G-Methods | Clinical Methods Archive

G-methods는 처음 접하면 이름부터 부담스럽습니다. marginal structural model, g-formula, structural nested model 같은 단어들은 직관적이지 않고, 논문 설명도 대개 수식 중심이라 더 멀게 느껴집니다.

하지만 이 방법군이 등장한 배경을 먼저 이해하면 생각보다 분명합니다. 핵심 문제는 이것입니다.

"시간에 따라 상태가 바뀌고, 그 상태가 다음 치료 선택에도 영향을 주며, 동시에 결과에도 영향을 줄 때 어떻게 할 것인가?"

왜 일반 회귀가 부족한가

time-varying 중증도는 다음 치료 선택을 바꾸는 교란변수인 동시에 이전 치료의 결과일 수 있습니다. 이때 단순 회귀는 치료효과의 일부 경로를 잘못 막거나, 반대로 편향을 남길 수 있습니다.

즉 같은 변수라도 한 시점에서는 confounder이고, 다른 시점에서는 mediator에 가까운 역할을 할 수 있습니다. 이런 구조에서 일반적인 adjustment는 직관적으로 쉬워 보여도 인과적으로는 꼬일 수 있습니다.

예를 들어 더 아픈 환자일수록 약을 바꾸고, 그 중증도 자체가 이후 사건 발생에도 영향을 준다고 합시다. 이때 현재의 중증도를 조정하는 것이 꼭 공정한 비교를 만드는 것은 아닙니다. 그 중증도는 이미 이전 치료의 영향을 받은 결과일 수도 있기 때문입니다.

G-methods에는 여러 갈래가 있지만, 실무에서 자주 언급되는 것은 다음 세 가지입니다.

이들은 구현 방식은 다르지만, 공통적으로 time-varying confounding이 있는 상황에서 더 정직한 인과효과 추정을 목표로 합니다.

실무 문헌에서는 marginal structural model과 inverse probability weighting 조합이 비교적 자주 보입니다. 이유는 개념을 설명하기 상대적으로 쉽고, 구현 예시도 많기 때문입니다.

핵심 아이디어는 "치료를 받을 확률"과 "검열되지 않을 확률"을 이용해 가중치를 만들고, 그 가중치를 통해 마치 각 시점의 치료가 덜 편향된 것처럼 비교하는 것입니다.

물론 말처럼 쉽지는 않습니다. 가중치 안정성, positivity, truncation, 모델 specification 같은 문제가 전부 따라옵니다.

G-method 논문은 결과 숫자보다 아래 항목을 먼저 봐야 합니다.

이 중 하나라도 흐리면, 겉으로는 sophisticated한 분석처럼 보여도 실제 해석은 불안할 수 있습니다.

모든 관찰연구에 g-methods가 필요한 것은 아닙니다. 오히려 무조건 복잡한 방법을 쓰는 것이 더 좋은 연구를 보장하지도 않습니다.

하지만 아래 같은 상황에서는 진지하게 고려할 가치가 큽니다.

즉 정적인 baseline adjustment만으로는 질문을 충분히 설명하기 어려운 상황에서 더 빛을 발합니다.

가장 흔한 오해는 g-method를 썼다는 사실 자체가 연구의 질을 보장한다고 생각하는 것입니다.

하지만 실제로는 반대입니다. 질문 정의, 데이터 구조 이해, 변수 측정 품질, positivity 현실성, sensitivity analysis가 받쳐주지 않으면 g-method는 오히려 더 취약한 모델이 될 수 있습니다.

복잡한 방법을 썼다는 사실이 아니라, 왜 그 방법이 필요한 구조였는지를 설명할 수 있어야 합니다.

G-methods는 "더 고급스러운 통계기법"이라기보다, 시간 속에서 꼬여 있는 현실의 치료 구조를 조금 더 정직하게 다루기 위한 도구라고 보는 편이 좋습니다.

핵심은 수식을 외우는 것이 아니라, 왜 일반적인 adjustment가 충분하지 않을 수 있는지를 이해하는 데 있습니다. 그 출발점을 이해하면 g-methods는 덜 낯설고, 훨씬 실무적인 도구로 보이기 시작합니다.