Adaption of Technical Architecture and Data Mining Model for Event Signal Detection in Adverse Drug Event Surveillance System

Abstract

"약물부작용감시시스템(Adverse Drug Event Surveillance System)은 약물부작용을 경험했을 환자들을 대상으로 미리 정해진 임상적 기준에 약물부작용 신호를 적용하여 부작용 여부를 판별하는 시스템을 말한다. 국내에서는 아직까지 대용량 데이터 처리 기술 문제, 약물부작용 신호 개발 미흡, 약물부작용 판단을 위한 객관적 지침의 부족 등으로 임상 현장에서 약물부작용감시시스템의 사용이 많이 활성화 되어 있지는 않다.

본 연구에서는 국내 약물부작용감시시스템 연구의 활성화 및 상용화를 목표로 지금까지 제안된 구조와는 다른 비즈니스인텔리전스 기술을 적용하여 약물부작용감시시스템의 기술구조를 제시하였다. 제안된 3단계 기술구조 중 1,2단계를 실제 개발에 적용하여 약물부작용감시시스템으로 구축하여 실험을 진행하였다. 1단계(Staging)에서는 1,005개 테이블에서 데이터룰 추출하여 분석에 필요한 4개의 테이블로 데이터마트를 구축하였고 이 과정에서 데이터전처리, 데이터품질관리 기법을 통해 분석 데이터의 변형과 왜곡을 최소화 하였다. 2단계(Identification)에서는 특정기간(1개월) 동안 약처방과 검사처방 데이터를 지식베이스에 적용하여 부작용 여부를 판별 하였다. 분석 기간 내 판별 결과 처방의사 701명, 대상 환자는 남자 1,528명, 여자 1,531명으로 기간 내 환자는 총 3059명 이었으며 이중에서 약물부작용으로 의심되는 사례는 전체 318,222건 중에서 약 0.6%에 해당하는 2,085건으로 확인되었다. 이를 신호별로 분류하면 단순유형의 LabR0005(T.Bilirubin> 3mg/dL)가 전체 2085건에서 548건으로 가장 높았다. 데이터마이닝모델의 비교사학습(Unsupervised Learning)기법 적용은 재현성(Reproducibility)평가를 통해 군집 개수의 타당성을 확보한 후, 군집분석을 수행하여 미리 결정된 군집개수(n=4)를 적용하여 실험 데이터를 분류한 후 각 군집의 특징을 분석하였다. 전체 약처방 데이터 213,666건 중에서 처방용량 단위가 동일한 18,856건을 분석한 결과 K-means기법이 일부 작은 군집(42 case)을 약물부작용으로 식별하여 그 우수성을 확인 하였으며, 나머지(Two-steps, SOM)기법에서는 특별한 군집을 형성하지 못하였다."