Improved Survival in Multiple Myeloma with Early Precursor Detection

Wed, 01 Oct 2025 00:00:00 +0000

개요

다발골수종(Multiple Myeloma, MM) 환자에서 전구 질환(MGUS, smoldering MM)의 사전 진단 여부에 따라 생존 확률이 어떻게 달라지는지 비교 분석한 전국 규모 후향적 코호트 연구입니다. 조기 검진(early detection)이 생존률을 높임을 입증해, MM 환자에 대한 초기 단계 screening의 임상적 가치를 제안했습니다.

데이터

건강보험심사평가원(Health Insurance Review and Assessment Service, HIRA) 빅데이터 약 5천만 명 코호트에서 SQL을 활용해 MGUS, smoldering MM, de novo MM 환자군을 정의하고 추출했습니다.

분석 방법

선택 편향을 보정하기 위해 inverse probability of treatment weighting (IPTW) 매칭을 적용하고, weighted survival curve와 marginal Cox proportional hazards 분석으로 그룹 간 생존 확률을 비교했습니다. 분석은 R과 SAS로 구현했습니다.

성과

S. Choi, S.S. Park, C.H. Lee, et al., “Improved Survival in Multiple Myeloma Following Prior Detection of Precursor Conditions: A Nationwide Real-world Study,” Blood Cancer Journal, Oct. 2025.

Causal Inference: PSM, IPTW, CCW, Target Trial Emulation

Tue, 26 Aug 2025 00:00:00 +0000

왜 인과추론이 필요한가

후향적 연구 (registry data, 건강보험·심평원 청구 데이터 등) 는 RCT처럼 미리 정의된 조건으로 데이터를 수집한 게 아니다. bias가 존재할 수밖에 없다.

예) 새로운 약 효과를 보기 위해 두 그룹 (약 먹은 vs 안 먹은) 비교.

임상시험: randomization으로 baseline 통제 → 순수한 약 효과 (causal effect).
후향적 연구: 이미 모인 데이터 → 두 그룹의 baseline이 다를 수 있음.

→ 요는, 후향적 연구를 통계 기법으로 최대한 임상시험처럼 셋팅하는 것.

카운터팩추얼 프레임

각 개인에게 두 개의 잠재적 결과가 있다고 가정:

$Y^{a=1}$ : “약을 먹었다면” 의 결과
$Y^{a=0}$ : “약을 먹지 않았다면” 의 결과

진짜 인과효과는 $E[Y^{a=1}] - E[Y^{a=0}]$ — 평행세계의 약 먹은 나 vs. 평행세계의 약 안 먹은 나 의 차이.

문제: 한 사람에게 한쪽만 관측됨. 그래서

$$E[Y^{a=1}] = E[Y \mid A=1] \quad \text{(?)}$$

이 등식이 성립하려면 가정이 필요하다.

조건부 독립 (Strongly Ignorable Assignment)

$$Y^a \perp A \mid X$$

모든 confounder $X$ 가 주어졌을 때, 잠재적 결과 $Y^a$ 와 treatment 배정 $A$ 가 독립이라는 가정.

이게 성립하면

$$E[Y^{a=1}] = E[Y \mid A=1, X = x_0] \cdot \text{(for any specific } x_0\text{)}$$

그리고 marginalization으로

$$E[Y^{a=1}] = \sum_x E[Y \mid A=1, X=x]\, P(X=x)$$

즉, 공변량 $X$ 가 충분히 주어지면 인과효과를 추정할 수 있다. 이 marginalization을 통계 기법으로 풀어내는 게 PS / IPTW.

ATE vs ATT — 무엇을 추정할 것인가

추정량	정의	누가 쓰나
ATE (Average Treatment Effect)	$E[Y^{a=1}] - E[Y^{a=0}]$	IPTW
ATT (Average Treatment effect on the Treated)	$E[Y^{a=1} - Y^{a=0} \mid A=1]$	PSM (matching)

매칭은 treated 군에 untreated 자료를 짝지어 가져오므로, treated 군에 한정된 효과만 정확히 본다 → ATT.

ATT의 해석은 까다롭다 — 일반적으로 정책 평가처럼 “정책 시행군 전체에 대한 효과"를 보고 싶을 때 사용된다 (정책 시행 후엔 모두가 시행군이라 ATT가 자연스러움).

IPTW는 전체 모집단에 대한 효과 (ATE) 를 직접 추정 → 인과효과로 해석하기 가장 쉽다. 최근 임상연구의 흐름은 매칭보다 IPTW로 점점 이동.

기존 회귀(Adjusted) vs 인과추론

회귀모형에 그냥 공변량을 다 넣어 보정하는 흔한 방법:

$$\text{lm}(y \sim a + x)$$

이때 회귀 계수는

$$E[Y \mid A=1, X] - E[Y \mid A=0, X]$$

이고, 보고 표기는 Adjusted risk ratio / Adjusted HR 등.

문제점:

공변량 $X$ 가 conditioning 된 상태에서의 효과 — “성별·연령이 고정된 채 약 변수만 1 증가했을 때 효과” 라는 의미.
진짜 약효 (marginal causal effect) 와 해석이 다름.

용어 구분:

Conditional model — 공변량을 모형 안에 넣어 보정 (회귀의 표준)
Marginal model — weight를 주어 보정 (IPTW + univariate)

→ 임상 논문 읽을 때 conditional/marginal HR 구분이 중요.

Crude vs Causal

매칭 후 단순 비교:

coxph(Surv(time, event) ~ group, data = matched_df)

→ 매칭으로 균형이 맞춰졌으니 결과는 단순 crude HR이 아니라 causal HR 로 부를 수 있다.

매칭 안 한 raw 비교는 crude HR. 이 둘을 구분해서 보고하는 게 좋다.

Propensity Score Matching (PSM)

공변량이 비슷한 사람끼리 두 그룹 간 짝지어 분석.

propensity score $P(A=1 \mid X)$ 를 logistic regression으로 추정.
점수가 비슷한 treated/untreated 짝을 매칭.
모든 case가 1:1로 맞춰진 후엔 단순 비교 (coxph(Y ~ A)) 가 곧 인과 효과 추정.

단점:

$n$ 수가 줄어든다 (짝 안 맞는 케이스 제거).
매칭 결과 자체가 진짜 causal effect인지 약간 애매할 수 있음 (causal risk difference).
treated 기준이라 ATT 추정.

임상 국룰: greedy matching (1:1 nearest matching) + caliper.

IPTW (Inverse Probability of Treatment Weighting)

매칭의 반대. 짝짓는 대신 weight를 주어 balance를 맞춘다.

직관: 남자 3명, 여자 6명 → 남자에 weight 2를 주면 6:6. 이 weight 2 가 곧 $1/P(A=1 \mid X)$.

$$w_i = \frac{1}{P(A_i=1 \mid X_i)}$$

이 weight를 분석에 넣으면 단변량 회귀로도 인과효과를 얻는다:

coxph(Surv(time, event) ~ group, data = df, weights = df$weights)

장점:

$n$ 수 유지.
ATE 직접 추정.
인과효과 해석이 가장 쉽다.

Weight의 직관

ID 1번이 weight 2로 들어갔다 = 그 사람을 2명으로 복제했다고 생각하면 됨.

실제로 표본 수가 늘어나는 게 아니라 cox 점수에 weight를 곱하는 형태로 처리.

소수점 weight도 같은 직관.

R 구현 흐름

PSM도 IPTW도 출발점은 같다 — propensity score 추정:

glm(group ~ age + sex + comorbidities, data = df, family = binomial(link = "logit"))

이 확률값으로 짝지으면 → PSM
이 확률의 역수를 weight로 쓰면 → IPTW

Stabilized Weight + Truncation (실무 국룰)

“stabilized 넣고 weight truncation까지 하는 건 국룰이다.”

왜 stabilized?

극단적인 표본 비대칭에서 weight가 폭발한다. 예: 남자 3명, 여자 30만명 → 남자 weight가 십만 단위. glm이 안 돌아가고, 운 나쁘게 그 3명 중에 사건이 몰리면 분석이 왜곡된다.

해결: 분자에 marginal probability 를 곱해 weight를 안정화.

$$w_i^{\text{stab}} = \frac{P(A_i=a)}{P(A_i=a \mid X_i)}$$

결과에 영향을 주지 않으면서 분산을 안정화.
weight의 평균이 1 → 표본 수가 유지된다.

왜 truncation?

stabilized 후에도 극단적으로 큰 weight 케이스가 남는다. 다변량 공변량에서 특정 조합이 매우 드문 경우 (예: 20대 + 특정 질환 + 특정 약 동반).

해결: 99% percentile (또는 1% 양쪽 자르기) 위 weight를 cap.

“weight 4의 99% percentile, 100%가 32라고 하면 → 32 같은 outlier를 4로 바꾼다. 99% 이상은 다 4 4 4 …”

논문 인용은 Peter Austin 의 stabilization / truncation 원논문이 보통.

R에선 보통 함수로 묶음 (get_sw(formula, data, trunc_cut = 0.01) 같은 형태).

CBPS (Covariate Balancing Propensity Score)

기본 IPTW로 balance가 안 맞을 때, balance를 명시적으로 maximize하도록 PS를 추정하는 변종 (GMM 기반).

실무 의견: “거의 안 쓴다.” JAMA 등 임상 저널 게재 사례가 적고, reviewer 설득이 까다롭다. 정책학에서는 종종 사용.

대신 우리는 interaction term을 하나씩 넣어가며 balance를 맞춘다:

# 기본
glm(group ~ x1 + x2 + x3, ...)

# balance 안 맞으면
glm(group ~ x1 + x2 + x3 + I(x1^2) + x1:x2, ...)

연속형 변수 제곱항, 변수 간 interaction을 시도해 SMD가 떨어질 때까지 조정.

Balance Check

매칭/가중 결과가 잘 맞았는지 확인하는 진단:

SMD (Standardized Mean Difference) $< 0.1$ — 균형 OK
Love plot — 변수별 SMD를 시각화 (matching/weighting 전·후 비교)

Robust Sandwich Estimator (매칭/가중의 짝꿍)

PSM, IPTW를 적용하면 신뢰구간이 인위적으로 줄어들어 p-value가 유의하게 잘못 나올 수 있다.

원래 분산 공식은 어떤 역행렬 가정에 기반함.
weight를 쓰면 그 가정이 깨지므로 분산이 과소추정된다.

해결: robust sandwich estimator — 분산 식이 $I S I$ 모양 (한 항이 더 추가). 이름의 유래는 그 모양.

매칭/가중 ↔ Robust estimator 짝꿍처럼 기억.

추가 분석에서 robust estimator로 바꿨다가 결과가 뒤집히는 사례가 있어 반드시 같이 써야 함.

HR vs Risk Difference Ratio

전통적으로 생존분석은 hazard ratio (HR) 만 보고했지만, 최근 trend는 HR + risk difference / risk ratio 를 같이 보는 것.

HR은 proportional hazard 가정에 의존 → 가정 위배 시 해석 위험.
Risk Ratio는 cumulative incidence curve의 각 시점에서의 risk를 비교 → 가정 더 자유로움.
Time-specific hazard는 시간에 따라 위험이 변하지만, proportional hazard ratio는 그 평균 한 값으로 보고 → 해석 모호.

Immortal Time Bias

치료군 vs 비치료군 비교 시 index date를 어떻게 잡느냐 가 핵심.

치료군의 index date = 치료 시점 → 그 시점까지 사망하지 않은 사람만 치료군에 들어감.
비치료군은 그런 비대칭이 없음.
결과적으로 치료군에 “사망하지 않을 운명” 의 시간(immortal time)이 부여됨 → bias.

전통적 보정: landmark analysis (landmark 이전 사망자 제외).

문제:

전체 모집단이 아니라 “landmark까지 살아남은 사람” 만의 효과 → selection bias, 해석 어려움.
Time-varying Cox 등 보조 도구가 필요해짐.

Clone Censor Weighting (CCW)

최신 흐름. 한 사람을 양쪽 그룹에 복제해 immortal time bias를 원천 제거한다.

A라는 사람이 90일째 treatment 받았다고 하자 → 그 사람은 90일까지 안 죽었다.
Control 군에도 똑같은 가상의 사람을 0~90일까지 만든다.
두 쪽이 동일한 0~90일을 가지므로 immortal time이 상쇄됨.

장점:

Landmark 없이 immortal time bias 해결.
같은 사람을 만들기 때문에 covariate balance도 자동 해결.
매칭/IPTW 없이도 분석 가능.

단점:

Cloning된 자료 만드는 과정이 복잡 (경우의 수 많음).
CCW를 쓰면 IPCW (Inverse Probability of Censoring Weighting) 가 필수 짝꿍.

인과추론 방법 계층 (Trend)

분석의 중요도에 따라 방법이 점진적으로 강해진다:

가벼운 분석 매칭 (PSM)
 ↓
 IPTW
 ↓
중요한 분석 CCW + IPCW
 ↓
 Target Trial Emulation (전체 framework)

→ 중요한 분석에서는 “우리는 모든 bias를 제거했다” 라고 method에 기술할 수 있을 정도까지 간다.

Target Trial Emulation (TTE)

상위 framework. 임상시험 protocol처럼 연구 설계 시 조작적 정의를 엄격하게 명시하는 일련의 과정을 정형화. PRISMA가 메타분석 reporting을 정형화한 것처럼, TTE는 후향적 인과추론의 reporting/설계 standard.

명시 항목:

Eligibility criteria
Treatment strategies
Assignment procedure
Outcome / Follow-up
Causal contrast (intention-to-treat / per-protocol)
Statistical analysis plan

→ TTE는 잘 구조화된 retrospective data 분석을 위한 framework. 위에서 다룬 PSM/IPTW/CCW를 어떻게 조합해 protocol을 설계할지를 다룬다.

요약

인과추론의 출발점: 카운터팩추얼 프레임 + 조건부 독립 가정 ($Y^a \perp A \mid X$)
$X$ 를 통계 기법으로 처리하는 핵심 도구: PSM (ATT) 과 IPTW (ATE)
IPTW는 stabilized + truncation 가 실무 국룰
매칭/가중 후엔 robust sandwich estimator 필수 짝꿍
모형 안에 공변량 → conditional, weight로 보정 → marginal
Balance 진단: SMD < 0.1, love plot
Immortal time bias 는 landmark가 전통 해법, 최근엔 CCW (+ IPCW) 가 부상
전체를 framework로 정형화한 게 Target Trial Emulation
임상 trend: HR 단독 → HR + Risk Difference / Risk Ratio

Causal Inference |