📈 economics

Estimating Pathway Treatment Effects in the Presence of Intermediate Events with Multi-State Data

본 논문은 중간 사건으로부터 발생하는 치료 유발 혼란(treatment-induced confounding)이 존재하는 상황에서 경로별 치료 효과를 식별하고 추정하기 위해 다상 전이(multi-state transitions)에 대한 가설적 개입을 사용하는 준모수적 효율적 프레임워크를 제안하며, 리라글루티드가 주로 심혈관 사건 매개를 통해 사망률을 감소시킨다는 것을 밝히기 위한 LEADER 임상 시험에 대한 적용을 입증한다.

원저자: Yuhao Deng, Haoyu Wei, Donglin Zeng, Rui Song, Xiao-Hua Zhou

게시일 2026-08-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yuhao Deng, Haoyu Wei, Donglin Zeng, Rui Song, Xiao-Hua Zhou

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

의사들이 새로운 약을 테스트할 때, 그들은 종종 그 약이 환자의 수명을 연장하는 데 도움이 되는지 관찰합니다. 하지만 삶은 단순히 알약을 복용하는 것에서 최종 결과로 이어지는 곧은 직선과 같지 않습니다. 그 과정 중에 환자들은 심장마비나 신장 문제와 같은 다른 건강상의 사건을 경험할 수 있으며, 이는 사망 위험을 변화시킬 수 있습니다. 이러한 중간 사건들은 복잡한 가능성의 그물을 만들어냅니다. 어떤 약은 심장마비를 예방함으로써 사망을 막는 방식으로 작용할 수 있습니다. 또는 중간의 변화 없이 직접적으로 심장에 작용할 수도 있습니다. 때로는 약이 한 가지 문제를 예방하는 동시에 또 다른 문제를 일으킬 수도 있습니다. 약이 어떻게 작용하는지 진정으로 이해하기 위해서 연구자들은 이러한 서로 다른 경로들을 풀어내야 합니다. 그들은 단지 약이 생명을 구하는지뿐만 아니라, 환자의 여정 중 정확히 어떤 단계에 약이 영향을 미치고 있는지를 알아야 합니다. 이는 과정 중에 발생하는 사건들이 그림을 혼란스럽게 만들어, 약이 직접 작로 작용하는지 아니면 연쇄 반응을 통해 작용하는지 구별하기 어렵게 만들기 때문에 까다로운 작업입니다.

한 연구팀은 임상 시험 데이터를 사용하여 이러한 숨겨진 경로를 지도화하는 새로운 방법을 개발했습니다. 데이터가 복잡한 사건들로 인해 종종 실패하는 기존의 경직된 규칙에 억지로 맞추려 하는 대신, 그들은 환자가 취할 수 있는 모든 개별 단계에 대해 "만약 ~한다면"이라는 시나리오를 상상하는 방법을 만들었습니다. 그들은 한 건강 상태에서 다른 상태로 이동하는 위험(예: 건강한 상태에서 심장마비 상태로 이동하는 것)을 독립적으로 조정할 수 있는 것으로 취급합니다. 수학적으로 특정 단계의 위험만을 변화시키고 나머지는 그대로 두는 세상을 시뮬레이션함으로써, 그들은 그 특정 전이에 대한 약의 효과를 분리해 낼 수 있습니다. 이 접근 방식은 관찰되지 않은 요인들에 대한 불가능한 가정을 세울 필요 없이, 시험 시작부터 최종 결과에 이르기까지 환자가 거칠 수 있는 모든 가능한 경로에 대한 약의 영향을 보여줍니다.

연구진은 이 새로운 방법을 심혈관 문제의 위험이 높은 제2형 당뇨병 환자 9,000명 이상을 대상으로 한 대규모 연구인 LEADER 임상 시험 데이터에 적용했습니다. 이 시험은 리라글루티드(liraglutide)를 위약과 비교 테스트했습니다. 연구진은 약물이 사망 위험에 어떻게 영향을 미치는지에 관심을 가졌으나, 사망은 다양한 방식으로 발생할 수 있다는 점을 알고 있었습니다. 즉, 심혈관계 사건으로 인한 직접적인 사망, 비심혈관계 원인으로 인한 사망, 또는 환자가 먼저 비치명적인 심장이나 신장 문제를 겪은 후의 사망 등이 그것입니다. 새로운 프레임워크를 사용하여 연구진은 시작부터 사망까지의 여정을 다섯 가지 뚜렷한 경로로 나누었습니다. 이 경로들에는 곧바로 사망에 이르는 경로, 주요 심장 사건을 먼저 겪는 경로, 신장 또는 안구 문제를 먼저 겪는 경로, 그리고 두 유형의 사건을 모두 거친 후 사망하는 더 긴 경로가 포함되었습니다.

분석 결과, 리라글루티드는 주요 심장 사건 및 신장 또는 안구 문제의 위험을 유의미하게 감소시켰습니다. 연구진이 이러한 감소가 사망 위험에 어떻게 영향을 미치는지 살펴보았을 때, 명확한 이야기가 드러났습니다. 이 약은 심장이나 신장과 관련 없는 원인으로 인한 사망을 예방하는 직접적인 효과는 없었습니다. 그러나 심장 사건 및 신장 손상의 위험을 줄이는 데 있어서는 강력한 직접적인 효과를 보였습니다. 결정적으로, 연구는 전체 사망률의 감소가 주로 이러한 중간 사건들을 차단하는 약의 능력에 의해 주도되었다는 것을 보여주었습니다. 심장마비와 신장 문제를 예방함으로써, 약은 간접적으로 사망 확률을 낮추었습니다. 연구진은 가장 유의미한 이점이 초기 심장 사건을 예방하는 데서 왔으며, 이것이 사망으로 이어지는 사건의 연쇄 고리를 끊어냈다는 것을 발견했습니다.

또한 연구는 약물에 숨겨진 부정적인 효과가 있는지, 혹은 알려지지 않은 요인들에 의해 결과가 왜곡되었는지 테스트했습니다. 그들은 측정되지 않은 변수들이 작용하더라도 자신들의 발견이 유효한지 확인하기 위해 시뮬레이션을 실행했습니다. 결과는 일관되게 나타났으며, 이는 숨겨진 요인의 영향력이 약하다는 것을 시사했습니다. 연구진은 약물의 생명을 구하는 힘이 거의 전적으로 심장 및 신장 손상이라는 특정 중간 사건을 막는 능력에서 온다는 결론을 내렸습니다. 이러한 수준의 상세함은 이전의 방법으로는 이만큼 명확하게 제공할 수 없었던 것입니다. 약이 작용하는 정확한 전이 지점을 지도화함으로써, 이 연구는 약의 기전에 대한 정밀한 관점을 제공합니다. 이는 고위험 환자들에게 있어 첫 번째 주요 혈관 사건을 예방하는 것이 생명을 연장하는 핵심임을 확인시켜 주며, 복잡한 실제 상황에서 치료제가 어떻게 작동하는지 의사들이 이해할 수 있는 새로운 도구를 제공합니다.

기술 요약: 다중 상태 데이터를 활용한 중간 사건 존재 하에서의 경로 치료 효과 추정

문제 제기
생존 종점을 평가하는 임상 시험에서, 환자들은 일차적인 최종 사건(예: 사망)에 도달하기 전 여러 차례의 중간 사건을 경험할 수 있다. 이러한 사건들은 경쟁 위험(competing risks) 및 준경쟁 위험(semi-competing risks)이 존재하는 복잡한 다중 상태 데이터 구조를 생성한다. 자연 효과(natural effects)나 분리 가능 효과(separable effects)와 같은 전통적인 매개 프레임워크는 이러한 맥락에서 한계가 있다. 자연 효과는 순차적 무시 가능성(sequential ignorability)에 의존하는데, 이는 중간 사건이 후속 전이(transition)에 대한 치료 유발 혼란 변수(treatment-induced confounder)로 작용할 때 위배된다. 분리 가능 효과는 치료를 특정 경로를 격리할 수 있는 구성 요소로 분해할 수 있어야 하는데, 이는 생물학적으로 식별 불가능한 경우가 많으며 질병 진행 과정에 내재된 관찰되지 않은 치료 유발 혼란을 설명하지 못한다. 결과적으로, 기존 방법론들은 측정되지 않은 혼란에 대한 검증 불가능한 가정을 하지 않고서는 특정 전이 경로에 따른 치료 효과를 식별하거나, 총 효과를 전이별, 사건별, 경로별 구성 요소로 분해하는 데 신뢰할 수 없다.

방법론
저자들은 다중 상태 데이터에 적합하도록 조정된 **무작위 중재 효과(randomized interventional effects)**에 기반한 프레임워크를 제안한다. 이 방법은 자연적 직접/간접 효과를 분리하려고 시도하는 대신, 가상의 중재를 통해 각 상태 간의 순간 위험(hazard, 전이율)에 개입하는 것을 구상한다.

가상 중재 (Hypothetical Interventions): 프레임워크는 상태 그래프의 각 전이 $(k, g)$ 에 대한 벡터 $a = (a_{kg})$ 를 정의한다. 중재 $a_{kg}=1$ 은 전이 위험을 치료군에서 관찰된 수준으로 설정하며, $a_{kg}=0$ 은 대조군 수준으로 설정한다. 이를 통해 특정 경로는 조작하고 다른 경로는 대조군 상태로 유지하는 반사실적 전이 궤적을 구축할 수 있다.
식별 가능성 (Identifiability): 상태 $j$ 에 도달하는 반사실적 누적 발생 함수(CIF)는 관찰된 데이터로부터 도출된 전이 위험을 적분함으로써 식별된다. 결정적으로, 이 방법은 위험(hazard)의 정의 내에서 잠재적인 치료 유발 혼란 변수를 주변화(marginalize)함으로써, 교차 세계 독립성(cross-world independence) 가정(순차적 무서 가능성) 없이도 추정량이 식별 가능하게 만든다.
추정 (Estimation):
- 효율적 영향 함수 (Efficient Influence Function, EIF): 저자들은 확장된 마르코프 가정(전이 위험이 과거 전이의 구체적인 시점이 아닌 방문한 상태의 집합에 의존한다는 가정) 하에서 반사실적 CIF에 대한 EIF를 도출한다.
- 다중 강건 추정량 (Multiply Robust Estimator): EIF를 사용하여 1단계 추정량(one-step estimator)을 구성한다. 이 추정량은 다음 중 하나가 올바르게 지정되면 일관성을 유지하는 다중 강건성을 갖는다:
  - 경로를 따르는 모든 전이 위험이 올바르게 지정됨; 또는
  - 성향 점수(propensity score)와 검열 위험(censoring hazard)이 올바르게 지정되고, 경로를 따르는 모든 전이 위험 중 단 하나를 제외한 나머지가 올바르게 지정됨.
- 효율성 (Efficiency): 이 추정량은 준모수적 효율성(semiparametrically efficient)을 가지며, 모델 가정 하에서 가능한 가장 낮은 점근적 분산을 달 die 달성한다.
추론 (Inference): 프레임워크는 제한 평균 생존 시간 손실(RMSTL)을 사용하여 가설 검정 방법을 제공하며, EIF 기반 추정량의 점근적 정규성에 기초하여 신뢰 구간을 구축한다.

주요 기여

새로운 추정량: 논문은 다중 상태 데이터를 위한 전이별, 사건별, 경로별 치료 효과를 정의하여, 연구자가 정확히 어디에서 어떻게 치료가 영향을 미치는지(예: 특정 전이나 특정 사건의 순서)를 파악할 수 있게 한다.
혼란에 대한 강건성: 무작위 중재 효과를 활용함으로써, 자연 효과에 요구되는 검증 불가능한 순차적 무서 가능성 가정이나 분리 가능 효과에 요구되는 생물학적으로 불합리한 구성 요소 격리 문제를 피한다. 이 방법은 측정되지 않은 치료 유발 혼란이 존재하는 상황에서도 유효하다.
통계적 효율성: EIF의 도출과 다중 강건하고 준모수적으로 효율적인 추정량의 구축은 다중 상태 환경에서 표준 플러그인(plug-in) 추정량이 갖는 비효율성과 모델 의존성 문제를 해결한다.
총 효과의 분해: 프레임워크는 최종 사건에 대한 총 치료 효과가 각 전이에 순차적으로 중재함으로써 발생하는 중재 효과들의 합으로 분해될 수 있음을 보여준다.

결과 (LEADER 임상 시험 적용)
저자들은 제 2형 당뇨병 환자를 대상으로 리라글루티드(liraglutide)가 심혈관 결과에 미치는 영향을 조사한 LEADER 임상 시험 데이터에 이 프레임워크를 적용하였다. 다중 상태 모델에는 기저 상태(O), 확장된 주요 심혈관 사건(EMACE, E), 미세혈관 사건(MVE, M), 그리고 사망(D)이 포함되었다.

직접 효과 (Direct Effects): 리라글루티드는 EMACE( $P=0.0013$ ) 및 MVE( $P=0.0040$ )의 위험을 감소시키는 유의미한 직접 효과를 보였다. 그러나 기타 원인에 의한 사망(other-cause death)에 대한 직접 효과는 유의미하지 않았다( $P=0.8638$ ).
경로별 효과 (Path-Specific Effects): 분석 결과, 전사망(all-cause mortality)의 감소는 주로 EMACE를 포함하는 경로를 통해 매개된다는 것이 밝혀졌다. 구체적으로, $O \to E \to D$ 경로를 따르는 경로별 효과는 유의미했으며, 이는 제한 평균 생존 시간의 이득에 기여했다. $O \to D$ 의 직접 경로를 따르는 효과는 미미했다.
기전 (Mechanism): 연구는 리라글루티드가 주로 비치명적 EMACE 및 MVE를 예방함으로써 전사망을 감소시킨다고 결론지었다. 이는 결과적으로 사망 위험을 낮춘다. 리라글루티드는 비심혈관성 사망 원인에 직접적인 영향을 미치는 것으로 보이지 않는다.

의의 및 주장
본 논문은 제안된 프레임워크가 생존 분석에서 복잡한 치료 기전을 해부하기 위한 엄격하고 가정이 적은 접근법을 제공한다고 주장한다. 검증 불가능한 인과적 가정에서 벗어나 전이 위험에 대한 가상의 중재으로 전환함으로써, 이 방법은 각 전이, 각 사건, 그리고 각 경로를 통한 치료 효과를 조사할 수 있게 한다. 저자들은 이 접근법이 최적의 동적 치료 정책을 개발하는 데 정보를 제공할 수 있으며, 단순히 전체 생존 결과만을 보는 것이 아니라 특정 생물학적 경로(예: 고위험 EMACE 전이를 표적으로 하는 것)를 식별함으로써 약물 효능과 안전성에 대한 이해를 높일 수 있다고 단언한다. 논문은 본 방법이 측정되지 않은 혼란이 존재하는 상황에서도 유용한 지식을 회복할 수 있지만, 시변 혼란(time-varying confounding)이 실제 효과를 상쇄할 경우 "날카로운(sharp)" 인과 효과를 회복한다고 주장하는 것은 아니며, 오히려 추가적인 생물학적 조사를 촉발하기 위한 견고한 근거를 제공하는 데 목적이 있다고 명시한다.

유사한 논문