이 글은 Schulz & Grimes (2019) Ch.10 의 세 번째 글이다. Ch.10 개관 과 모집 어려움의 정량화 에 이어, 본 글은 개선 전략 (Schulz full md L:17800~18317) 을 다룬다. 다음은 SCH Ch.12 Allocation Sequences 시리즈로 이어진다.
1 진입 직관 — 왜 두 갈래 전략인가
모집 부진을 해결하는 방법은 본질적으로 두 가지다.
- 시험 설계 자체를 바꾼다 — 전통 RCT 의 동의·무작위 절차를 변형해 모집 부담을 줄인다 (대안 설계)
- 시험 설계는 유지하고 모집 절차만 개선한다 — 어떻게 접근·동의·등록을 더 효과적으로 진행할지 (Cochrane 4 전략)
전자는 통계적 정밀성과 윤리적 정당성 의 일부를 양보하고 모집을 산다. 후자는 그 양보 없이 행동 디자인 으로 모집을 끌어올린다. Schulz 의 결론은 두 갈래 모두 가치가 있지만, 대안 설계는 신중하게, Cochrane 4 전략은 적극적으로 사용해야 한다는 것이다 (Schulz & Grimes, 2019, Ch.10).
비유: 전자가 “콘서트장의 입장 절차 자체를 바꾸기 (예: 사후 결제)” 라면, 후자는 “기존 입장 절차에 친절한 안내·할인·전화 리마인더 추가” 다. 전자는 부정 입장 위험이 있고, 후자는 그런 위험 없이 효과를 본다.
2 전통 RCT 의 대안 설계 — 네 가지 변형
2.1 Single Randomised Consent (Zelen 1979)
Marvin Zelen 이 New England Journal of Medicine 에 발표한 1979 년 제안은 임상시험계에 큰 논쟁을 일으켰다 (Schulz & Grimes, 2019, Ch.10, Zelen 1979 인용).
메커니즘:
적격 환자
↓ (이 시점에 무작위 배정 — 환자는 모름)
↓
새 치료군 ──→ 동의 권유 ─→ 동의: 새 치료
─→ 거부: 표준 치료 (cross-over)
표준 치료군 ──→ (동의 없이) 표준 치료핵심은 무작위 배정 후에만, 그것도 새 치료군에게만 동의를 요청 한다는 점이다. 표준 치료군은 시험 사실 자체를 모르고 일상적 표준 치료를 받는다.
Zelen 의 동기: “어느 군에 갈지 모른 채 동의를 요청하는 것이 모집 거부의 가장 큰 원인이다. 환자에게 어떤 치료를 받게 될지 미리 알려주면 동의율이 훨씬 높아진다.” 통계적 비효율 (cross-over 로 인한 dilution) 은 더 쉬운 모집으로 상쇄된다는 주장.
2.1.1 윤리적 결함
Zelen 설계의 본질적 문제는 표준 치료군 환자가 자신이 시험에 참여 중이라는 사실조차 모른다 는 점이다. 이는 자율성(autonomy) 과 선행(beneficence) 의 윤리 원칙을 위반한다 (Hawkins 2004).
반사실 시나리오 — 표준 치료군 환자의 입장: “내 치료가 일상 진료라고 생각했는데, 알고 보니 무작위로 배정된 시험의 대조군이었다. 내 데이터가 비교 분석에 사용되었다.” 이 사실을 사후에 알게 되면 환자의 신뢰는 크게 손상된다. 미국·유럽 IRB 다수가 Zelen 설계를 거부하는 이유.
2.1.2 통계적 결함
Cross-over (새 치료군에서 거부 → 표준으로 이동) 가 심각한 dilution bias 를 만든다. Adamson 외 (2006) 메타분석에 따르면 cross-over 율이 0~74% 까지 변동. 이로 인해:
- ITT 분석의 효과 추정치가 희석 된다 (실제 효과 50% 인 약이 25% 로 측정)
- 검정력 보전을 위해 sample size 를 1.5~2 배 늘려야 함
수식 직관: Cross-over 율이 \(r\) 이면 ITT 추정 효과는 실제 효과 \(\theta\) 에 대해 \((1-2r)\theta\) 로 희석된다. \(r = 0.25\) 면 효과의 50% 만 측정된다. Zelen 의 모집 이득 (예: 1.5 배) 이 이 희석으로 상쇄될 수 있다.
Schulz 결론: “Zelen 설계는 수십 년간 드물게 사용되었고, 사용된 경우의 다수가 부적절했다 (Schellings 외 2006). 권장하지 않는다.”
2.2 Double Randomised Consent
Zelen 의 윤리 결함을 완화하기 위한 변형이다.
메커니즘:
적격 환자
↓ (무작위 배정)
↓
새 치료군 ──→ 동의 권유 ─→ 동의: 새 치료 / 거부: 다른 치료 cross-over
표준 치료군 ──→ 동의 권유 ─→ 동의: 표준 치료 / 거부: 다른 치료 cross-over양 군 모두에 사후 동의를 요청 한다. 표준 치료군의 자율성은 보호되지만, cross-over 위험은 양쪽에서 발생한다.
반사실: Cross-over 가 양 군에서 30% 씩 일어나면, ITT 분석에서 효과는 \(\theta \to (1-0.6)\theta = 0.4\theta\) 로 희석. 실제 효과의 60% 가 사라진다. 윤리 개선 비용이 통계 정밀성 추가 손실로 나타나는 셈.
Schulz 결론: Double consent 는 Zelen 의 윤리 결함을 일부 보완하지만, cross-over dilution 은 더 커진다. “거의 권장 안 함.”
2.3 Partially Randomised Patient-Preference Trial
1980 년대 중반 독일 유방암 연구팀이 제안한 하이브리드 설계다 (Schmoor 외 1996).
메커니즘:
적격 환자
↓
선호 조사 ──→ 강한 선호 (예: 수술) ──→ Cohort 군 (선호 치료 받음)
──→ 무차별 ──→ 무작위 배정 ──→ 새 치료군 / 표준 치료군 (RCT)핵심 아이디어: 강한 선호를 가진 환자는 cohort 군 에서 자신의 선호 치료를 받고, 무차별 환자만 RCT 군 에서 무작위 배정된다. RCT 와 cohort 를 동시 운영하여 외적 타당도 를 보강한다.
직관: 유방암 환자에게 “유방 절제술 vs 부분 절제술” 을 무작위 배정하면 35% 만 동의한다 (Schmoor 외 1996). 나머지 65% 는 자신의 선호로 결정한다. 이 65% 를 시험에서 제외하면 외적 타당도가 무너진다. 그러므로 65% 는 cohort 로, 35% 는 RCT 로 동시 분석.
2.3.1 장점
- 외적 타당도 — 일반 진료에서의 환자 선택을 반영
- 모집률 향상 — 강한 선호자가 시험에서 제외되지 않음
- 선호 효과 측정 가능 — 같은 치료를 받은 cohort vs RCT 환자 비교로 동의 자체의 효과 식별 가능
2.3.2 단점
- Sample size 증가 — RCT 와 cohort 양쪽에서 동일 검정력 원하면 약 2 배 필요
- Cohort 내 잔존 편향 — 선호자 vs 무차별자의 baseline 차이 → 비교 시 confounding
- 압도적 선호 시 무력 — 95% 가 한쪽 선호하면 RCT 검정력 거의 0
2.3.3 사용 사례
- 유방암 치료 (독일, 1980s) — 절제술 선호도 분석
- 임신 중기 낙태 방법 (Aberdeen, 1990s) — 약물 vs 수술 선호 (Henshaw 외 1993)
- 비정상 자궁 출혈 치료 (1997) — 약물 관리 vs 자궁 절제 (Cooper 외 1997)
- 피임법 비교 (2015 진행 중) — 단기 vs 장기 작용 (Hubacher 외 2015)
Schulz 결론: 특정 맥락 (강한 환자 선호가 흔한 시험) 에서는 가치 있다. 단 sample size 증가와 baseline 편향 점검 필요.
2.4 Cohort Multiple Randomised Controlled Trial (cmRCT, Relton 2010)
Relton 외 (2010) 가 BMJ 에 발표한 가장 새로운 변형이다.
메커니즘:
대규모 cohort 모집 (예: 류마티스 관절염 환자 5000 명)
↓
정기 결과 측정 (전체 cohort)
↓
cohort 내 무작위 sample → 새 개입 제안 → 동의 후 실험군
│
└→ 나머지 cohort 는 표준 치료 (실험 모름)핵심 아이디어: 큰 cohort 를 미리 만들어두고, 새 개입이 있을 때마다 cohort 내 일부에게만 기회 제안 형식으로 제공. 거부자는 표준 치료 cohort 에 남는다.
직관: “큰 동아리에 가입하면, 가끔 새 활동 (예: 캠핑) 에 초대받을 수 있다. 거절해도 동아리 일반 활동은 계속 한다.” 임상에서는 “당신은 류마티스 관절염 cohort 의 일원입니다. 이번에 새 약 시험에 참여하실 의향이 있으신가요?” 형식.
2.4.1 장점
- Cohort 가 이미 동의·등록된 상태 — 모집 부담이 분할 되어 줄어듦
- 여러 시험을 sequential 하게 cohort 에 적용 가능 — 한 번 모집한 cohort 로 다수 시험 (cohort multiple)
- 현실적 임상 결정 모방 — 일반 진료의 “새 옵션 제안 → 환자 선택” 과 유사
2.4.2 단점
- 사후 무작위 거부 → dilution bias — Pate 외 (2016) 시뮬레이션에서 ITT 편향 확인
- 임상의 부담 — 바쁜 임상의가 cohort 환자 모집·동의 진행에 시간 투자 어려움
- Placebo 사용 불가 — 비맹검이라 placebo 시험 적용 어려움
2.4.3 실증
Richards 외 (2014) 의 hypothetical cmRCT 에서 불안·우울 서비스 환자 약 50% 가 cohort 가입 의사. 그러나 임상의는 모집·동의 진행에 부정적이었다. 즉 환자 의향 은 있어도 임상의 부담 이 병목.
Schulz 결론: 만성 질환 cohort 가 이미 운영 중이라면 매력적이지만, 임상의 부담과 dilution bias 가 풀어야 할 숙제.
2.5 네 가지 대안 설계 비교
| 설계 | 모집 부담 감소 | 윤리적 평가 | 통계적 정밀성 | 권장 사용 맥락 |
|---|---|---|---|---|
| Single Randomised Consent (Zelen) | 강 | 자율성 침해 — 부적절 | Cross-over dilution 강 | 거의 없음 |
| Double Randomised Consent | 중 | Zelen 보다 나음 | Cross-over dilution 매우 강 | 거의 없음 |
| Partially Randomised Patient-Preference | 중 | 적절 | RCT 부분 정상 + cohort 보강 | 강한 선호가 흔한 치료 비교 |
| cmRCT | 강 (cohort 분할) | 적절 | Dilution bias 가능 | 만성 질환 cohort 운영 시 |
3 Cochrane 메타리뷰가 입증한 4 전략
Treweek 외 (Cochrane, 2010 / 갱신 2013) 는 모집 개선 전략 45 개 시험을 메타분석하여 경험적 근거가 있는 4 가지 전략을 식별했다 (Schulz & Grimes, 2019, Ch.10 인용).
3.1 Open-Label Design — 정보 비대칭 해소
효과: 모집 RR 1.2 (95% CI 1.1~1.4)
메커니즘: 환자가 자신이 어느 군 (새 치료 vs placebo) 에 배정되었는지 알면 동의율이 20% 증가.
직관: 사람들은 “내가 무엇을 받게 될지 모른다” 는 불확실성을 강하게 회피한다 (행동 경제학의 ambiguity aversion). 무작위 배정에 대한 거부의 핵심 원인이 바로 이 “어느 군에 갈지 모름”. Open-label 은 이 ambiguity 를 제거한다.
3.1.1 단점 — 추적 손실 위험
Open-label 은 모집 을 1.2 배 늘리지만, 추적 유지 를 떨어뜨릴 수 있다. Placebo 군 환자가 “내가 가짜 약을 받는다는 걸 안다” 는 사실에 시험을 중도 포기할 가능성이 있기 때문.
반사실: 모집 +20%, 추적 -15% 라면 최종 분석 가능 표본은 +5% 정도로 줄어든다. 시험 특성에 따라 이득의 크기가 달라진다.
Schulz 권고: 객관적 결과 (사망·재발) 가 주된 시험에서는 open-label 효과적. 주관적 결과 (통증·만족도) 가 주된 시험에서는 placebo effect 가 결과를 왜곡할 수 있어 신중.
3.2 Opt-Out Approach — 행동 경제학의 기본값 효과
효과: 모집 RR 1.4 (95% CI 1.1~1.8)
메커니즘: 적격 환자 전원 을 사전 접근하고, 적극적으로 거부하지 않는 한 시험에 포함. 전통적 opt-in 은 적극적 동의가 필요.
직관: 행동 경제학의 default effect 다 (Thaler & Sunstein 2008). “기본값” 이 무엇인지에 따라 사람들의 선택이 크게 달라진다. 장기 기증 등록률이 opt-in 국가는 10~20%, opt-out 국가는 80~90% 인 것과 같은 메커니즘.
3.2.1 윤리적 평가
Opt-out 은 무작위 배정 전 의 단계이므로 RCT 자체의 내적 타당도에는 영향 없다. 그리고 적극 거부 시 시험에서 빠질 수 있으므로 자율성도 보호된다.
반사실 — opt-in vs opt-out: - Opt-in: 적격 환자 100 명 중 30 명 동의 → 30 명 무작위 배정 - Opt-out: 적격 환자 100 명 중 5 명 거부 → 95 명 무작위 배정 → 95 명 분석
같은 100 명 풀에서 3 배 이상 모집 가능. 단, opt-out 은 환자에게 시험 사실을 알리되 거부할 시간을 충분히 줘야 윤리적.
3.3 Telephone Contacts — 인간적 접촉의 신뢰 효과
효과: - 전화 reminder (after written invitation): OR 2.0 (95% CI 1.0~3.7) - 텍스트 메시지 (smoking cessation 시험 인용구 활용): RR 35.1 (95% CI 2.1~581.5)
메커니즘: 종이 동의서·이메일보다 전화·텍스트의 인간적 접촉 이 신뢰를 쌓음. 특히 텍스트 메시지에 기존 시험 참가자의 인용 을 포함하면 효과 매우 큼.
직관: 동의 거부의 본질적 원인은 “이 시험이 안전하고 의미 있는가?” 에 대한 불확실성. 종이 문서는 이 의심을 해소하지 못한다. 전화의 인간 목소리는 친밀성과 신뢰 를 만든다. 텍스트는 속도와 도달률 을, 인용구는 사회적 증거 (social proof) 를 추가한다.
3.3.1 텍스트 RR 35.1 의 해석
CI 가 매우 넓다 (2.1~581.5). 이는 단일 시험의 작은 표본에서 나온 결과. 효과 방향은 분명하지만 크기는 매우 불확실. Schulz 도 “추정이 imprecise 함” 을 명시한다.
반사실: 만약 텍스트 효과가 진짜 35 배라면, 한 시험의 모집을 며칠 안에 끝낼 수 있다. 그러나 35 배는 너무 좋아서 신뢰하기 어렵다. 더 큰 후속 시험이 필요.
3.4 Financial Incentives — 직접적 motivation
효과: 금연 시험에서 £5 인센티브 추가 시 모집 13 배 증가 (95% CI 1.7~98.2)
메커니즘: 시간·교통·심리적 부담의 경제적 보상. 행동 경제학의 incentive design 의 직접 적용.
직관: 동의 거부의 일부는 “참여 비용 > 동의의 가치” 라는 단순 계산이다. 금전 보상은 이 비용 측을 직접 보상한다. £5 (한국 환산 약 8000 원) 가 시험 모집을 13 배 늘렸다는 점은, 대부분의 거부가 매우 작은 비용 격차에서 일어남 을 시사한다.
3.4.1 윤리적 우려 — 강제 동의
금전 인센티브의 한계는 강제 동의 (coerced consent) 우려다. 저소득 환자가 의학적 위험을 충분히 평가하지 못하고 돈 때문에 동의할 가능성. IRB 다수가 인센티브 액수와 절차를 엄격히 심사한다.
균형점: 시간·교통비 등 실비 보상 은 윤리적으로 수용. 시험 참여 자체에 대한 추가 보상 은 액수가 작고, 거부의 자유가 명시적으로 보호되어야 함.
3.5 4 전략의 적용 우선순위
Cochrane 4 전략은 모두 효과가 입증되었지만, 적용 부담과 효과 크기가 다르다.
| 전략 | 효과 크기 | 적용 비용 | 윤리 부담 | 우선순위 |
|---|---|---|---|---|
| Opt-out approach | 큼 (1.4 배) | 낮음 | 낮음 | 1 |
| Open-label design | 중 (1.2 배) | 낮음 (설계 단계) | 낮음 (객관적 결과 시) | 2 |
| Telephone contacts | 중~큼 (2 배+) | 중 (인력 시간) | 낮음 | 3 |
| Financial incentives | 매우 큼 (시험 의존) | 높음 (예산) | 중 (IRB 심사) | 4 |
실무 권고: 4 전략을 병행하면 효과가 곱셈적으로 누적될 수 있다. 단, 각 전략의 윤리적 영향과 시험 특성 (객관적 vs 주관적 결과, 단기 vs 장기 추적) 을 함께 고려한다.
3.6 직관적으로 좋아 보이는데 효과 없는 전략들
Cochrane 메타리뷰는 “직관적으로 좋아 보이는데 실증적 근거 없는 전략” 도 식별했다 (Schulz & Grimes, 2019, Ch.10, Foy 외 2003 인용).
| 전략 | 직관 | 실증 결과 |
|---|---|---|
| 더 길고 자세한 동의서 | 환자가 더 정보 풍부해짐 | 모집 감소 (인지 부담) |
| 의료진 보너스 | 의사가 더 적극적 모집 | 효과 미미 |
| 광고 강화 | 더 많은 인지 | 효과 매우 작음 |
| 모집 인력 추가 훈련 | 더 능숙한 모집 | 효과 미미 |
반사실 — 동의서 길이: 직관은 “더 자세한 동의서가 환자 보호에 좋다” 지만, 실제로는 20 페이지 동의서를 읽다가 포기하는 환자가 더 많다. 환자 보호와 모집 효율은 동의서 길이가 아니라 이해 가능성 에 달려 있다.
메시지: 임상적 직관 (clinical hunch) 은 실험적 검증 없이 신뢰할 수 없다. 이는 RCT 자체의 존재 이유와 동일한 메시지다 — 시험만이 효과를 검증한다.
4 Special Populations — Hard-to-Reach 인구
Schulz 는 취약 인구 (소수민족·고령자·미성년자·저소득) 의 모집 어려움을 별도로 다룬다.
4.1 흔한 장벽
| 장벽 | 메커니즘 | 처방 |
|---|---|---|
| 교통 부족 | 시험 사이트 방문 어려움 | 교통비 지원, 가정 방문 |
| 언어 장벽 | 동의서 이해 실패 | 다언어 동의서, 통역 |
| 의료 시스템 불신 | 역사적 차별 (Tuskegee 등) | 지역사회 파트너십, 신뢰받는 임상의 |
| 문화적 거부 | 종교·운명관 | 문화 적응 동의 절차 |
| 동반 질환 다수 | 적격 기준 탈락 | 적격 기준 완화 (외적 타당도와 trade-off) |
반사실 — Tuskegee 영향: 흔히 “Tuskegee 매독 시험 (1932~1972) 의 역사적 차별이 흑인 임상시험 참여를 막는다” 고 가정. 그러나 Salman 외 (2016) 등 최근 연구는 “Tuskegee 인지가 흑인의 시험 참여 의사에 큰 영향을 주지 않는다” 고 보고. 실제 장벽은 현재의 보험·교통·시간 제약.
4.2 고령자 모집
고령자는 이동성·시야·청력·인지 의 다중 제약이 있다. 또한 동반 질환이 많아 적격 기준에서 탈락 빈도가 높다. 돌봄자 (gatekeeper) 의 역할 이 모집 결정을 좌우한다.
직관: 80 세 환자에게 “한 달에 두 번 병원 방문” 을 요구하는 시험은 자녀의 동행 약속이 없으면 불가능하다. 모집 전략은 환자 본인뿐 아니라 가족·돌봄자에게도 동시 접근해야 한다.
4.3 미성년자 모집
미성년자는 윤리·법적 동의 절차 가 추가된다. 부모·후견인 동의 + 미성년자 동조 (assent) 가 모두 필요. NCI 자료에 따르면 13 세 이상 청소년의 시험 참여율이 더 낮다 — 자율성 발달 단계의 거부 의사가 강해지기 때문.
5 The Way Ahead — 미래 모집 도구
5.1 소셜 미디어
페이스북·트위터·인스타그램이 모집 도구로 부상. HIV 환자 시험에서 페이스북이 주된 모집 채널이 된 사례 보고 (Valdez 외 2014). 비용이 매우 낮은 것이 장점.
직관: 전통 모집은 임상의 → 환자 의 단방향. 소셜 미디어는 환자 → 환자 의 peer 추천을 활용. 예를 들어 한 시험 참가자가 “내가 이 시험에 참여하고 있다” 라고 SNS 에 올리면 친구들이 자연스럽게 인지.
5.2 비즈니스 모델 적용
McDonald 외 (2011) 는 “브랜드 가치 구축, 시장 계획, 판매, 참여 유지” 같은 마케팅 프레임워크를 임상시험 모집에 적용 제안. 효과의 실증 근거는 아직 부족.
반사실: 임상시험을 “신제품 출시” 처럼 다룬다면, 모집은 “마케팅 funnel” 이 되고, 환자 유지는 “고객 retention” 이 된다. 의학 연구의 윤리·과학 본질을 훼손하지 않는 범위에서 도구는 활용 가능.
5.3 Embedded Recruitment Trials
가장 흥미로운 미래 방향은 모집 전략 자체를 RCT 의 일부로 끼워 넣는 것 (Adamson 외 2015). 즉 본 시험을 진행하면서 동시에 “어떤 모집 전략이 더 효과적인가” 의 작은 RCT 를 embedded 로 운영.
메타 시험: 한 RCT 의 환자를 무작위로 (1) opt-out 그룹, (2) opt-in 그룹 으로 나눠 모집 효과 비교. 본 시험의 결과 측정과 동시에 모집 전략의 검증도 진행. UK MRC 가 이 접근을 지원 중.
직관: RCT 가 의학 개입의 효과를 검증하는 도구라면, embedded recruitment trial 은 RCT 자체의 운영 을 검증하는 도구다. 자기 참조적 (self-referential) 시험 디자인.
6 IT / 디지털 실험 매핑 — 모집 전략의 동형
| 역학 (RCT) | IT (A/B Test / Marketing) |
|---|---|
| Zelen single consent | “사용자 모르게 새 기능 노출 후 추적” — IT 에서 흔하지만 동의·privacy 우려 |
| Partially Randomised Patient-Preference | “강한 선호 사용자는 self-select, 무차별 사용자만 무작위” — opt-in segment |
| cmRCT | “사전 모집한 user panel 에 새 실험을 sequential 적용” — research panel |
| Open-label | “신기능 공개 (visible feature) vs 숨김 (silent rollout)” — visibility design |
| Opt-out | “기본 enable, opt-out 옵션 제공” — default-on rollout |
| Telephone / SMS | “in-app push notification, email reminder” |
| Financial incentive | “쿠폰·포인트 보상” — referral program |
| Embedded recruitment trial | “모집 전략의 A/B 테스트” — meta-experiment |
왜 동형인가?: 두 영역 모두 행동 변화 동기 부여 (behavioral motivation) 의 동일 원리를 사용한다. 정보 비대칭 해소·default 효과·신뢰 구축·인센티브는 분야 무관 동일하게 작동한다. 단, IT 에서는 자동화·익명성·반복 테스트가 쉬워 개입 비용이 훨씬 낮다.
7 코드 예시 — Cochrane 4 전략 효과 시뮬레이션
import numpy as np
from scipy import stats
# 기준 시나리오: 적격자 1000 명, opt-in 30% 동의 → 300 명 모집
A = 1000 # 접근됨
baseline_consent = 0.30
n_baseline = int(A * baseline_consent)
print(f"기준 모집 (opt-in): {n_baseline}")
# Cochrane 4 전략의 단일 적용
strategies = {
"Open-label (RR 1.2)": 1.2,
"Opt-out (RR 1.4)": 1.4,
"Telephone (OR 2.0 → RR ≈ 1.3)": 1.3,
"Financial £5 (RR ≈ 13)": 13.0,
}
print("\n[단일 전략]")
for name, rr in strategies.items():
n_new = min(A, int(n_baseline * rr)) # cap at A
print(f"{name:<35} → {n_new:>4} ({n_new/A:.1%})")
# 다중 전략 병행 (멀티플리케이티브 가정)
print("\n[다중 병행 — 멀티플리케이티브]")
combos = [
("Open-label + Opt-out", [1.2, 1.4]),
("+ Telephone", [1.2, 1.4, 1.3]),
("+ Financial", [1.2, 1.4, 1.3, 2.0]), # 13 배는 비현실적이라 2.0 으로 축소
]
for name, rrs in combos:
rr_combined = np.prod(rrs)
n_new = min(A, int(n_baseline * rr_combined))
print(f"{name:<35} RR={rr_combined:.2f} → {n_new}")
# Cross-over 가 ITT 에 미치는 영향 (Zelen / Double Consent)
print("\n[Cross-over 와 ITT dilution]")
true_effect = 0.50 # 실제 효과 50%
for r in [0.0, 0.10, 0.25, 0.40]:
itt_effect = (1 - 2*r) * true_effect
print(f"Cross-over 율 {r:.0%}: ITT 추정 효과 = {itt_effect:.1%}")
# Cohen's d 0.2, sample size 변화 → 검정력
from statsmodels.stats.power import NormalIndPower
power_analysis = NormalIndPower()
print("\n[모집 개선 → 검정력 증가]")
for n_per_group in [200, 300, 400, 500, 700]:
power = power_analysis.power(
effect_size=0.2, nobs1=n_per_group, alpha=0.05, ratio=1.0
)
print(f"n/그룹 = {n_per_group}: 검정력 = {power:.1%}")이 코드는 (1) Cochrane 4 전략의 단일·다중 효과, (2) Zelen·Double Consent 의 cross-over dilution, (3) 모집 개선이 검정력에 미치는 비선형 영향을 통합 시뮬레이션한다.
8 결론 — 모집 개선의 두 갈래 메시지
대안 설계는 신중하게, 행동 디자인은 적극적으로.
대안 설계 (Zelen·Partially Randomised·cmRCT) 는 강력하지만 윤리적·통계적 비용 이 함께 발생한다. Schulz 의 결론은 “Zelen 계열은 거의 권장 안 함, partially randomised 와 cmRCT 는 특정 맥락에서만” 이다.
행동 디자인 (Cochrane 4 전략) 은 시험 설계를 변경하지 않고 적극적으로 활용 가능. Open-label · Opt-out · Telephone · Financial incentive 의 4 가지를 병행하면 모집을 2~3 배 끌어올릴 수 있다.
핵심은 다음이다.
- 동의 거부의 본질은 정보 비대칭·신뢰·시간 부담 이다. 통계가 아닌 행동 디자인 으로 풀어야 한다.
- 임상적 직관은 검증 없이 신뢰 불가. 직관적으로 좋아 보이는 전략 (긴 동의서·의료진 보너스·광고 강화) 다수가 실증 검증에서 효과 없거나 역효과.
- Cochrane 4 전략을 기본으로 적용하고, 시험 특성 (객관적 vs 주관적 결과, 환자 선호 분포, 자원) 에 따라 대안 설계를 선택적으로 추가.
다음 글부터는 Schulz Ch.12 Generation of Allocation Sequences 시리즈 (3 편) 로 넘어가, 무작위 배정 순서 생성 의 방법론적 깊이를 다룬다.
9 관련 주제
선행 지식
Phase C 후속 글 — Ch.12 무작위 배정 순서 시리즈 (placeholder)
다른 카테고리 연결
- Thompson Sampling 동적 라우팅 — 적응적 배정의 IT 버전
- Strategy_Frameworks 카테고리 — 행동 경제학의 default effect (placeholder)
- Engineering 카테고리 — 실험 플랫폼의 opt-in/opt-out 디자인 (placeholder)
10 참고문헌
- Schulz, K. F. & Grimes, D. A. (2019). Essential Concepts in Clinical Research (2nd ed.), Ch.10. Elsevier.
- Zelen, M. (1979). A new design for randomized clinical trials. N. Engl. J. Med. 300, 1242-1245.
- Schmoor, C., Olschewski, M., Schumacher, M. (1996). Randomized and non-randomized patients in clinical trials. Stat. Med. 15, 263-271.
- Relton, C., Torgerson, D., O’Cathain, A., Nicholl, J. (2010). Rethinking pragmatic randomised controlled trials: cohort multiple randomised controlled trial design. BMJ 340, c1066.
- Treweek, S., Lockhart, P., Pitkethly, M., et al. (2013). Methods to improve recruitment to randomised controlled trials: Cochrane systematic review and meta-analysis. BMJ Open 3, e002360.
- Foy, R., Parry, J., Duggan, A., et al. (2003). How evidence based are recruitment strategies to randomized controlled trials in primary care? Fam. Pract. 20, 83-92.
- Adamson, J., Hewitt, C. E., Torgerson, D. J. (2015). Producing better evidence on how to improve randomised controlled trials. BMJ 351, h4923.
- Thaler, R. H. & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press.