성향점수 매칭 — 관찰 연구에서 인과관계를 추론하는 법
…
한줄 요약
RCT를 할 수 없을 때 성향점수 매칭이 교란변수를 통제한다 — 단, 측정된 교란만 통제된다는 한계를 절대 잊지 말 것.
RCT vs 관찰 연구
RCT (무작위 배정 임상시험): 무작위 배정으로 측정되지 않은 교란까지 균형을 맞춘다. 인과 추론의 표준. 단, 비용이 크고, 윤리적 제약이 있고, 현실 반영이 부족하다.
관찰 연구: 실제 진료 데이터를 쓴다. 대규모, 저비용, 현실적. 단, 교란변수(confounding)가 문제다.
교란변수 문제
A 약물을 처방받은 환자가 B 약물 처방 환자보다 결과가 좋다고 관찰됐다. 그런데 A 약물을 쓰는 환자가 애초에 젊고 건강하다면?
나이와 건강 상태가 교란변수다. 처방 결정에도 영향을 미치고, 결과에도 영향을 미친다.
나이/건강 상태 → 약물 처방 선택
나이/건강 상태 → 치료 결과
약물 처방 → 치료 결과 (우리가 알고 싶은 것)Propensity Score의 개념
각 환자가 치료군에 배정될 확률을 계산한다.
library(MatchIt)
# Step 1: 성향점수 계산 (로지스틱 회귀)
ps_model <- glm(
treatment ~ age + sex + bmi + hba1c + sbp + n_comorbidities,
family = binomial,
data = df
)
df$ps <- predict(ps_model, type = "response")성향점수가 비슷한 환자끼리 매칭하면, 처방 결정에 영향을 준 변수들이 두 그룹에서 균형을 이룬다.
PSM (Propensity Score Matching)
# 1:1 nearest neighbor matching
match_out <- matchit(
treatment ~ age + sex + bmi + hba1c + sbp + n_comorbidities,
data = df,
method = "nearest",
ratio = 1,
caliper = 0.2 # PS 차이 0.2 SD 이내만 매칭
)
summary(match_out)
matched_df <- match.data(match_out)매칭 후 Balance 확인
매칭이 잘 됐는지 표준화 평균 차이(SMD)로 확인한다.
library(cobalt)
# Love plot — SMD 시각화
love.plot(match_out, threshold = 0.1, abs = TRUE)SMD < 0.1 이면 균형 달성. 매칭 전후를 함께 보여주는 Love plot이 논문의 표준 그림이다.
| 변수 | 매칭 전 SMD | 매칭 후 SMD |
|---|---|---|
| 나이 | 0.42 | 0.03 |
| 성별 | 0.18 | 0.05 |
| HbA1c | 0.35 | 0.07 |
PSM vs IPTW
IPTW (Inverse Probability of Treatment Weighting):
# 각 환자에 가중치 부여
df$weight <- ifelse(
df$treatment == 1,
1 / df$ps,
1 / (1 - df$ps)
)
# 가중 Cox 모형
library(survival)
cox_iptw <- coxph(
Surv(time, event) ~ treatment,
data = df,
weights = weight
)PSM은 매칭되지 않는 환자를 버린다. IPTW는 모든 환자를 쓰는 대신 가중치를 준다. 일반적으로 IPTW가 통계적 효율이 높다.
한국 건강보험 청구 데이터 분석 예시
HIRA 데이터로 특정 당뇨 약물의 심혈관 효과를 분석한다고 하면:
- 처방 결정 교란변수: 나이, 성별, 신기능(eGFR), 심혈관 기왕력
- 단, HIRA에는 eGFR이 없다 → 측정 안 된 교란변수
- 성향점수로 통제 가능한 것: HIRA에 있는 변수들만
이것이 관찰 연구의 핵심 한계다.
측정되지 않은 교란
PSM과 IPTW가 통제할 수 없는 것이 unmeasured confounding이다.
대처 방법:
- E-value: 측정 안 된 교란이 결과를 뒤집으려면 얼마나 강해야 하는지 계산
- Instrumental variable (IV): 처방에는 영향을 주지만 결과에 직접 영향을 주지 않는 변수 활용
- Sensitivity analysis: 교란 강도를 변화시켜 결과가 얼마나 바뀌는지 확인
핵심 정리
- 성향점수: 관측 변수를 고려한 치료 배정 확률
- PSM: 성향점수가 비슷한 환자끼리 매칭 (1:1 또는 1:k)
- SMD < 0.1: 매칭 성공의 기준
- IPTW: PSM보다 통계 효율 높지만 극단적 가중치 주의
- 핵심 한계: 측정된 교란만 통제 가능