Recovering the Target Hazard Ratio Under Nonproportional Hazards Induced by an Omitted Covariate: Simulation-based Approach

기술 요약: 누락된 공변량에 의해 유도된 비비례 위험 하에서의 표적 위험비 회복

문제 정의
생존 분석에서 콕스 비례 위험(Cox PH) 모델은 위험비가 시간에 따라 일정하게 유지된다는 가정에 의존한다. 그러나 이러한 가정은 예측 불가능한 치료 시작, 환자의 비순응, 또는 모델에 포함될 경우 비례성을 회복할 수 있는 공변량의 누락과 같은 요인들로 인해 실제 적용 시 빈번하게 위배된다. 관련 공변량 $Z$가 누락된 PH 모델을 사용할 때, 추정된 치료 효과 $\beta$는 편향(bias)을 갖게 된다. 이러한 편향은 두 가지 원인에서 발생한다: (1) 누락된 공변량의 분포에 대한 주변화(marginalization), 그리고 (2) 본질적으로 비비례 위험을 보이는 데이터에 PH 모델을 적합시킴으로써 발생하는 모델 오설정(misspecification).

본 논문은 누락된 공변량이 관찰 불가능한 바이오마커, 층화 요인, 또는 강력한 예후 인자인 시나리오에 초점을 맞춘다. 목표는 누락된 공변량을 포함하여 올바르게 설정된 PH 모델로부터 얻게 될 "표적 위험비(target hazard ratio)"를 회복하는 것이다. 이러한 편향을 교정하기 위한 이론적 틀이 존재하지만, 이는 종종 실제 데이터 적용에는 부적절한 강력한 가정(예: 알려진 검열 메커니즘 또는 특정 프레일티 분포)에 의존한다.

방법론
본 논문은 관찰된 데이터로부터 직접적인 파라미터 추정치나 복잡한 해석적 편향 교정에 의존하지 않고, 표적 위험비를 회복하기 위한 시뮬레이션 기반 그래픽 접근법인 최적 생존 밴드(Tightest Survival Band, TSB) 방법을 제안한다.

1. 모델 프레임워크: 연구에서는 세 가지 모델을 고려한다:

   • 모델 I: 누락된 공변량 $Z$를 포함하는 올바르게 설정된 PH 모델.
   • 모델 II: 누락된 공변량이 단변량 프레일티 항 $W = \exp(\theta Z)$를 통해 기저 위험에 흡수된 오설정된 PH 모델.
   • 모델 III: 누락된 공변량의 분포를 명시적으로 고려하는 주변 모델(단변량 프레일티 모델).

2. TSB 절차:
   본 논문에서 제안하는 방법의 핵심은 최소한의 가정(Weibull 기저 사건 시간 분포 및 누락된 공변량의 단위 분산)에 기반한 최적화 절차이다.

   • 1단계: 치료 그룹별로 관찰된 데이터에 대한 카플란-마이어(Kaplan-Meier) 추정치를 계산한다.
   • 2단계: 후보 파라미터 그리드(치료 효과 $\beta$, 누락된 공변량 효과 $\theta$, 그리고 Weibull 파라미터 $\sigma, \rho$)에 대해 $N$개의 데이터셋을 시뮬레이션한다. 이 시뮬레이션은 Weibull 기저 분포와 후보 파라미터들을 바탕으로, 프레일티 항(Gamma 또는 Log-Normal)과 검열 메커니즘(Uniform 또는 Uniform의 혼합)을 포함하여 사건 발생 시간을 생성한다.
   • 3단계: 각 후보 파라미터 세트에 대해, 각 치료 그룹에 대한 **시뮬레이션 점별 생존 범위(Simulated Pointwise Survival Range, SPSR)**를 계산한다. 이 밴드는 $N$번의 시뮬레이션 반복 시행에서 관찰된 생존 곡선의 최솟값과 최댓값을 나타낸다.
   • 4단계: 관찰된 생존 곡선이 두 치료 그룹 모두에서 시뮬레이션된 SPSR 밴드 내에 포함되는 시간 지점의 비율인 **커버리지 계수(Coverage Coefficient, CC)**를 계산한다.
   • 5단계: CC를 최대화하는 파라미터 값을 식별한다. 이때 도출된 밴드가 "최적 생존 밴드"이다. 만약 최대 CC가 평탄한 영역(plateau)에서 달성된다면, 해당 영역의 중점(midpoint)을 회복된 파라미터 추정치로 사용한다.

주요 기여 및 결과

• 프레일티 모델의 평가: 시뮬레이션 연구를 통해 단변량 Gamma 및 Log-Normal 프레일티 모델의 성능을 비교하였다. 결과에 따르면, 누락된 공변량의 지수 함수를 프레일티 항으로 모델링함으로써 표적 위험비를 어느 정도 회복할 수는 있으나, 그 성능은 실제 기저 분포에 크게 의존한다. 구체적으로, 프레일티 항에 대해 Log-Normal 분포를 가정하는 것이 Gamma 가정보다 다양한 시나리오에서 더 견고한(robust) 것으로 나타났다.
• TSB의 성능: 시뮬레이션 연구는 TSB 방법이 다양한 실제 위험비, Weibull 기저 파라미터, 검열 메커니즘이 포함된 실질적인 시나리오 하에서 표적 위험비를 상당히 잘 회복함을 입증하였다.
  • 이 방법은 중간에서 큰 표본 크기(예: 그룹당 $n \ge 500$)에서 잘 작동한다.
  • 표본 크기가 작아짐에 따라 최적화 표면(CC)이 더 평탄해져 타당한 파라미터 값의 구간이 넓어지지만, 해당 구간의 중점은 여다히 실제 값에 가깝게 유지된다.
  • TSB 방법은 프레일티 분포의 오설정(즉, 실제가 Log-Normal임에도 Gamma 워킹 모델을 사용하는 경우 등)에 대해 견고하다.
• 실제 데이터 적용: 이 방법은 비례 위험 가정이 위배된($p=0.00018$) NSABP B-14 유방암 임상 시험에 적용되었다.
  • 단순 분석(누락된 공변량을 무시함)은 0.75의 위험비를 산출했다.
  • 단변량 프레일티 분석은 각각 0.48(Gamma) 및 0.74(Log-Normal)로 상이한 추정치를 냈다.
  • 전수 그리드 탐색을 사용한 TSB 절차는 Gamma 및 Log-Normal 워킹 모델 모두에서 약 0.68–0.69(로그 위험비 $\approx -0.37$ to $-0.39$)의 표적 위험비를 회복하였다. 이 결과는 두 프레일티 가정 간에 일관성을 보였으며, 이는 TSB 방법이 알려지지 않은 공변량의 실제 분포에도 불구하고 안정적인 표적 파라미터를 성공적으로 식별했음을 시사한다.
  • 반면, 기존의 해석적 교정 공식(Henderson and Oman)은 0.21의 위험비를 산출하였는데, 논문은 이 결과가 TSB 결과와 매우 거리가 멀다고 지적하였다.

의의 및 주장
본 논문은 제안된 TSB 접근법이 모집단 파라미터에 대한 의존성 때문에 실제 데이터 적용에서 실패하기 쉬운 해석적 편향 교정 방법들에 대한 실용적인 시뮬레이션 기반 대안을 제공한다고 주장한다. 관찰된 데이터를 최대한 조밀하게 둘러싸는 생존 밴드를 생성하는 표적 파라미터를 식별함으로써, 이 방법은 최소한의 가정하에 표적 위험비를 회복하는 방법을 제시한다.

저자들은 이 방법이 몇 가지 가정(누락된 공변량의 단위 분산, Weibull 기저, 특정 검열 구조)에 의존하고 있지만, 이는 실무적인 동기에 의한 것이라고 강조한다. 연구는 TSB 방법이 특히 해석적 해법을 구하기 어렵거나 샘플링 변동성에 민감한, 중간 규모 이상의 표본 크기를 가진 환경에서 누락된 공변량에 의해 유도된 비비례 위험 하의 치료 효과 추정치 편향을 줄이는 데 유효한 도구임을 결론짓는다. 저자들은 최적화 지표(CC)가 유일한 극대값이 아닌 평탄한 영역을 생성할 수 있어 중점이나 중앙값을 요약 추정치로 사용해야 함을 겸허히 언급하며, 더 강력한 이론적 근거를 가진 대안적 최적화 기준을 개발하는 것이 향후 연구 과제임을 제언한다.