역학곡선 사전 정보를 활용한 베이지안 달력시간 생존 분석 및 변이별 감염 위험 모델

본 논문은 전염병 예방 연구, 특히 백신 효과를 평가하는 관찰연구에서 흔히 발생하는 달력시간 편향을 해결하기 위해 베이지안 달력시간 생존 모델을 제안한다. 전통적인 Cox 비례위험모형은 시간에 따라 급변하는 기저 위험을 부분가능도 방식으로 유연하게 추정하지만, 연구 참여자들의 추적관찰이 부족한 기간이 존재하면 기저 위험과 치료 효과를 구분하기 어려워 편향이 발생한다. 이를 보완하기 위해 저자들은 외부에서 얻은 역학곡선(예: 지역별 일일 확진자 수, 입원자 수 등)을 이용해 기저 위험 함수의 상대적 형태에 대한 사전분포를 정의한다. 구체적으로, 기저 위험을 구간별 상수(piecewise‑constant) 형태로 모델링하고, 기준 시점의 위험 수준을 스케일 파라미터로 두어 전체 위험곡선은 역학곡선의 비율에 맞추되 절대 규모는 연구 데이터에 의해 추정하도록 설계하였다. 모델은 두 가지 주요 확장을 포함한다. 첫째, 바이오마커가 주요 예측변수인 경우, 검출 한계(LLOD) 이하의 값은 이진 지표로 처리하고, LLOD 위에서는 연속적인 효과를 추정한다. 둘째, 보호 임계값을 파라미터화하여 데이터로부터 직접 추정함으로써 백신 용량이나 항체치료제의 최소 보호 수준을 정량화한다. 이러한 접근은 바이오마커와 감염 위험 사이의 비선형 관계를 보다 정확히 포착한다. 또한, 변이가 동시에 존재하는 상황을 경쟁위험(competing‑risk) 모델로 구현한다. 각 변이에 대한 감염 위험은 “노출 위험”과 “노출 후 감염 위험(획득 위험)”의 곱으로 분해된다. 노출 위험은 접촉률과 변이별 감염 가능성을 구간별 상수로 모델링하고, 변이별 감염 가능성은 외부 서베이 데이터에서 얻은 변이 유행 비율을 사용한다. 획득 위험은 표준 비례위험모형으로, 변이별 전염성(α(v))과 바이오마커 효과(γ(v))를 포함한다. 이를 통해 변이 교체가 급격히 일어나는 상황에서도 각 변이에 대한 백신 효능을 별도로 추정할 수 있다. 모델 추정은 Stan과 같은 Hamiltonian Monte Carlo 엔진을 이용해 수행되며, 사전분포 설정이 핵심적인 역할을 한다. 기저 위험의 상대적 사전분포는 역학곡선의 로그 변환 후 정규분포를 가정해 구현하고, 스케일 파라미터는 비정보적 Half‑Cauchy 사전으로 두어 데이터에 충분히 의존하도록 한다. 시뮬레이션 연구에서는 (1) 스터거드 입학(staggered enrollment) 상황, (2) 변이 교체가 급격히 일어나는 경우, (3) 바이오마커 임계값이 존재하는 경우를 각각 설정해 기존 Cox 모델과 비교하였다. 결과는 베이지안 모델이 편향을 크게 줄이고, 특히 추적관찰이 부족한 구간에서 치료 효과를 보다 정확히 복원함을 보여준다. 실제 적용 사례로는 MOMI‑Vax라는 임신 중 COVID‑19 백신 관찰연구가 있다. 이 데이터에 베이지안 모델을 적용한 결과, 백신 접종군과 비접종군 사이의 감염 위험 차이가 기존 분석보다 신뢰구간이 좁아졌으며, Delta와 Omicron 변이에 대한 보호 효과 차이도 명확히 드러났다. 논문의 주요 기여는 다음과 같다. 첫째, 외부 역학 정보를 사전으로 활용해 기저 위험을 정교히 모델링하는 방법을 제시하였다. 둘째, 바이오마커 기반 보호 임계값을 추정할 수 있는 프레임워크를 제공하였다. 셋째, 변이별 경쟁위험 구조를 통합해 변이 교체가 빈번한 전염병 상황에서도 각 변이에 대한 치료 효과를 별도로 추정할 수 있게 하였다. 제한점으로는 역학곡선 데이터의 품질과 시점 선택에 크게 의존한다는 점, 변이 비율을 구간별 상수로 가정함에 따라 급격한 변이 전이 시 미세조정이 어려울 수 있다는 점을 들 수 있다. 향후 연구에서는 실시간 역학 데이터 스트리밍을 통한 동적 사전 업데이트와, 변이 비율을 베이지안 시계열 모델로 추정하는 확장이 기대된다.