Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data

기술 요약: 이질적 치료 효과에 대한 베이지안 퓨전 포레스트 (Bayesian Fusion Forests)

문제 정의
본 논문은 무작위 대조 시험(RCT)과 실제 임상 데이터(RWD)를 결합하여 생존 결과에 대한 이질적 치료 효과(HTE)를 추정하는 과제를 다룹로다. RCT는 편향되지 않은 인과적 추정치를 제공하지만, 하위 그룹 분석을 수행하기에는 통계적 검정력이 부족하고 추적 관찰 기간이 짧은 경우가 많습니다. 반면, RWD는 표본 크기가 크고 추적 관찰 기간이 길지만, 측정되지 않은 교란 요인(unmeasured confounding)으로 인해 편향될 수 있습니다.

데이터 융합 시 생존 데이터와 관련하여 세 가지 구체적인 과제가 발생합니다:

1. 측정되지 않은 교란 (Unmeasured Confounding): RWD에서는 치료 할당이 무작위가 아니며 관찰되지 않은 요인에 의존할 수 있어, 치료 효과 추정에 편향을 일으킵니다.
2. 소스 간 이질성 (Between-Source Heterogeneity): 기저 예후(치료를 받지 않았을 때의 생존율)와 오차 분포가 대상자 선정 기준, 프로토콜, 케이스 믹스 등의 차이로 인해 시험군과 관찰군 사이에서 다를 수 있습니다. 단순한 병합(pooling)은 이러한 기저 차이를 치료 효과와 혼동하게 만듭니다.
3. 중도 절단 (Censoring): 생존 데이터는 종종 우측 중도 절단(사건 발생 시간이 추적 관찰 기간을 초과함)과 구간 중도 절단(사건이 정기 방문 사이에 발생함)을 포함하며, 이는 가능도(likelihood) 구성과 추정을 복잡하게 만듭니다.

기존 방법들은 대개 이러한 문제 중 하나 또는 두 가지만 다루며, HTE를 추정하는 과정에서 구간 중도 절단이나 측정되지 않은 교란을 동시에 수용하는 데 실패하곤 합니다.

방법론: 베이지안 퓨전 포레스트 (The Bayesian Fusion Forest)
저자들은 가속 실패 시간(Accelerated Failure Time, AFT) 분해를 사용하여 로그 생존 시간을 모델링하는 비모수적 프레임워크인 베이지안 퓨전 포레스트를 제안합니다. 이 모델은 두 소스($S \in \{0, 1\}$)의 데이터를 공동으로 분석하며, 조건부 로그 생존 시간을 다음과 같이 분해합니다:

$$\log T = m_0(X, S) + \tau(X)A + (1-S)A c(X) + \varepsilon$$

여기서:

• $A$는 이진 치료 지표입니다.
• $X$는 치료 전 공변량입니다.
• $m_0(X, S)$ (기저 예후): 공유된 성분인 $m_0^{sh}(X)$와 소스별 편차인 $(1-S)d(X)$로 모델링됩니다. 이 구조는 모델이 두 소스 간에 정보를 공유하면서도 기저 예후의 차이를 수용할 수 있게 합니다.
• $\tau(X)$ (치료 효과): 조건부 평균 치료 효과(CATE)로 정의되며, $E[\log T(1) - \log T(0) | X]$입니다. 이는 생존 시간 척도에서의 가속 인자로 해석됩니다.
• $c(X)$ (교란 함수): RWD($S=0$)에서만 활성화되는 항으로, 측정되지 않은 교란으로 인한 편향을 흡수합니다. 이는 관찰된 RWD의 치료 대비(contrast)와 진정한 인과적 효과 사이의 차이로 정의됩니다.
• $\varepsilon$ (오차 항): 계층적 디리클레 프로세스 혼합(HDPM) 정규 분포를 사용하여 모델링됩니다. 이를 통해 두 소스 간에 형태와 척도가 다른 오차 분포를 포착할 수 있으며, 단일 모수적 형태를 가정하지 않고도 비정규성과 이질성을 반영할 수 있습니다.

사전 확률 및 규제화 (Priors and Regularization)
각 기능적 성분($m_0^{sh}, d, \tau, c$)에는 베이지안 가법 회귀 나무(BART) 사전 확률이 할당됩니다. 저자들은 각 성분에 가용한 정보 수준을 반영하기 위해 "사다리(ladder)" 형태의 규제화를 구현했습니다:

• 기저 성분 ($m_0^{sh}$): 복잡한 질병 고유의 구조를 포착하기 위해 가장 유연한 사전 확률(나무 200개)을 사용합니다.
• 편차 ($d$): 소스 간의 잔여 차이를 포착하기 위해 중간 정도의 유연성(나무 50개)을 가집적합니다.
• 치료 효과 ($\tau$): 가짜 이질성(spurious heterogeneity)을 줄이기 위해 동질성 쪽으로 수축(shrinkage)되도록 더 강한 규제화(나무 100개, 깊이 페널티)를 적용합니다.
• 교환 함수 ($c$): 측정되지 않은 교란이 공변량에 따라 거의 변하지 않는다는 가정을 반영하여, 균일한 편향으로 수축되도록 가장 강한 규제화(나무 50개, 낮은 루트 분할 확률, 깊이 페널티)를 적용합니다.

추론 (Inference)
사후 추론은 블록형 깁스 샘플러(blocked Gibbs sampler)를 통해 수행됩니다. 샘플러는 부분 잔차(partial residuals)에 대해 BART 포레스트를 업데이트하고, 데이터 증강(data augmentation, Tanner and Wong, 1987)을 통해 중도 절단된 관측치(우측 및 구간 중도 절단 모두 포함)를 처리합니다. HDPM 오차 블록은 클러스터 할당, 원자(atoms), 농도 매개변수에 대한 별도의 깁스 단계를 통해 업데이트됩니다.

주요 결과

• 시뮬레이션 연구:

  • 교란에 대한 강건성: 베이지안 퓨전 포레스트는 측정되지 않은 교란($\lambda_u$)의 수준이 변하더라도 본질적으로 편향되지 않은 상태를 유지하는 반면, RWD 단독 추정치는 점점 더 편향됩니다.
  • 이질성에 대한 강건성: 기저 예후의 소스 간 이질성($\lambda_d$)이 증가하더라도 이 방법은 편향되지 않은 상태를 유지합니다.
  • 효율성: 퓨전 접근 방식은 모든 교란 및 이질성 수준에서 RCT 단독 분석보다 낮은 평균 제곱근 오차(RMSE)와 사후 분산을 달립니다.
  • 머신러닝과의 비교: 이 방법은 네 가지 유연한 머신러닝 베이스라인(심층 신경망, 그래디언트 부스팅, Buckley-James 부스팅)보다 정확도와 구간 보정(interval calibration) 측면에서 모두 뛰어난 성능을 보였습니다. ML 방법들은 종종 좁은 구간을 생성하지만 심각한 미달 범위(under-coverage, 0.00–0.48)를 보이거나, 적절한 범위를 확보하기 위해 지나치게 넓은 구간을 요구했습니다. 반면, 퓨전 포레스트는 경쟁력 있는 구간 폭을 유지하면서 명목상의 피복률(nominal coverage, 0.96)을 달성했습니다.
  • 고차원 공변량: 공변량의 수($p=500$까지)가 증가함에 따라, 퓨전 방법은 trial-only 베이스라인보다 낮은 RMSE와 분산을 유지하며, 이는 RWD로부터 정보를 빌려오는 이득이 더 넓은 공변량 공간을 탐색하는 비용보다 크다는 것을 입증합니다.

• 실제 적용 (HIV 항레트로바이러스 요법):

  • 저자들은 ACTG 175 시험(우측 중도 절단, 약 3년 추적 관찰)과 다기관 에이즈 코호트 연구(구간 중도 절단, 약 25년 추적 관찰)를 결합하여, 조합 요법(combination therapy) 대 ZDV 단독 요법의 효과를 추정했습니다.
  • 결과: 퓨전 모델은 평균 가속 인자 1.65(95% CI: [1.43, 1.90])를 추정하였으며, 이는 조합 요법이 생존 시간을 1.65배 연장함을 나타냅니다.
  • 개별 추정치: 퓨전 포레스트는 훨씬 더 정밀한 개별 추정치를 제공했습니다(평균 95% CI 폭이 trial-only 대비 62% 감소). 또한, 거의 모든 환자에게서 혜택을 확인했습니다(96.4%가 95% 이상의 사후 확률로 혜택을 받음). 반면, trial-only 분석은 환자의 4분의 1에 대해 결론을 내리지 못했습니다.
  • 이질성: 치료 혜택은 CD4 수치 및 인종에 따라 달라지는 것으로 나타났으며, CD4 수치가 높은 환자에게서 더 높은 혜택이 관찰되었습니다.

의의 및 주장
본 논문은 베이지안 퓨전 포레스트가 생존 데이터의 이질적 치료 효과 추정 맥락에서 측정되지 않은 교란, 소스 간 이질성, 그리고 우측 및 구간 중도 절단을 동시에 해결하는 첫 번째 방법이라고 주장합니다.

저자들은 다음과 같은 점을 강조합니다:

1. 무교란 가정(Unconfoundedness Assumption)의 완화: 교란 함수를 명시적으로 모델링함으로써, 데이터 융합 시 흔히 위반되는 RWD가 무교란이라는 가정을 피할 수 있습니다.
2. 적절한 정보 공유: 계층적 구조를 통해 RWD로부터 정보를 적응적으로 빌려와, 인과적 타당성을 해치지 않으면서 정밀도를 높입니다.
3. 보정된 불확실성 제공: 예측만을 목표로 하는 많은 머신러닝 예측기와 달리, 베이한 프레임워크는 개별 치료 효과에 대해 내재적이고 보정된 불확실성 정량화를 제공합니다.
4. 실행 가능한 통찰력 제공: HIV 적용 사례에서, 이 방법은 제한된 추적 관찰 기간과 검정력으로 인해 가려졌던 조합 요법의 거의 보편적인 이점을 식별함으로써, 결론이 불분명했던 임상 시험 결과를 해결했습니다.

저자들은 이 프레임워크가 가속 인자가 (공변량에는 의존하지만 시간에는 의존하지 않는) 시간 불변(time-invariant)임을 가정한다는 점을 언급하며, 이는 AFT 모델의 표준적인 가정임을 밝히고 향촉적인 확장을 통해 시간 의존적 효과를 포함할 수 있음을 시사했습니다. 재현성을 높이기 위해 소프트웨어 구현체도 공개되었습니다.