파라미터를 전달받아 로컬 데이터를 사용하여 이를 업데이트합니다. 업데이트 규칙은 추정 방정식 $\sum \psi(\hat{F}; o_i) = 0$ (여기서 $\psi$는 경험적 영향 함수)으로부터 유도됩니다.
     • 업데이트 단계는 뉴턴-라이크(Newton-like) 방법을 활용합니다: $\hat{F}^{(r+1)} = \hat{F}^{(r)} + \frac{\text{Residual} + \sum \psi}{\text{Denominator}}$.
     • 이 과정은 모든 사이트가 통합될 때까지 순차적으로 계속되며, 결과적으로 개인 환자 기록을 전혀 공유하지 않고도 전역적인 반사실적 CIF를 산출합니다.
• 추론 및 RMTL: 분산 추정은 사이트 간의 제곱된 영향 함수를 합산함으로써 수행됩니다. 제한 평균 시간 손실(R밀 RMTL)은 시간 $\tau$까지의 CIF 곡선 아래 면적으로 계산됩니다. 그 분산은 CIF의 영향 함수를 적분하여 추정되며, 이는 연합 환경에서 계산 비용이 매우 높은 부트스트래핑(bootstrapping)을 피할 수 있게 해줍니다.

주요 기여

1. 최초의 비모수적 연합 CIF: 본 연구는 비모수적 경쟁 위험 도구(CIF 및 RMTL)를 연합 환경으로 확장한 최초의 방법이며, ODACoR과 같은 준모수적 연합 모델에서 요구되는 비례 위험 가정을 제거했습니다.
2. 강화된 개인정보 보호: 개별 생존 시간을 유출할 수 있는 로컬 위험 테이블 공유가 필요한 의사 관측치 방법과 달리, 이 방법은 요약된 스플라인 파라미터와 영향 함수 통계만을 공유하므로 개인정보 보호 위험을 크게 줄입니다.
3. 해석 가능성: 이 방법은 블랙박스 형태의 머신러닝 예측이나 복잡한 위험비(hazard ratios)보다 임상의와 규제 기관에 전달하기 쉬운, 직관적이고 임상적으로 의미 있는 출력값(누적 발생 곡선 및 시간 손실)을 제공합니다.
4. 소규모 사이트에 대한 강건성: 이 알고리즘은 메타 분석 접근 방식이 안정적인 사이트별 추정치를 요구하는 것과 달리, 매우 작은 표본 크기(단 하나의 관측치만 있는 경우라도)를 가진 사이트도 수용할 수 있습니다.

결과

• 시뮬레이션: 이 방법은 다양한 이벤트 분포(지수 분포 및 와이불 분포)와 중도 절단율을 가진 세 가지 시뮬레이션 시나리오에서 평가되었습니다. 통합된 "골드 스탠다드(gold standard)" 분석과 비교했을 때, 연합 방법은 무시할 만한 편향을 보였으며 동등한 통계적 효율성을 입증했습니다. 반면, 메타 분석 접근 방식은 (높은 중도 절단율 하에서 특히) 열등한 효율성을 보였으며, 제1종 오류의 팽창 또는 낮은 검정력을 나타냈습니다.
• 실제 적용: 이 방법은 OneFlorida+ 네트워크($N=10,281$명, $K=10$개 사이트)에 적용되어, 기존 비내분비 자가면역 질환(AID)이 있는 환자들의 면역 관문 억제제(ICI) 치료 후 내분비계 irAE를 연구했습니다.
  • 공변량 조정 후, 기존 AID가 있는 환자들은 첫 18개월 이내에 내분비계 irAE로 인해 평균 4.8개월(95% CI: 4.3, 5.2)의 이벤트-프리 생존 시간을 손실했습니다.
  • 이는 prior AID가 없는 환자들이 손실한 3.2개월(95% CI: 3.1, 3.3)보다 유의미하게 높았습니다.
  • 이 연구는 기존 AID가 내분비계 irAE의 높은 발생률과 관련이 있음을 확인하였으며, 이는 임상 시험에서 처음에 제외되었던 인구 집단에 대한 증거를 제공합니다.

의의 및 주장
저자들은 본 연구가 데이터 공유가 제한된 시판 후 안전성 감사를 위한 중요한 대안을 제공한다고 주장합니다. 비례 위험 가정을 피함으로써, 이 방법은 시간 가변적 효과(time-varying effects)가 흔히 발생하는 다기관 연구에서 더 유연하고 강건한 접근 방식을 제공합니다. 환자 수준의 데이터를 공유하지 않고도 조정된 누적 발생 곡선 및 RMTL 추정치를 생성할 수 있는 능력은 연합 분석의 중요한 격차를 해소합니다. 저자들은 이 방법이 "정보가 풍부한 인과적 비교"와 "직관적인 시각화"를 가능하게 하여, 특정 환자 하위 그룹의 부작용 위험에 대해 임상의와 규제 기관이 더 나은 의사결정을 내릴 수 있도록 돕는다고 명시합니다. 저자들은 이 방법이 총 효과(total effect)를 추정하지만 직접 효과와 간접 효과를 결합하여 나타낸다는 점을 인정하며, 직접 효과 추정을 위해 역확률 중도 절단 가중치(IPCW)를 포함하도록 확장하는 것이 향후 연구 방향임을 시사합니다.