인과적 생존 분석 (Causal Survival Analysis)¶
인과추론과 생존분석을 결합하여 Treatment Effect on Survival Outcomes를 추정하는 연구/학습 프로젝트
개요¶
| 항목 | 내용 |
|---|---|
| 유형 | 연구/학습 프로젝트 |
| 기간 | 2025 ~ 진행 중 |
| 주제 | 인과추론 + 생존분석 |
| 자료 | 논문 9편 + 요약 정리 |
| 저장 위치 | iCloud 02_Learning/causal_survival/ |
문제정의¶
전통적 생존분석(Cox PH, Kaplan-Meier)은 관찰 데이터에서 처치 효과의 인과적 해석에 한계가 있다. 선택 편향(selection bias), 시간 의존 교란(time-varying confounding), 경쟁 위험(competing risks) 등이 존재하는 현실 데이터에서 처치가 생존 결과에 미치는 인과적 효과를 정확히 추정하는 것이 핵심 목표다.
구체적 질문:
- 특정 처치(치료, 마케팅 개입)가 생존 시간을 얼마나 변화시키는가?
- 처치 효과가 하위 집단별로 어떻게 다른가? (Heterogeneous Treatment Effects)
- 관찰 데이터에서 교란 변수를 통제하고 인과 효과를 추정할 수 있는가?
가설설정¶
연구 가설¶
| 가설 | 분석 전략 |
|---|---|
| 관찰 데이터에서 IPW/매칭으로 교란 통제 후 생존 곡선 비교가 가능하다 | IPW + Kaplan-Meier, Matching + Cox PH |
| 처치 효과는 환자/고객 특성에 따라 이질적이다 | Causal Survival Forest, CATE 추정 |
| 반사실적 생존 곡선으로 개인 수준 처치 효과를 추정할 수 있다 | Counterfactual Survival Analysis, Balanced Representations |
| 도구 변수를 활용하면 미관측 교란도 통제 가능하다 | IV + Survival, RMST 기반 추정 |
분석 프레임워크¶
+-------------------+ +-------------------+ +-------------------+
| 관찰 데이터 | --> | 교란 변수 통제 | --> | 인과 효과 추정 |
| (Treatment, | | - IPW | | - ATE/CATE |
| Covariates, | | - Matching | | - RMST difference |
| Survival Time, | | - Balanced Repr. | | - Survival Curve |
| Censoring) | | - IV | | 차이 |
+-------------------+ +-------------------+ +-------------------+
방법론¶
1. 전통적 인과추론 + 생존분석¶
| 방법 | 핵심 아이디어 | 장점 | 한계 |
|---|---|---|---|
| IPW + Survival | 성향점수 역가중치로 교란 통제 후 생존 추정 | 직관적, 구현 용이 | 극단 가중치 문제, 양의 가정 필요 |
| Matching + Cox PH | 유사 대조군 매칭 후 Cox 회귀 | 해석 용이 | 매칭 품질 의존, 차원의 저주 |
| IV + Survival | 도구 변수로 미관측 교란 통제 | 미관측 교란 대응 | 적합한 IV 찾기 어려움 |
2. 머신러닝 기반 방법¶
Causal Survival Forest (Cui et al., 2023)
- Generalized Random Forest 프레임워크를 생존 분석에 확장
- CATE(Conditional Average Treatment Effect)를 생존 결과에 대해 추정
- 비모수적, 이질적 처치 효과 탐지에 강점
Counterfactual Balanced Representations (Hassanpour & Greiner, 2021)
- 표현 학습을 통해 처치/대조군 간 공변량 분포 균형
- 반사실적 생존 곡선 추정
- 딥러닝 기반, 고차원 데이터에 적합
DRagonNet + Survival (Curth et al., 2022)
- Targeted regularization으로 누산스 파라미터 추정 개선
- 생존 결과에 대한 반사실 추론
3. 주요 추정 대상¶
| 추정량 | 정의 | 용도 |
|---|---|---|
| ATE | E[T(1)] - E[T(0)] | 평균 처치 효과 |
| CATE | E[T(1) - T(0) | X=x] | 조건부(개인화) 처치 효과 |
| RMST diff | 제한된 평균 생존 시간 차이 | 해석 용이한 임상 지표 |
| SACE | 주요 계층에서의 인과 효과 | 경쟁 위험 하 생존 효과 |
수집 논문¶
| 코드 | 제목 (약칭) | 연도 | 핵심 기여 |
|---|---|---|---|
| cs01 | Treatment Effect on RMST | 2025 | 도구 변수 + RMST 기반 인과 효과 추정 |
| cs02 | Counterfactual Balanced Representations | 2021 | 표현 학습 기반 반사실 생존 추정 |
| cs03 | Causal Survival Forest | 2023 | GRF 기반 생존 결과 CATE 추정 |
| cs04 | Heterogeneous Survival ML | 2021 | 이질적 생존 효과의 ML 추정 |
| cs05 | CSA with DRagonNet | 2022 | Targeted regularization 생존 확장 |
| cs06 | SACE for Semi-competing Risks | 2025 | 반경쟁 위험에서 주요 계층 인과 효과 |
| cs07 | Synthetic Survival Control | 2025 | 합성 대조법의 생존 분석 적용 |
| cs08 | Deep Learning Survival Review | 2024 | 딥러닝 기반 생존 분석 종합 리뷰 |
| cs09 | Intro to Deep Survival | 2024 | 딥 생존 모델 입문 |
적용 분야¶
의료/임상¶
| 문제 | 인과적 생존 분석 접근 |
|---|---|
| 신약 vs 기존 치료 효과 비교 | IPW + Survival Curve 비교 |
| 수술 vs 보존 치료 생존 차이 | Causal Survival Forest로 CATE |
| 특정 환자군에서 치료 효과 | HTE 추정, 개인화 의사결정 |
마케팅/비즈니스¶
| 문제 | 인과적 생존 분석 접근 |
|---|---|
| 프로모션이 고객 이탈에 미치는 효과 | IPW + 이탈 시점 생존 분석 |
| 구독 플랜 변경의 LTV 효과 | RMST 차이 추정 |
| 개입 시점 최적화 | CATE 기반 타겟팅 |
주요 결과¶
연구/학습 프로젝트로, 실험적 결과보다 방법론 정리와 체계화에 초점을 두었다.
- 인과추론과 생존분석의 결합 방법론을 체계적으로 정리
- 9편의 핵심 논문을 읽고 방법론 간 관계를 파악
- 전통적 방법(IPW, IV)과 ML 방법(CSF, DRagonNet)의 장단점 비교
- 적용 가능한 실무 시나리오 매핑 완료
배운 점 / 교훈¶
- 생존분석의 인과적 해석은 별도의 프레임워크가 필요하다 - 단순 Cox PH 계수를 인과 효과로 해석하면 편향 발생
- 센서링(Censoring)이 인과추론을 복잡하게 만든다 - 결측이 아닌 구조적 특성으로, 별도 처리 필요
- Causal Survival Forest가 실무 적용성이 가장 높다 - 비모수적이고, grf R 패키지로 구현 가능
- RMST가 임상/비즈니스 커뮤니케이션에 유리하다 - 해저드비보다 "평균 N개월 생존 연장"이 직관적
- 딥러닝 기반 방법은 데이터 규모가 충분할 때만 유효하다 - 소규모 데이터에서는 전통적 방법이 더 안정적
향후 개선 방향¶
- 실습 구현: Python/R로 주요 방법론 직접 구현 (grf, lifelines 활용)
- 벤치마크 데이터: ACTG, SUPPORT 등 공개 생존 데이터로 실험
- 시간 의존 처치: 처치 시점이 고정이 아닌 동적 처치 체제(Dynamic Treatment Regime) 확장
- 실무 적용: 고객 이탈 예측 프로젝트에 인과적 생존 분석 접목
- EommyDocs 정리: 각 방법론을 개별 기법 문서로 분리하여 Data Science 섹션에 추가