[논문 리뷰] Covariate Microaggregation for Logistic Regression: An Application for Analysis of Confidential Data

Paramita Saha‐Chaudhuri|arXiv (Cornell University)|2016. 03. 17.

Privacy-Preserving Technologies in Data참고 문헌 22인용 수 3

한 줄 요약

이 논문은 분산된 건강 데이터 네트워크에서 이진 질병 결과를 분석하기 위한 개인정보 보호 기법인 풀드 로지스틱 회귀(PoLoR)를 제안한다. 개별 데이터 노드에서 공변량을 풀(pool) 단위로 마이크로집계한 후 집계 수준의 데이터를 중앙 분석 센터에 공유함으로써, 개인 수준의 정보 폭로 없이도 오즈 비율과 같은 로지스틱 회귀 모수의 일致성 있는 추정이 가능하다. 이 방법은 표준 통계 소프트웨어와 호환되며, 우도 비율 검정을 통한 모델 선택도 가능하다.

ABSTRACT

In the recent past, electronic health records and distributed data networks emerged as a viable resource for medical and scientific research. As the use of confidential patient information from such sources become more common, maintaining privacy of patients is of utmost importance. For a binary disease outcome of interest, we show that the techniques of microaggregation (equivalent to specimen pooling) and \underline{Po}oled \underline{Lo}gistic \underline{R}egression (PoLoR) could be applied for analysis of large and/or distributed data while respecting patient privacy. PoLoR is exactly the same as standard logistic regression, but instead of using individual covariate level, the analysis uses microaggregated covariate level when microaggregation is conditional on the outcome status. Aggregate levels of covariates can be passed from the nodes of the network to the analysis center without revealing individual-level microdata and can be used very easily with standard softwares for estimation of disease odds ratio associated with a set of categorical or continuous covariates. Microaggregation of covariates allows for consistent estimation of the parameters of logistic regression model that can include confounders and transformation of exposure. Additionally, since the microdata can be accessed within nodes, effect modifiers can be accommodated and consistently estimated. For analysis of confidential health data, covariate microaggregation for logistic regression will provide a practical and straightforward alternative to more complicated existing options.

연구 동기 및 목표

• 분산된 건강 데이터 네트워크에서 기밀성 있는 환자 데이터를 분석하면서도 환자 개인정보를 보호하는 데 도전하는 것.
• 이진 결과를 위한 복잡한 개인정보 보호 방법의 대안으로 실용적이고 계산 효율성이 높은 방법을 개발하는 것.
• 개별 수준의 데이터 공유 없이도 집계 수준의 공변량만을 사용하여 오즈 비율 및 모델 모수를 추정할 수 있도록 하는 것.
• 데이터 개인정보 보호 제약 조건에도 불구하고 익숙한 통계 도구를 사용하여 모델 선택 및 표준 오차 추정을 지원하는 것.
• 마이크로집계가 대규모 데이터 환경에서 모수 일관성과 데이터 차원 축소를 유지하는지 보여주는 것.

제안 방법

• 각 데이터 노드에서 공변량에 대해 마이크로집계를 적용하여 개인을 크기 g의 풀로 그룹화하고, 집계 수준의 공변량 값을 생성한다.
• 개별 기록이 아닌 각 노드 내에서 유도된 집계 수준의 공변량 데이터가 중앙 분석 센터에 공유된다.
• 집계 수준의 공변량에 대해 표준 로지스틱 회귀 모델을 적합시키며, 이는 PoLoR와 동일하며 일관된 모수 추정치를 산출한다.
• 이 방법은 연속형 및 범주형 공변량 모두를 지원하며, 변환 및 교란 변수 보정도 가능하다.
• 모델 선택 및 추론은 표준 우도 비율 검정과 로버스트 표준 오차를 사용하여 수행되며, 유효성을 보장한다.
• 이 접근법은 확장 가능하며, 개인 수준의 데이터가 노드 외부로 유출되지 않도록 하여 개인정보 보호를 유지하고, 오직 집계 요약 정보만 교환된다.

실험 결과

연구 질문

• RQ1 공변량의 마이크로집계가 개인 수준의 데이터 폭로 없이도 분산 데이터 네트워크에서 로지스틱 회귀 모수의 일관성 있는 추정을 가능하게 할 수 있는가?
• RQ2 풀 크기 g의 선택이 PoLoR에서 오즈 비율 추정의 편향과 정밀도에 미치는 영향은 어떠한가?
• RQ3 PoLoR는 기존의 통계 소프트웨어와 방법을 사용하여 모델 선택 및 표준 오차 추정을 지원할 수 있는가?
• RQ4 PoLoR는 연속형 및 범주형 공변량, 포함된 변환된 노출 변수 및 교란 변수 모두에 적용 가능한가?
• RQ5 PoLoR 추정치의 점근적 성질은 무엇이며, 개인 수가 아니라 풀의 수에 따라 어떻게 달라지는가?

주요 결과

• PoLoR는 개인 수준의 데이터가 아닌 마이크로집계된 공변량 수준을 사용할 때도 로지스틱 회귀 계수 및 오즈 비율의 일관된 추정치를 산출한다.
• 결장암 데이터셋의 경우, 풀 크기 g = 3 및 g = 4일 때 PoLoR의 로그 오즈 비율 추정치는 표준 로지스틱 회귀와 거의 유사했으며, 표준 오차의 차이도 미미했다.
• 이 방법은 모델 유효성을 유지하여 우도 비율 검정과 기존 소프트웨어를 사용한 표준 오차 추정이 가능하다.
• 5에서 20 사이의 풀 크기는 개인정보 보호와 추정 편향 사이의 합리적인 균형을 제공하며, g > 40일 경우 평균으로의 회귀 현상으로 인해 편향이 증가한다.
• PoLoR는 데이터 차원 축소와 단일 패assing 추정으로 인해 대규모 데이터 및 자원 제약 환경에서도 확장 가능하고 적합하다.
• 이 방법은 반복 업데이트를 위한 것이 아니며, 새로운 기록을 추가하려면 다시 풀링 및 다시 분석을 전자적으로 수행해야 한다.