주요 논문
5
*2026년 기준 최근 6년 이내 논문에 한해 Impact Factor가 표기됩니다.
1
Article
|
인용수 0
·
2025LC-MS-Based Untargeted Metabolic Profiling in Plasma Following Dapagliflozin Administration in Healthy Volunteers
Hyeon Ji Kim, J Lee, Ji Seo Park, Jin Ju Park, Hae Won Lee, Heeyoun Bunch, Sook Jin Seong, Mi‐Ri Gwon, Young‐Ran Yoon
IF 3.7 (2025)
Metabolites
다파글리플로진(dapagliflozin)은 나트륨-포도당 공동수송체 2(sodium-glucose cotransporter 2) 억제제로, 신장에서의 포도당 재흡수를 차단하고 요 중 포도당 배설을 촉진함으로써 제2형 당뇨병을 치료한다. 이러한 기전은 인슐린과 무관하게 혈중 포도당 농도를 낮춘다. 그 결과 나타나는 열량 손실 또한 체중 감소에 기여한다. 이러한 효과는 당뇨 환자에서 잘 문헌화되어 있으나, 건강한 개인에서의 그 크기와 근본 기전은 아직 충분히 이해되지 않았다.
배경/목적: 우리는 무표적 대사체학(untargeted metabolomics)을 이용하여 정상 체질량지수(BMI)를 가진 건강한 성인에서 다파글리플로진 10 mg 단회 투여 후의 대사 변화를 조사하였다.
방법: 13명의 건강한 지원자가 본 연구를 완료하였다. 혈장은 투여 전과 투여 후 24시간에 채취하였다. 무표적 대사체 프로파일링은 초고성능 액체크로마토그래피-사중극자 비행시간/질량분석기(ultra-high-performance liquid chromatography-quadrupole time-of-flight/mass spectrometry)로 수행하였다.
결과: 25개의 내인성 대사물이 주석(annotated)되었으며, 그중 10개는 추정적으로 동정되었다. 8개는 유의하게 증가했고 2개는 감소하였다. 상향 조절된 대사물에는 포스파티딜콜린(phosphatidylcholine, PC) 종(PC O-36:5, PC 36:3), 포스파티딜세린(phosphatidylserine, PS) 종(PS 40:2, PS 40:3, PS 36:1, PS 40:4), 리소포스파티딜세린(lysophosphatidylserine) 22:1, 우리딘(uridine)이 포함되었다. 탈수안드로스테론 설페이트(dehydroepiandrosterone sulfate)와 빌리루빈(bilirubin)은 하향 조절되었다. 인간 대사체 데이터베이스(Human Metabolome Database)에 따르면, 이들 대사물은 글리세로포스포리피드(glycerophospholipid), 분지사슬 아미노산(branched-chain amino acid), 피리미딘(pyrimidine), 스테로이드 호르몬(steroid-hormone) 대사에 관여한다.
결론: 다파글리플로진은 포도당 조절을 넘어 에너지 대사 및 항상성(homeostasis)과 관련된 경로들에 영향을 미칠 수 있다. 본 자료는 대사 장애에서 에너지 균형 및 대사적 유연성(metabolic flexibility)에 대한 향후 연구를 위한 기준(reference)을 제공한다.
https://doi.org/10.3390/metabo15070484
Dapagliflozin
Metabolome
Chemistry
Endocrinology
Internal medicine
Metabolite
Metabolic pathway
Metabolomics
Glucuronate
Metabolism
2
Article
|
인용수 0
·
2025Clinical Laboratory Parameter–Driven Machine Learning for Participant Selection in Bioequivalence Studies Among Patients With Gastric Cancer: Framework Development and Validation Study
Byungeun Shon, Sook Jin Seong, Eun Jung Choi, Mi‐Ri Gwon, Hae Won Lee, Jaechan Park, Ho Young Chung, Sungmoon Jeong, Young‐Ran Yoon
IF 2 (2025)
JMIR AI
배경: 참여자 모집의 부족은 임상시험 실패를 초래하는 주요 요인이다. 목적: 임상 검사실 지표를 활용하는 기계학습(ML) 기반 프레임워크를 구성하여 생물학적 동등성 연구에 등록 가능한 대상자를 식별하고자 하였다. 방법: 한국의 경북대학교병원 전자의무기록에서 위암 환자 11,592명의 기록을 수집하였다. ML 모델은 일반 혈액검사 및 간·신장 기능 검사 등을 포함한 8개의 임상 검사실 매개변수와 함께 검사 획득일자를 사용하여 개발하였다. 두 개의 데이터셋을 수집하였다: (1) ML 기반 후보자 선별 방법을 설계하기 위한 훈련 데이터셋, (2) 제안된 방법의 성능을 평가하기 위한 테스트 데이터셋이다. ML 기반 방법의 일반화 성능은 F1-score와 곡선하 면적(AUC)을 사용하여 확인하였다. 제안된 모델은 모집 효능을 평가하기 위해 무작위 선별 방법과 비교하였다. 결과: 가중 앙상블 모델은 F1-score 0.8 이상, AUC 0.8 초과의 높은 성능을 달성하여, 잘못된 분류를 최소화하면서 유효한 임상시험 후보자를 정확히 식별할 수 있음을 보여주었다. 또한 높은 민감도는 선별 대상 환자 우선순위를 설정하는 데 있어 모델의 효율을 더욱 향상시켰다. 사례 연구에서 제안된 ML 모델은 무작위 선별에 비해 필요 환자 수(485명)를 대체하여, 209명의 풀에서 150명의 유효 환자를 효율적으로 식별함으로써 작업량을 57% 감소시켰다. 결론: 임상 검사실 지표를 활용한 제안된 ML 기반 프레임워크는 임상시험에 적격한 환자를 식별하는 데 사용할 수 있으며, 이를 통해 참여자 등록을 더 빠르게 수행할 수 있다.
https://doi.org/10.2196/64845
Medicine
Workload
Clinical trial
Machine learning
Bioequivalence
Random forest
Artificial intelligence
Selection (genetic algorithm)
Computer science
Internal medicine
3
Preprint
|
인용수 0
·
2024A Machine Learning-based Framework Using Clinical Laboratory Parameters to Support Participant Enrollment in Clinical Trials (Preprint)
Sook Jin Seong, Byungeun Shon, Eun Jung Choi, Mi-Ri Gwon, Hae Won Lee, Jaechan Park, Ho Young Chung, Sungmoon Jeong, Young‐Ran Yoon
배경 참여자 등록이 충분하지 않은 점은 임상시험 실패에 책임지는 주요 요인이다. 목적 우리는 임상시험 등록에 적합한 참여자를 식별하기 위해 임상 검사실 지표를 활용하는 기계학습(ML) 기반 프레임워크를 고안하였다. 방법 우리는 2011년부터 2019년까지 한국의 경북대학교병원 전자의무기록에서 위암 환자 11,592명의 기록을 수집하였다. 혈색소, 호중구 수, 혈소판 수, 총 빌리루빈, 아스파트산 아미노전이효소, 알라닌 아미노전이효소, 알칼리인산분해효소, 크레아티닌을 포함한 8개의 임상 검사실 지표와 이들의 채택(획득) 날짜를 ML 모델 개발에 사용하였다. 데이터셋은 훈련 및 테스트 세트로 분할하였다. 후보자 선정을 위한 ML 기반 방법을 설계하기 위해 2011년부터 2018년까지의 훈련 데이터셋을 수집하였고, 제안된 방법의 성능을 평가하기 위해 2019년에 테스트 데이터셋을 수집하였다. F1 점수와 곡선 아래 면적(area under the curve, AUC)을 사용하여 ML 기반 방법의 일반화 성능을 확인하였다. 또한, 제안된 모델을 무작위 선택 방법과 비교하여 참여자를 모집하는 데 있어의 효능을 평가하였다. 결과 각 임상 지표의 수신자조작특성(receiver operating characteristic, ROC) 곡선은 0.789에서 0.915 범위에 있어 테스트 결과의 우수한 성능을 확인하였다. ML을 사용하여 예측된 확률이 가장 높은 순서로 환자를 추출하고 유효한 후보자를 식별하였다. 제안된 ML 모델은 무작위 선택 방법보다 더 빠르게 유효한 임상시험 대상자를 확인하였으며, 최대 업무량 감소 57%를 보였다. 결론 임상 검사실 지표를 활용한 본 제안 ML 기반 프레임워크는 임상시험에 적합한 환자를 식별하는 데 사용할 수 있으며, 참여자 등록을 더 빠르게 가능하게 한다. 임상시험 KNUH 2020-04-023
http://dx.doi.org/10.2196/preprints.64845
Preprint
Clinical trial
Medical education
Artificial intelligence
Psychology
Computer science
Machine learning
Medicine
World Wide Web
4
Article
|
인용수 1
·
2024Clinical pharmacology and therapeutics in South Korea: 30 years with the Korean Society of Clinical Pharmacology and Therapeutics
Tae‐Eun Kim, Young‐Ran Yoon
IF 1.5 (2024)
Translational and Clinical Pharmacology
https://doi.org/10.12793/tcp.2024.32.e12
Clinical pharmacology
Medicine
Pharmacology
5
Article
|
인용수 4
·
2022Prothionamide Dose Optimization Using Population Pharmacokinetics for Multidrug-Resistant Tuberculosis Patients
Hwi‐yeol Yun, Min Jung Chang, Heeyoon Jung, Vincent Chang, Qianwen Wang, Natasha Strydom, Young‐Ran Yoon, Radojka M. Savić
IF 4.9 (2022)
Antimicrobial Agents and Chemotherapy
다제내성 결핵(MDR-TB)을 위한 2차 약물인 프로티오나미드는 수십 년 동안 사용되어 왔다. 그러나 그 약동학(PK) 프로파일은 아직 명확하지 않다.
https://doi.org/10.1128/aac.01893-21
Dosing
Pharmacokinetics
Regimen
Population
Medicine
Pharmacology
Internal medicine