A Bayesian hierarchical push-forward method for cluster Randomized Controlled Trial power calculations in complex humanitarian settings

기술 요약: 복합 인도주의적 환경에서의 cRCT 전력 계산을 위한 베이지안 계층적 푸시 포워드(Push-Forward) 방법론

문제 제기
인도주의적 위기 상황(예: 난민 캠프, 분쟁 지역)에서의 클러스터 무작위 대조 시험(cRCT) 설계는 표준적인 빈도주의적 검정력 계산이 적절히 다루지 못하는 독특한 과제들을 안겨준다. 이러한 환경은 핵심 설계 파라미터, 즉 중재 효과(intervention efficacy), 클러스터 내 상관계수(ICC), 그리고 가장 결정적으로 탈락률(attrition, 추적 실패)에 대한 극심한 불확실성을 특징으로 한다. 이러한 환경에서는 이주, 자원 제약, 안전 문제 등으로 인해 불균질한 추적 관찰율과 클러스터 전체의 완전한 손실이 발생할 수 있다. 전통적인 방법들은 이러한 파라미터들에 대해 점 추정치(point estimates)에 의존하며, 이는 예상치 못한 데이터 손실로 인해 실제 시험 검정력이 허용 가능한 임계값(예: 80%) 미만으로 떨어질 상당한 위험을 은폐하는 단일 검정력 값을 산출한다. 현재 문헌에는 cRCT 설계 단계에서 결측(missingness)에 대한 사전 정보와 불확실성을 명시적으로 통합하는 베이지안 설계 방법에 대한 공백이 존재한다.

방법론
저자들은 **푸시 포워드 검정력 분포(Push-Forward Power Distribution, PFPD)**를 생성하는 베이지안 설계 프레임워크를 제안한다. 이 접근 방식은 점 추정치를 넘어 설계 파라마터의 불확실성을 고려하여 검정력의 전체 분포를 특징짓는다. 이 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 역사적 데이터의 계층적 모델링: 프레임워크는 이전에 완료된 시험(또는 사전 정보)의 데이터를 활용하여 주요 파라미터인 치료 효과($\delta$), 결과 ICC ($\rho$), 추적 관찰율 ($\pi$), 그리고 탈락 ICC ($\tau$)에 대한 사후 분포를 추정한다. 계층적 모델을 통해 여러 연구로부터 정보를 공유(borrowing strength)할 수 있으며, 각 시험별 파라미터를 하이퍼파라미터에 의해 정의된 모집단 분포에서 추출된 것으로 모델링한다.
2. 탈락 및 결과 모델:
   • 탈락: 모델은 클러스터별 추적 성향을 베타 분포를 따르는 잠재 변수로 취급한다. 이를 통해 평균 추적 관찰율($\pi$)과 탈락 ICC($\tau$)를 도출할 수 있으며, $\tau$는 결측의 클러스터 내 상관관계(무작위 결측부터 클러스터 전체의 손실까지)를 정량화한다.
   • 결과: 이진(binary) 결과를 모델링하기 위해 로짓 링크를 가진 일반화 선형 혼합 효과 모델(구체적으로는 베르누이 결과 모델)을 사용하며, 결과 ICC를 추정하기 위해 클러스터를 위한 정규 분포 잠재 효과를 포함한다.
3. 푸시 포워드 매핑(Push-Forward Mapping): 핵심 혁신은 "푸시 포워드" 메커니즘이다. 파라미터를 점 추정치로 고정하는 대신, 설계 파라미터($\Theta$)의 사후 분포로부터 샘플을 추출한다. 이 샘플들은 결정론적 매핑 함수($f$)를 통해 전달되는데, 이 함수는 탈락을 고려한 cRCT의 표준 표본 크기/검정력 공식(분산 팽창 계수 $G$ 포함)이다. 이 과정은 검정력 값의 경험적 분포($P(\xi | D, \Gamma)$)를 생성한다. 여기서 $\xi$는 검정력을 나타내며, $D$는 역사적 데이터, $\Gamma$는 고정된 설계 제약 조건(예: 클러스터 수 $n$, 클러스터당 개인 수 $m$)을 나타낸다.

주요 기여

• 새로운 프레임워크: 탈락(개인 및 클러스터 수준 모두)에 대한 불확실성을 검정력 계산에 명시적으로 통합하여, 복합적인 환경에 특화된 베이지안 전략을 도입했다.
• 푸시 포워드 분포: 기존의 ICC 추정 방법(예: Turner et al.)을 탈락 파라미터까지 포함하도록 확장하여, 단일 점 추정치가 아닌 검정력의 분포적 표현을 제공한다.
• 실용적 구현: 저자들은 복잡한 계산을 조사자들이 쉽게 접근할 수 있도록 공개 가능한 R Shiny 애플리케이션을 개발하여 배포하였으며, 이를 통해 표본 크기와 파라미터 불확실성이 검정력에 미치는 영향을 상호작로 탐색할 수 있게 하였다.
• 실제 적용: 이 방법은 방글라데시 콕스 바자르(Cox's Bazar)에서 진행될 예정인 심혈관 질환 및 C형 간염에 대한 커뮤니티 보건 요원 개입 cRCT 설계를 위해 적용되었다.

결과

• 시뮬레이션 연구: 저자들은 표본 크기, 치료 효과, 탈락률을 변화시키며 시뮬레이션을 수행했다.
  • 시뮬레이션 결과, 빈도주의적 점 추정치와 PFPD 중앙값이 적절한 검정력(예: >80%)을 시사하더라도, PFPD는 실제 검정력이 허용 가능한 임계값 미만으로 떨어질 수 있는 상당한 확률(꼬리 위험, tail risk)을 드러내는 경우가 많았다.
  • 예를 들어, 빈도주의 추정치가 83%이고 PFPD 중앙값이 92%인 시나리오에서도, 실제 검정력이 80% 미만일 확률이 35%에 달할 수 있음을 보여주었다.
  • 또한, 클러스터 크기를 늘리는 것이 특정 총 표본 크기에 도달할 때까지는 검정력 안정성에 한계 효용이 있다는 점을 밝혀냈는데, 이는 PFPD의 분포 형태를 통해 포착되는 미묘한 차이이다.
• 방글라데시 적용: 미얀마에서 완료된 유사한 시험의 데이터를 사용하여 방글라데시 시험 설계에 적용하였다:
  • 저자들은 무작위 개인 결측부터 클러스터 전체 탈락까지 아우르는 6가지 시나리오를 평가했다.
  • 탈락 파라미터의 변동(특히 클러스터 탈락 시나리오)에도 불구하고, PFPD는 충분한 검정력을 확보할 확률(중앙값 $\ge$ 0.87)이 높음을 나타냈다.
  • 그러나 분석을 통해 위험 또한 정량화했다. 가장 낙관적인 시나리오에서도 검정력이 부족할 확률이 최대 0.35에 달했으며, 이는 표준 점 추정치 계산에서는 보이지 않는 위험이다.

의의 및 주장
본 논문은 데이터 손실을 예측하는 전략을 공식화함으로써, 인도주의적 맥락에서 더 견고하고 효율적인 cRCT를 위한 토대를 제공한다고 주장한다. 본 연구의 의의는 "검정됨/검정되지 않음"이라는 이분법적 결정에서 벗어나, 시험 운영 특성에 대한 확률적 이해로 패러다임을 전환하는 데 있다. 검정력의 불확실성을 정량화함으로써, 이 방법은 조사자들이 표본 크기와 자원 배분에 대해 더 정보에 입각한 결정을 내릴 수 있게 하며, 인도주의적 환경의 내재적 불안정성을 인정하게 한다. 저자들은 이 접근 방식이 높은 수준의 탈락이 전형적인 환경에서 보건 개입에 대한 증거 기반을 강화함으로써, 시험 설계가 회복 탄력성을 갖추도록 보장한다고 주장한다. 저자들은 현재 이 연구가 이진 결과(binary outcomes)에 집중하고 있고 적용 단계에서 단일 소스의 사전 데이터에 의존하고 있다는 한계를 언급하며, 향-연속형 결과(continuous outcomes) 및 다중 데이터 소스로의 확장을 제안하는 등 신중한 태도로 주장을 펼치고 있다.