프라이버시와 개인화를 위한 고품질 표준 데이터 기반 약물감시 시스템 연구
High-Quality Standard Data-Based Pharmacovigilance System for Privacy and Personalization
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
전 세계적으로 약물 부작용은 주요 사망원인의 상위를 차지하고 있다. 약물 부작용에 대해 효과적으로 대응하기 위해, 능동적인 실시간 분석 기반 약물감시 체계로의 전환과 함께 데이터의 표준화와 품질 향상이 필요하다. 이를 위해, 개별 기관의 데이터를 통합하고 대규모 데이터를 활용하여 약물 부작용 예측의 정확도를 높이는 것이 중요하다. 하지만, 각 기관 간의 데이터 공유는 프라이버시 문제를 야기시키고 각기 다른데이터 표준 구성도 다르다. 본 연구에서는 이 문제를 해결하기 위해, 개인정보보호 법규에 따라 데이터를직접 공유하지 않고 모델의 학습 결과를 공유하는 연합학습 방식을 채택한다. 각 기관마다 다른 데이터포맷을 Common Data Model(CDM)을 활용하여 데이터 표준화를 수행하고 데이터의 정확성과 일관성을 확립한다. 또한, 클라우드 기반의 연합학습 환경을 구성하여 보안 및 확장 관리에 효율성을 높이는 약물감시시스템을 제안한다. 이를 통해 기관 간 데이터의 프라이버시를 보호하면서도, 효과적인 의약품 부작용 모니터링과 예측이 가능하다. 약물 부작용으로 인한 사망률 감소와 의료비용 절감을 목표로 하며, 이를실현하기 위한 다양한 기술적 접근과 방법론을 탐구한다.
Abstract
Globally, drug side effects rank among the top causes of death. To effectively respond to these adverse drug reactions, a shift towards an active real-time monitoring system, along with the standardization and quality improvement of data, is necessary. Integrating individual institutional data and utilizing large-scale data to enhance the accuracy of drug side effect predictions is critical. However, data sharing between institutions poses privacy concerns and involves varying data standards. To address this issue, our research adopts a federated learning approach, where data is not shared directly in compliance with privacy regulations, but rather the results of the model’s learning are shared. We employ the Common Data Model (CDM) to standardize different data formats, ensuring accuracy and consistency of data. Additionally, we propose a drug monitoring system that enhances security and scalability management through a cloud-based federated learning environment. This system allows for effective monitoring and prediction of drug side effects while protecting the privacy of data shared between hospitals. The goal is to reduce mortality due to drug side effects and cut medical costs, exploring various technical approaches and methodologies to achieve this.
참고문헌 (15)
- 김정미, "국내 한 상급종합병원의 입원환자 대상 약물이 상반응현황 분석", 병원약사회지, 32(4), pp.318~334 (2015), 한국병원약사회[DOI]
- 강민규, "약물유해반응 관리의 새 흐름: 수동적 유해사례 수집에서 분산형 약물감시망을 이용한 대규모 능동적 검색으로의 전환", 약물역학위해관리학회지, 9(1), pp.1~10 (2017)
- B. Shickel, "Deep EHR : A survey of recent advances in deep learning techniques for electronic health record(EHR)analysis", IEEE Journal of Biomedical and Health Informatics, 22(5), pp.1589~1604 (2017)
- Si Y, "An OMOP CDM-Based Relational Database of Clinical Research Eligibility Criteria", Stud. Health Technol. Inform, 245, pp.950~954 (2017)
- S. Warnat-Herresthal, "Swarm learning for decentralized and confidential clinical machine learning", Nature, 594(7862), pp.265~270 (2021)
- M. J. Sheller, "Federated learning in medicine : Facilitating multi-institutional collaborations without sharing patient data", Scientific Reports, 10(1), pp.1~12 (2020)
- Mohemmed Sha M, "Cloud-based Healthcare data management Framework", KSII Transactions on Internet and Information Systems, 14(3), pp.1014~1025 (2020), 한국인터넷정보학회
- 다기관 빅데이터 기반 약물 부작용 감시체계 및 지식베이스 구축 사업, "김주한", 보건의료 빅데이터 R&D, ~ (2018)
- "내가 먹는 약! 한눈에", 건강보험심사평가원[URL]
- 김주한, "Health Avatar: An Informatics Platform for Personal and Private Big Data", Healthcare Informatics Research, 20(1), pp.1~2 (2014), 대한의료정보학회[DOI]
- "카카오가 만드는 ‘RWD’, 파일럿 딱지 떼고 전력 질주하나", 카카오헬스케어[URL]
- 이근형, "Feasibility Study of Federated Learning on the Distributed Research Network of OMOP Common Data Model", Healthcare Informatics Research, 29(2), pp.168~173 (2023), 대한의료정보학회
- W. Heyndrickx, "MELLODDY: Cross-pharma Federated Learning at Unprecedented Scale Unlocks Benefits in QSAR without Compromising Proprietary Information", Journal of Chemical Information and Modeling (2023)
- W. Aziz, "MELLODDY: Federated machine learning for drug discovery on AWS", AWS re:Invent (2021)
- "K-멜로디 프로젝트가 뭐길래 제약바이오협회가 나설까?"[URL]