📄 other

Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation

본 논문은 전자 건강 기록 내의 불완전한 고차원 종단적 이진 데이터를 효과적으로 복구하여 기존 방식에 비해 역학적 추정치의 편향을 유의미하게 줄이는 계산 가능한 확장성을 갖춘 다중 대치 방법으로서, 클러스터 로지스틱 요인 및 랜덤 효과(Clustered Logistic Factor with Random Effects, CLF-RE) 프레임워크를 소개하고 검증한다.

원저자: Pinyan Liu, John Rong Hao Tay, Gustavo G. Nascimento, Marco A. Peres

게시일 2026-07-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pinyan Liu, John Rong Hao Tay, Gustavo G. Nascimento, Marco A. Peres

원본 논문은 CC BY 4.0 (https://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

거대한 직소 퍼즐을 맞추고 있다고 상상해 보세요. 하지만 상자를 볼 때마다 누군가 몰래 퍼즐 조각 몇 개를 빼간 상태입니다. 의학계에서 이러한 퍼즐은 종종 수년에 걸쳐 환자들로부터 수집된 데이터, 즉 '종단적(longitudinal)' 연구로 만들어집니다. 때로는 조각들이 단순히 사라진 것이 아니라, 특정한 패턴을 가지고 사라지기도 합니다. 예를 들어, 환자의 치아가 아프다면 치과의사가 이를 꼼데히 기록하겠지만, 치아가 아주 건강해 보인다면 시간을 아끼기 위해 기록하지 않고 건너뛸 수도 있습니다. 이는 '계층적(hierarchical)' 문제를 발생시킵니다. 데이터는 단순히 평면적인 목록이 아니라 층층이 구조화되어 있기 때문입니다. 환자를 하나의 큰 상자라고 한다면, 그 상자 안에는 치아들이 있고, 각 치아 안에는 치과 의사가 잇몸 질환을 확인하는 아주 작은 지점들이 있습니다. 만약 치과의사가 일부 지점을 확인하는 것을 건너뛴다면, 환자의 건강에 대한 전체적인 그림은 흐릿해집니다. 과학자들은 이 흐릿한 그림을 가지고 질병의 원인을 연구하려 할 때, 특정 위험 요인(예: 흡연)이 실제보다 덜 위험하다고 오해하여 잘못된 결론에 도달할까 봐 우려합니다.

이 논문은 매우 구체적이고 중대한 버전의 퍼즐인 치과 기록 문제를 다룹니다. 치과의사는 한 번의 방문 동안 사람의 입안에서 최대 192개의 미세한 지점을 확인합니다. 현실에서는 매번 192개 지점을 모두 확인하는 경우가 드뭅니다. 연구진은 질문했습니다. "우리가 수학을 사용하여 누락된 지점들을 충분히 정확하게 '추측'하여 흐릿한 그림을 바로잡을 수 있을까?" 그들은 '클러스터 로지스틱 팩터(Clustered Logistic Factor, CLF)' 대치법이라는 새로운 방법론을 테스트했습니다. 이 방법을 생각한다면, 이는 마치 치아의 한 지점이 아프면 그 바로 옆 지점들도 아플 가능성이 높다는 것과, 환자가 지난 방문 때 잇몸 상태가 좋지 않았다면 이번에도 그럴 것이라는 점을 알고 있는 초스마트 탐정과 같습니다. 연구팀은 이 탐정을 다른 방법들과 비교했습니다. 예를 들어, 미세한 지점들을 무시하고 환자 전체를 보고 추측하는 단순한 추측가나, 모든 연결 고리를 기억하려고 노력하지만 수학적 과부하로 인해 환자가 너무 많으면 시스템이 멈춰버리는 복잡한 기계와 비교했습니다.

주요 결과는 누락된 데이터로 인한 '흐릿한 그림'이 심각한 문제라는 것입니다. 연구진이 누락된 데이터를 시뮬레이션했을 때, 위험 요인(예: 흡연, 당뇨병, 연령)과 잇몸 질환 진행 사이의 연결 고리가 최대 4배까지 약해진다는 것을 발견했습니다. 마치 질병이 자신의 진정한 위력을 숨기고 있는 것과 같았습니다. 그러나 새로운 CLF 탐정 방법을 사용하여 누락된 지점들을 채워 넣었을 때, 그림은 다시 선명해졌습니다. 이 방법은 불완전한 데이터를 그대로 보았을 때보다 오류를 3배에서 15배까지 줄이며 실제 연결 고리의 강도를 성공적으로 회복해 냈습니다.

또한 이 논문은 몇 가지 흔한 접근 방식에 대해 명시적으로 반박합니다. 환자들이 전반적으로 얼마나 유사한지를 보고 추측하는 'K-최근접 이웃(K-nearest neighbors)'이라는 단순한 방법은 퍼즐의 구체적인 배치를 무시하는 탐정처럼 성능이 저조함을 보여줍니다. 또한, 계층 구조의 모든 층을 고려하려는 더 복잡한 표준 방법인 'MICE-2l.bin'은 환자가 많을 때 컴퓨터가 감당하기에 너무 무겁다는 것을 입증했습니다. 환자가 100명을 넘어가면 실제로 메모리가 부족하여 시스템이 멈춰버립니다. 저자들은 개별 지점을 예측하는 데 있어서는 'MICE-logreg'와 같은 더 단순한 방법이 자신들의 새로운 방법만큼 잘 작동하지만, 치아의 '클러스터링'된 특성을 이해할 만큼 똑똑하면서도 대규모 집단을 위해 일반 컴퓨터에서 실행될 수 있을 만큼 가벼운 방법은 자신들의 새로운 CLF 방법뿐이라고 제안합니다.

싱가포르의 환자 721명을 대상으로 실제 데이터를 테스트했을 때, 결과는 놀라웠습니다. 불완전한 기록들은 경증 및 중등도 잇몸 질환의 실제 수치를 숨기고 있었습니다. 누락된 부분을 채움으로써, 연구진은 실제 질병 유병률이 불완전한 기록이 보여주는 것보다 7~11%포인트 더 높다는 것을 발견했습니다. 결국 '누락된' 데이터는 무작위가 아니었습니다. 시스템이 초기 단계의 문제들을 체계적으로 과소 집계하고 있었던 것입니다. 논문은 결론적으로, 이 방법이 모든 것을 해결하는 마법 지팡이는 아니지만(데이터 누락이 확률 법칙을 깨뜨릴 정도로 질병과 완벽하게 결합되어 있다면 여전히 어려움을 겪습니다), 전자 건강 기록에서 질병의 실제 규모를 파악하여 상황을 과소평가하는 것을 방지할 수 있는 실용적이고 확장 가능한 도구라고 밝히고 있습니다.

기술 요약: 종단적 EHR 내 불완전한 클러스터형 이진 데이터의 복구

문제 정의
종단적 전자 건강 기록(EHR)은 고차원의 반복적인 임상 결과에 대한 역학적 분석을 점점 더 많이 지원하고 있다. 그러나 계층 구조(예: 치아 내 병소, 환자 내 병소, 개인 내 관절) 내에서 이진 결과가 반복적으로 측정될 때, 기록이 불완전한 경우 심각한 분석적 과제가 발생한다. 표준적인 완전 사례 분석(complete-case analyses)이나 클러스터링된 측정치를 독립적이라고 간주하는 임퓨테이션(imputation) 방법은 임상 위험 요인(예: 흡연, 당뇨병)과 질병 진행 사이의 연관성을 약화시키는 상당한 편향을 초래할 수 있다.

구조적 결손(예: 발치된 치아)과 불완전한 기록(예: 시간 제약 또는 환자의 불편함으로 인한 미측정 부위) 사이에는 결정적인 차이가 존재한다. 구조적 결손은 임퓨테이션이 불가능하지만, 불완전한 기록은 복구가 가능한 데이터이다. 현재의 방법들은 이를 구분하지 못하거나 치과 차팅(peridontal charting)의 192개 부위 수준 측정값과 같은 고차원 클러스터형 이진 데이터에 대한 확장성이 부족한 경우가 많다. 기존의 클러스터 인지형 임퓨테이션 방법인 다중 대치법(MICE-multilevel multiple imputation by chained equations)은 고차원 설정에서 계산적 불가능성에 직면하곤 한다.

방법론
저자들은 클러스터 로지스틱 요인(Clustered Logistic Factor, CLF) 다중 임퓨테이션 프레임워크를 종단적 계층 데이터로 확장하였다. 연구는 세 부분의 설계로 구성되었다:

시뮬레이션 벤치마킹: 50, 100, 또는 200명의 환자, 각 환자당 3회의 방문 및 192개의 이진 부위를 가진 데이터셋을 생성하였다. 결측치는 무작위 결측(MCAR) 및 비무작위 결측(NMAR) 메커니즘 하에서 결측률과 탈락률을 달리하여 도입되었다.
다운스트림 분석: 임퓨테이션이 노출-결과 연관성(연령, 흡연, 당뇨병 vs 질병 진행)을 복구하는 데 미치는 영향을 평가하였다.
실제 적용: 이 방법을 721명의 환자를 포함하는 종단적 치주 차트를 가진 싱가포르 국립 치과 센터 구강 질환 레지스트리(ODR)에 적용하였다.

CLF 프레임워크 및 확장

핵 Core 모델: CLF 모델은 한계 로지스틱 평균 모델(marginal logistic mean model)과 구조화된 작업 상관 모델(structured working correlation model)을 결합한다. 이는 특정 환자-방문 클러스터 내의 특정 부위에서의 질병 한계 확률을 모델링하며, 연령, 흡연, 당뇨병, 턱, 치아 위치, 부위 위치와 같은 공변량을 포함한다.
상관 구조: 부위 간의 쌍별 상관관계는 해부학적 근접성(치아, 인접성, 사분면)을 기반으로 모델링된다. 이 파라미터들은 표준화된 피어슨 잔차의 쌍별 곱을 회귀함으로써 추정된다.
임퓨테이션 과정: 결측된 부위는 적합된 평균 및 공분산 구조로부터 도출된 조건부 베르누이 표집(conditional Bernoulli draws)을 사용하여 순차적으로 임퓨테이션된다. 불확실성은 $M=10$ 번의 임퓨테이션에 걸쳐 대표본 정규 근사를 통해 모델 파라미터로부터 표본 추출함으로써 전파된다.
CLF-RE 확장: 반복되는 방문 간의 개인 간 이질성을 설명하기 위해, 일반화 선형 혼합 모델(GLMM)을 사용하는 환자 수준 랜덤 절편 확장 모델인 CLF-RE가 개발되었다. 만약 랜덤 효과 분산이 미미하다면, 모델은 표준 GLM으로 회귀한다.

비교 대상
CLF 및 CLF-RE 방법은 다음 모델들과 비교되었다:

MICE-logreg: 부위를 독립적으로 취급하여(클러스터링을 무시함) 로지스틱 회귀를 사용하는 표준 MICE.
MICE-2l.bin: 환자-방문을 레벨-2 그룹화로 명시적으로 모델링하는 다층 이진 임퓨테이션.
KNN: 공변량 거리에 기반한 K-최근접 이웃 임퓨테이션.

주요 결과

편향 완화: 불완전한 기록은 다운스트림 분석에 상당한 편향을 일으켰다. MCAR 시나리오에서, 관찰된 데이터는 흡연, 당뇨병, 연령과 질병 진행 사이의 연관성을 최대 4배까지 약화시켰다. CLF-RE는 이러한 약화를 대부분 복구하여, 관찰된 데이터 대비 3~15배의 편향 감소를 달eric했다.
성능 지표:
- CLF, CLF-RE, MICE-logreg는 부위 수준 판별력(AUC 0.77–0.85) 측면에서 유사한 성능을 보였으며, 환자 수준 질병 부담 편향을 관찰된 데이터의 -77 ~ -117개 부위에서 임퓨테이션 후 ±7~13개 부위 이내로 줄였다.
- KNN은 낮은 성능을 보였다 (AUC 0.57–0.72).
- MICE-2l.bin은 중간 정도의 판별력(AUC 0.72)을 보였으나, 메모리 할당 실패로 인해 고차원 설정에서 100명 이상의 개인을 가진 샘플 크기에 대해 계산적으로 불가능했다.
실제 적용: 싱가포르 치과 레지스트리에서, 불완전한 차팅은 경도-중등도 질병 부담의 유병률을 7~11%포인트 과소평가했다. 임퓨테이션은 특히 초기 단계 질병에 대해 이러한 과소 산출을 교정하였으나, 중증 질환 추정치는 거의 변하지 않았다.
확장성: CLF 및 CLF-RE는 200명 이상의 환자 샘플 크기까지 효과적으로 확장되었으나, MICE-2l.bin은 $n=100$ 을 초과할 때 실패하였다.

의의 및 주장
본 논문은 CLF 프레임워크가 고차원 클러스터형 이진 결과를 가진 종단적 역학 연구를 위한 계산적으로 확장 가능한 다중 임퓨테이션 접근법을 제공한다고 주장한다. 이 연구의 주요 의의는 이론적으로 적절한 다층 방법(예: MICE-2l.bin)이 계산적으로 비현실적인 상황에서 발생하는 방법론적 공백을 해결한다는 점에 있다.

저자들은 시뮬레이션에서 CLF와 표준 MICE-logreg가 유사한 성능을 보였다고 언급했는데, 이는 풍부한 공변량 세트(치아 위치, 턱, 부위 위치)가 공간적 의존성을 상당 부분 포착했기 때문으로 보인다. 그러나 CLF 프레임워크는 클러스터링을 명시적으로 존중하면서도 대규모 고차원 데이터에 대해 실행 가능성을 유지한다는 점에서 뚜렷한 장점을 가진다. 연구는 불완전한 기록이 계층적 EHR에서 질병 부담을 체계적으로 과소평가하고 위험 요인 연관성을 약화시키며, 특히 다층 대안이 계산적 제약으로 인해 실패하는 환경에서는 클러스터 인지형 임퓨테이션이 필수적이라고 결론지었다. 저자들은 이 프레임워크가 반복적인 계층적 측정이 있는 다른 EHR 설정(예: 안과, 류마티스 내과)에도 널리 적용될 수 있을 것으로 제안하지만, 해당 영역에서의 경험적 검증은 향후 과제로 남겨두었다.

유사한 논문