초록 ▼

□ 연구개요
본 연구에서는 빅데이터 분석과 효율적 기계학습 모형에 기반한 개인맞춤형 정밀의료 (personalized medicine)에 대한 통계적 방법론을 연구한다. 맞춤의료 구현을 위한 통계적 과제는 결국 개인 의사결 정의 최적화 문제로 귀결되며, 유전체, 진료 및 보험 기록 등의 모든 정보를 포함하는 빅데이터의 효율적 분석이 필수적이다. 이를 위해 (i) 개인맞춤형 치료방법 (Individualized treatment rule; ITR) 및 (ii) 동적치료체제(Dynamic treatment regime; DTR)

□ 연구개요
본 연구에서는 빅데이터 분석과 효율적 기계학습 모형에 기반한 개인맞춤형 정밀의료 (personalized medicine)에 대한 통계적 방법론을 연구한다. 맞춤의료 구현을 위한 통계적 과제는 결국 개인 의사결 정의 최적화 문제로 귀결되며, 유전체, 진료 및 보험 기록 등의 모든 정보를 포함하는 빅데이터의 효율적 분석이 필수적이다. 이를 위해 (i) 개인맞춤형 치료방법 (Individualized treatment rule; ITR) 및 (ii) 동적치료체제(Dynamic treatment regime; DTR) 구현을 위한 통계적 방법론을 연구하고 이를 강화학습 기반 의사결정 알고리즘 개발에 집중하였다. 물리적이고 체계적인 통제가 가능한 공학 적 실험설계와 달리 인간을 대상으로 하는 보건의료 분야의 연구에서는 기계학습을 통한 예측력의 향 상 못지않게 치료방법과 반응결과 사이의 인과관계를 밝히는 것이 필수적이다. 이를 위해 (iii) 의사관 측자료(pseudo observation) 기반 ITR 및 DTR 알고리즘을 개발하고 이에 대한 (iv) 인과적 추론 (causal inference) 연구를 진행하였다.

□ 연구 목표대비 연구결과
(1) 개인맞춤형 의료행위(ITR) 추천을 위한 통계학습 방법론 연구
맞춤형 치료를 위한 통계적 모형은 첫째 치료방법이라는 주효과보다 치료방법과 질병 및 환자의 특성 의 교호작용을 통한 결합효과에 초점을 맞추며, 둘째 이를 통해 최적화된 반응변수를 정확히 예측할 수 있어야 하며, 마지막으로 고차원 자료의 차원축소 과정을 필수적으로 수반한다. 의사결정 최적화 를 위해 치료방법 및 환자에 대한 공변량에 대한 결합모형을 고려하되 모형의 설명력 및 예측력을 높 이기 위해 준모수적 모형을 설정한다. 이때 비모수적 부분모형의 추론을 위해 랜덤포레스트 등 탄력적인 기계학습 방법론을 이용하며 이에 대한 평가 방법을 제시하는 연구를 진행할 것이다. 반응변수 의 형태에 따라 일반화선형모형(GLM), 분위수(Quantile) 회귀 및 생존모형 등으로 확장 가능하며 이 에 대한 알고리즘 개발 및 이론적 성질을 연구하였다.
(2) 동적치료체제(DTR) 구현을 위한 의사결정 알고리즘 개발
연구기간이 긴 임상시험 및 추적조사의 경우 환자들은 여러 번에 걸쳐 다양한 치료를 받는다. 이경우 환자의 기초상태 및 초기 치료방법 등은 후속 치료방법의 선택을 위한 의사결정에 영향을 미치게 되 며 따라서 순차적인 의사결정 최적화 과정을 필요로 하는데 이를 동적치료체제(DTR)라 한다. DTR 분석은 환자의 공변량 및 의료행위의 결합효과를 분석하고 이러한 효과가 후속치료에 어떻게 영향을 미치는가를 순차적으로 정량화한다. 이를 위해 본 연구에서는 DTR 분석을 위한 통계적 방법론을 연 구하고 Q-학습, A-학습 등 강화학습 기반 의사결정 알고리즘을 개발한다. 나아가 국민건강보험 맞춤 형 DB 분석을 통한 실증 연구도 진행하였다.
(3) 중도절단 자료에 대한 ITR 및 DTR 기계학습 분석모형 개발 및 응용
생존분석의 상당한 문제들은 콕스모형을 중심으로 연구가 이루어져 왔으나 ITR 및 DTR 분석에서 콕 스모형의 활용은 매우 복잡한 형태를 지닌다. 이를 위해 본 연구에서는 의사관측자료 (pseudo observations)를 활용하여 생존 데이터에 대한 개인맞춤형 의료행위 추천방법을 연구하고자 한다. 의료행위 추천을 위한 의사결정 최적화 문제는 결국 비모수적 분류문제로 환원할 수 있으며 이를 위 해 서포트벡터머신(SVM) 기반 반응가중학습 방법에 대한 연구를 진행하였다.
(4) 의사관측자료 기반 인과추론 및 이중강건성(double robustness) 성질 연구
본 연구에서는 교란변수로 인한 편향(bias)을 줄이기 위한 이중강건 추정법에 대해 연구한다. 이는 반응변수에 대한 작업모형과 그룹효과에 대한 확률모형에 의한 분석을 결합한 것으로 이 중 하나가 틀리더라도 다른 모형이 제대로 설정된 경우 올바른 추정치를 제공한다. 이러한 방법은 잘못된 모형 설 정에 대한 방어뿐만 아니라 점근적으로 보다 효율적인 추정치를 제공한다. 본 연구에서는 설정모형의 추정을 위해 다양한 기계학습 모형을 고려하고 이에 따른 이중강건 추정치의 성질을 연구한다. 이러한 인과추론 연구는 ITR 분석과도 밀접한 관련이 있으며 A-학습, C-학습 등의 프레임을 통해 DTR 분석으로도 연구를 확장, 진행하였다.

□ 연구개발성과의 활용 계획 및 기대효과 (연구개발결과의 중요성)
ITR 및 DTR 등 개인맞춤형 의료행위 추천을 위한 통계적 방법론은 최근 보건의료 및 생명공학에서 가장 큰 주목을 받고 있는 연구 분야로 기계학습 등의 최신 빅데이터 방법론이 가장 효율적으로 사용 될 수 있는 분야이기도 하다. 이러한 개인맞춤형 예측모형은 보건의료 뿐만 아니라 경제학, 교육학, 사회행정학, 심리학 등 데이터 및 개체 맞춤형 의사결정이 필요한 다양한 분야에서 활용될 수 있는 효과적인 분석 및 예측 방법이다. 가령 암과 같은 만성질병의 경우 지속적인 빅데이터 분석을 통해 각 환자의 상태에 따른 최적의 치료법 및 정확한 생존율을 제시하고, 이를 통해 환자의 삶의 질(quality of life)을 개선하는데 아주 중요한 역할을 할 수 있다. 교육평가의 경우 학생의 수행 상태, 학습 평가 및 적성 등에 따른 개인맞춤형 교육방법을 탐색하는데 활용될수 있으며, 기업 경영의 경우 기존 사업 성과에 따른 기업별 사업계획 재수립 및 포트폴리오 최적화 등에 사용될 수 있다. 이처럼 본 연구 과제를 통해 개발된 방법론이 관련 연구자들에 의해 널리 활용되고 관련 분야의 발전을 촉진시키는데 도움이 되는 것이 본 연구의 궁극적인 목표이다. 이를 위해 관련 연구자들이 제안된 방법을 쉽게 활용 할 수 있도록 Python/R언어를 이용한 공개 통계 프로그램을 만들어 깃허브 등을 통해 배포하였다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• (1) 개인맞춤형 의료행위(Individualized Treatment Rule; ITR) 추천을 위한 통계학습 방법론 연구 ... 4
• (2) 동적치료체제(Dynamic Treatment Regimes; DTR) 구현을 위한 의사결정 알고리즘 개발 ... 5
• (3) 중도절단 자료에 대한 ITR 및 DTR 기계학습 분석모형 개발 및 응용 ... 6
• (4) 의사관측자료 기반 인과추론(causal inference) 및 이중강건성(double robustness) 성질 연구 ... 6
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 7
• 1) 정성적 연구개발성과(연구개발결과) ... 7
• 2) 세부 정량적 연구개발성과 ... 7
• 3) 목표 달성 수준 ... 8
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 8
• 5. 연구개발성과의 관리 및 활용 계획 ... 8
• [붙임1] 세부 정량적 연구개발성과 ... 10
• [붙임2] 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 16
• 끝페이지 ... 26