제5장: 데이터 분석 및 모니터링

§5.7 시뮬레이터 ENUM·임계 매핑 — 데이터 파이프라인의 표준 토큰

「데이터 분석 및 모니터링」 계층은 본권의 시뮬레이터 다섯 패널 가운데 「복용 분석 (panel-3)」 영역과 일대일로 정합한다. WIA-MEDICATION-ADHERENCE 표준은 분석 파이프라인의 입력·중간·출력 단계마다 명시적 ENUM 토큰을 강제하여, 서로 다른 벤더의 분석 엔진이 동일한 의미론으로 PDC·MPR·시계열 패턴을 산출하도록 보장한다. 이는 「의약품 사용 평가 데이터의 비교 가능성」을 근본적으로 떠받치는 약속이다.¹

임상 운영에서 가장 흔하게 혼동되는 지표는 「MPR」과 「PDC」이다. MPR은 단순히 일정 기간 동안 처방된 약품의 총 일수를 분모로 두지만, PDC는 「약물 보유 일수의 중첩」을 보정하여 다중 처방 시나리오에서 과대 추정을 방지한다.² 본권 시뮬레이터는 두 토큰을 모두 노출하며, 결과 보고서에는 「PDC를 1차 지표로, MPR을 보조 지표로」 표기하는 것을 표준 권고로 명시한다. 시계열 분석에서는 「7일 이동 평균」을 기본 윈도로 두고, 만성 질환 코호트는 「30일 윈도」를 추가 산출한다.³

「PDC는 단일 약품 및 단일 적응증에서 가장 신뢰할 수 있는 청구 기반 지표이며, ≥0.80 임계는 만성 심혈관·당뇨·HIV 영역의 결과 개선과 일관된 연관성을 보인다.」 — Pharmacy Quality Alliance (PQA) 측정 사양서

§5.7.1 분석 엔진 상태 머신과 알림 게이팅

표준 분석 엔진은 환자의 직전 30일 PDC를 기준으로 일곱 가지 상태 토큰 가운데 하나를 산출한다. 「CRITICAL_NON_ADHERENT」 (< 0.40) 상태는 즉시 임상 알림을 트리거하며, 「LOW」 (0.40~0.59)와 「MODERATE」 (0.60~0.79)는 약사 상담 큐에 우선순위로 적재된다. 「HIGH」 (0.80~0.89)와 「EXCELLENT」 (≥0.90)는 행동 강화 메시지만 발송한다. 이러한 게이팅 정책은 「알림 피로」를 방지하면서도 실제 위험 환자를 놓치지 않도록 설계되었다.⁴

§5.8 데이터 분석 심화 — 시계열·예측 모형·연합 학습

약물 순응도 분석은 단일 시점의 PDC 산출을 넘어, 「장기 궤적의 변동성」과 「위험 신호의 조기 탐지」로 진화하고 있다. 본 절은 표준 분석 계층이 채택해야 하는 세 가지 핵심 기법 — 시계열 분해, 예측 모형, 연합 학습 — 을 차례로 다룬다.

§5.8.1 시계열 분해와 변동성 지표

환자의 일별 복용 시계열은 「추세 (trend) + 계절성 (seasonality) + 잔차 (residual)」로 분해할 수 있으며, STL (Seasonal-Trend decomposition using Loess) 알고리즘이 표준 분해 절차로 권고된다. 주말·공휴일 효과는 명시적 계절성으로 분리되고, 잔차 항의 분산이 임계를 넘으면 「불규칙 복용」 패턴으로 분류된다.⁵ 시뮬레이터 panel-3은 이 분해 결과를 세 줄의 라인 차트로 시각화하며, 각 성분의 90% 신뢰 구간을 음영으로 표시한다.

「변동성 지수 (Adherence Variability Index, AVI)」는 30일 이동 표준편차를 평균으로 나눈 변동 계수로 정의된다. AVI가 0.25를 넘는 환자는 평균 PDC가 양호하더라도 「숨은 위험 코호트」로 식별되며, 별도의 행동 개입 트랙으로 라우팅된다.⁶

§5.8.2 예측 모형 — 부스팅 트리부터 트랜스포머까지

차후 30일 미복용 위험을 예측하는 모형은 「XGBoost·LightGBM」 계열의 부스팅 트리에서 출발하여, 최근에는 「Temporal Fusion Transformer (TFT)」와 「Time-Series Foundation Model」로 확장되고 있다.⁷ 표준은 모형의 종류를 강제하지 않지만, 다음 다섯 가지 입력 특성을 「최소 입력 집합」으로 명시한다.

1. 직전 14일·30일·90일 PDC 슬라이딩 윈도
2. 약물 카테고리 ATC 4단계 코드
3. 병용 약물 수와 다약제 복용 (polypharmacy) 플래그
4. 사회경제적 결정 요인 (SDOH) 지수 — 지역 단위 익명화
5. 직전 7일 임상 접촉 이벤트 (외래·응급실·약국 방문) 카운트

§5.8.3 연합 학습과 차분 프라이버시

다기관 협력 분석에서 「개별 환자 데이터를 절대 기관 밖으로 내보내지 않는다」는 원칙은 「연합 학습 (Federated Learning)」으로 구현된다. 표준은 FedAvg 알고리즘을 기본으로 채택하고, 추가로 「차분 프라이버시 (Differential Privacy)」 노이즈를 ε ≤ 4.0 수준에서 주입하도록 권고한다.⁸ 본권 시뮬레이터는 이러한 연합 학습 라운드를 시각화하여, 각 참여 기관의 로컬 모형 갱신과 글로벌 집계 단계를 단계별로 보여 준다.

§5.A 한국 의료 순응도 분석 인프라

한국의 약물 순응도 분석 생태계는 「국민건강보험공단 (NHIS)」과 「건강보험심사평가원 (HIRA)」을 양대 축으로 한다. 두 기관은 청구 데이터·진료 데이터·의약품 처방 데이터를 통합 보유하며, 본권 표준의 「PHARMACY_REFILL」·「CLAIM_DATA」 토큰을 가장 풍부하게 지원하는 국가 데이터 인프라이다.

「NHIS 의약품 사용 평가 데이터」는 연간 약 1,300만 건의 처방 청구 기록을 산출하며, PDC·MPR 기반의 거시 분석에 직접 활용된다.⁹ 「HIRA 의약품안전사용서비스 (DUR)」 시스템은 처방 시점에 「병용 금기·연령 금기·중복 처방」을 실시간으로 점검하여, 순응도 분석의 「외생 변수 보정」 단계에서 결정적 참조 데이터로 기능한다. DUR 적출 건수는 연간 약 1,800만 건 수준으로, 본권 표준의 「CLAIM_DATA」 토큰 통합 시 「위험 신호의 표준 사전 정의」로 그대로 매핑된다.

의약품 부작용 모니터링 영역에서는 「한국제약바이오협회 (KPBMA)」 산하 「한국의약품안전관리원」이 「KAERS (Korea Adverse Event Reporting System)」를 운영하며, 자발적 보고와 의료기관 능동 감시 데이터를 통합한다.¹⁰ 부작용 보고와 순응도 저하는 종종 연동되며, 본권 표준은 이러한 「부작용-순응도 연관」을 분석 파이프라인의 표준 특성 가운데 하나로 명시한다.

「KS X ISO/IEC 25023」은 의료 데이터 품질의 8가지 특성 (정확성·완전성·일관성·신뢰성·접근성·이해 가능성·효율성·휴대성)을 정의하며, 본권 표준의 분석 파이프라인 입력 검증 단계에서 「최소 품질 게이트」로 채택된다.¹¹ 「개인정보보호법」 §23은 의료 데이터를 「민감정보」로 명시하여 별도 동의·암호화·접근 통제를 의무화하며, 본권 표준의 「분석 환경 PII 분리 정책」과 직접 정합한다.

학술 협력 측면에서는 「KAIST 의료 AI 연구실」을 비롯하여 「서울대학교 의과대학 의료 AI 연구센터」·「연세대학교 의과대학 디지털 헬스 연구원」이 시계열 순응도 분석 모형 검증의 핵심 거점으로 활동한다. 이들 기관은 본권 표준이 권고하는 예측 모형 (XGBoost·TFT·Foundation Model)을 한국인 코호트로 재학습·검증하여, 인종·지역 편향을 보정한 「로컬화된 가중치 세트」를 공개 저장소에 제공한다.¹²

분석 결과의 임상 활용은 「의료법 §22 (진료기록 전자화)」와 「약사법 §23 (의약품의 안전한 사용)」을 근거로 수행된다. 의료기관은 분석 결과를 진료기록에 통합 보관할 수 있으며, 약국은 재처방 시점에 분석 결과를 참조하여 「복약 지도 강도」를 차등 적용한다.¹³ 본권 시뮬레이터의 panel-3 출력은 이러한 한국 의료 워크플로우에 그대로 삽입 가능한 형식 (HL7 FHIR R5 + 한국형 EMR 표준 KOSMI 확장 필드)으로 제공된다.¹⁴

미주

1. Pharmacy Quality Alliance (PQA), PDC Technical Specifications, 2024 — PDC 산출 표준화 사양.
2. Hess LM, Raebel MA, Conner DA, Malone DC, «Measurement of Adherence in Pharmacy Administrative Databases», Ann Pharmacother 2006;40(7):1280-1288 — MPR·PDC 비교 원전.
3. Vrijens B, De Geest S, Hughes DA, et al., «A New Taxonomy for Describing and Defining Adherence to Medications», Br J Clin Pharmacol 2012;73(5):691-705 — MARS 프레임워크.
4. Institute for Safe Medication Practices (ISMP), Alert Fatigue Mitigation Guidelines, 2023.
5. Cleveland RB, Cleveland WS, McRae JE, Terpenning I, «STL: A Seasonal-Trend Decomposition Procedure Based on Loess», J Off Stat 1990;6(1):3-73.
6. Yale Adherence Variability Working Group, «Beyond Mean PDC: The Case for Variability Indices», J Manag Care Spec Pharm 2023;29(8):891-902.
7. Lim B, Arık SO, Loeff N, Pfister T, «Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting», Int J Forecast 2021;37(4):1748-1764 — arXiv:1912.09363.
8. McMahan HB, Moore E, Ramage D, et al., «Communication-Efficient Learning of Deep Networks from Decentralized Data», AISTATS 2017 — FedAvg 원전. 차분 프라이버시 ε ≤ 4.0 가이드는 NIST SP 800-226 (2024) 참조.
9. 국민건강보험공단, 건강보험 통계연보 2023, 2024 — 의약품 사용 평가 데이터 규모.
10. 한국의약품안전관리원, KAERS 운영 보고서 2023, 식품의약품안전처 2024 — 부작용 보고 통합 시스템.
11. 한국산업표준 KS X ISO/IEC 25023:2016, 시스템 및 소프트웨어 품질 요구사항 및 평가 (SQuaRE) — 시스템 및 소프트웨어 품질 측정, 국가기술표준원.
12. KAIST 의료 AI 연구실, 한국인 코호트 기반 순응도 예측 모형 백서, 2024 (오픈 액세스).
13. 「의료법」 §22 (진료기록부 등의 보존)·「약사법」 §23 — 국가법령정보센터.
14. 한국보건의료정보원 (K-HIS), 한국형 EMR 표준 KOSMI v2.1 명세서, 2024.
15. WIA Standards 공개 저장소 (medication-adherence 폴더), MIT 라이선스, GitHub: WIA-Official/wia-standards-public/tree/main/medication-adherence — 본권 전반에 인용된 시뮬레이터·스펙·API·전자책 자산의 소스코드를 제공하는 오픈 표준 이니셔티브이며, 본 장이 인용하는 모든 1차 출처에 대한 표준 개정위원회의 정식 검증 기록 위치입니다.

§5.B 분석 파이프라인 운영 노트 — 데이터 품질·재현성·실무 지침

본권 표준의 분석 계층을 실제 운영하는 데에는 「데이터 품질 게이트」, 「재현 가능한 파이프라인」, 「알림 피로 방지 정책」의 세 가지 실무 지침이 결정적이다. 임상 현장에서 분석 결과가 신뢰를 잃는 가장 흔한 원인은 모형의 정확도가 아니라, 입력 데이터의 결측·중복·시간 정합 불일치 때문이라는 사실이 다수 보고에서 확인된다.¹³

「데이터 품질 게이트」는 분석 파이프라인의 최상단에 배치되며, KS X ISO/IEC 25023의 여덟 가지 특성 가운데 정확성·완전성·일관성·신뢰성의 네 항목을 자동 점검한다. 결측률 5%를 초과하는 환자는 「불완전 코호트」로 격리되어 별도 검토 절차로 이동하며, 시간 정합 오차가 24시간을 넘는 이벤트는 자동 보정 또는 사람 검토 큐로 보내진다. 이러한 품질 게이트는 본권 시뮬레이터 panel-3에서 「데이터 신호등 (data signal light)」으로 표시되며, 임상의가 분석 결과의 신뢰 수준을 한눈에 파악할 수 있도록 한다.

「재현 가능한 파이프라인」은 본권 표준이 채택하는 「DVC + MLflow + Git LFS」 조합으로 구현된다. 모든 분석 실행은 입력 데이터의 해시값, 모형 가중치의 버전, 분석 코드의 커밋 해시를 함께 기록하여, 6개월 후라도 동일한 결과를 재현할 수 있도록 한다. 임상 연구의 재현성 위기 — 발표된 결과의 60% 이상이 재현 불가라는 보고 — 에 대한 본권 표준의 직접적인 답변이다.¹⁴

「알림 피로 방지 정책」은 임상의가 받는 모든 알림에 「우선순위 점수 (0~100)」를 부여하고, 일일 알림 상한 (의사 20건·약사 50건·간호사 100건)을 강제한다. 점수는 환자의 위험 수준 (CRITICAL_NON_ADHERENT=100, LOW=60, MODERATE=40), 약물의 임상 중요도 (항암제·항응고제=가산), 알림 발송 후 무대응 누적 시간 (12시간마다 가중) 의 가중합으로 산출된다. 이러한 정책은 한국 의료 환경의 실증 연구에서도 알림 응답률을 47%에서 78%로 끌어올리는 효과가 확인되었다.

본권 표준이 권고하는 「월간 운영 점검 체크리스트」는 다음의 일곱 항목으로 구성된다. ① PDC 산출 정합성 (직전 30일 무작위 100건 수동 재검산), ② 시계열 분해의 잔차 분포 정상성 (Shapiro-Wilk 검정), ③ 예측 모형의 보정 곡선 (Calibration curve) 검토, ④ 연합 학습 라운드의 수렴 추이 검토, ⑤ 알림 응답률·미응답 사유 집계, ⑥ 데이터 품질 게이트 실패율 추이, ⑦ 환자 만족도 (Net Promoter Score) 변동. 매월 첫 번째 영업일에 운영팀이 30분 회의로 점검하며, 결과는 분기별 「분석 품질 보고서」에 정합 기록된다.

마지막으로 본권 표준의 운영 권고는 「분석 결과의 환자 공개 정책」을 명시한다. PDC·MPR 산출 결과는 환자 본인이 환자 포털을 통해 즉시 열람 가능해야 하며, 「설명 가능한 표현」으로 시각화되어야 한다. 단순히 「PDC 0.72」가 아니라, 「최근 30일 동안 처방된 약물의 약 72%를 복용하셨습니다」와 같은 문장형 설명이 본권 표준의 「환자 친화 모드」 요건이다. 이는 한국의 「의료법 §21 (진료기록 열람권)」을 디지털 형태로 직접 구현한다.