다양한 병원 및 국가 간의 의료 데이터를 통합·비교 분석하기 위해 공통데이터모델(OMOP-CDM: Observational Medical Outcomes Partnership Common Data Model)의 활용이 주목받고 있습니다. 조재형 교수는 CDM을 기반으로 한 역학 및 임상 연구 환경을 구축하고, 이를 활용하여 팬데믹 상황에서의 질병 양상 분석, 치료 반응 이질성 탐색, 정책 수립에 기여할 수 있는 정량적 데이터를 생산하고 있습니다. 특히 공간적·시간적 패턴 분석을 포함한 시공간 역학 분석 기법을 통합하여 전염병 확산 경로와 지역별 위험 인자를 정밀하게 추정할 수 있는 모델을 개발하고 있으며, 이를 통해 지역사회 맞춤형 보건의료 전략 수립이 가능하도록 하고 있습니다. 본 연구는 단순 데이터 분석을 넘어서 국제 공동 네트워크 기반 연구에도 활용되고 있으며, 국내외 공공보건 기관과의 협력 기반을 바탕으로 실질적 정책 수립에 이바지할 수 있는 연구 인프라를 제공합니다.

동일한 치료법이 모든 환자에게 동일하게 작용하지 않는다는 점에서 치료 반응의 이질성(Heterogeneity of Treatment Effects, HTE)은 개인 맞춤형 치료전략 수립의 핵심입니다. 조재형 교수는 대규모 청구자료 및 전자건강기록 기반 데이터를 활용하여, 기계학습 기반의 개별 치료 반응 예측 모델을 개발하고 있습니다. 이러한 모델은 특정 치료에 대해 누가 더 잘 반응하는지를 사전에 예측함으로써, 환자 개개인에게 가장 적절한 치료법을 제안할 수 있게 하며, 치료 실패 확률을 낮추고 의료자원의 효율적 활용에도 기여합니다. 특히 정신건강 약물, 심혈관 치료제 등 다양한 치료 영역에서의 분석 경험을 토대로 환자 중심 치료결정 지원 시스템(CDSS) 개발에도 적용되고 있습니다. 이와 같은 연구는 임상의사의 치료 결정에 과학적 근거를 제공하고, 보다 정밀한 의료 실현을 가능하게 합니다.

중환자실(ICU)에 입원한 환자들의 상태는 급격히 변화하며, 정확한 예후 예측은 임상적 의사결정에 있어 필수적입니다. 조재형 교수는 다양한 환자군, 특히 암환자 및 심혈관질환 환자를 대상으로 기계학습(Machine Learning) 기반의 예후 예측 모델을 개발하여, 조기 사망 위험 및 치료 반응을 정밀하게 예측하는 연구를 수행하고 있습니다. 이 연구는 수술 직후의 검사 지표, 중환자실 내 생체신호, 약물 처방 정보 등 다양한 실시간 데이터를 통합 분석하여, 위험군 선별 및 치료 전략 수립에 중요한 임상 도구를 제공합니다. 특히 예측 모델은 해석 가능성(Interpretability)을 중시하여, 단순 예측을 넘어 의사에게 의미 있는 임상적 인사이트를 제공합니다. 이러한 기술은 향후 병원 내 의사결정 지원 시스템(DSS)과의 통합을 통해 실제 진료현장에서 활용될 수 있는 가능성을 보여주고 있습니다.