배경: 첨단 바이오뱅크는 대규모 생물학적 및 임상 데이터의 수집과 통합을 통해 생의학 연구를 지원하는 데 점점 더 초점을 맞추고 있다. 본 연구는 한국 바이오뱅크 네트워크(Korea Biobank Network, KBN) 내 기관들이 표준화된 공통 데이터 모델을 사용하여 임상 정보를 효율적으로 수집하고 활용할 수 있도록 하는 빅데이터 플랫폼을 개발하는 것을 목적으로 하였다. 방법: KBN 바이오뱅크 연구정보 및 디지털 영상 교환(Biobank Research Information and Digital Image Exchange, BRIDGE) 플랫폼은 43개 바이오뱅크가 전자의무기록과 임상 데이터를 체계적으로 수집하고 업로드할 수 있도록 개발되었다. 이 플랫폼은 자동화된 품질 검증 및 기본 통계 전처리 기능을 포함하도록 설계되어, 복잡한 질의 없이도 사용자가 데이터를 효율적으로 분석할 수 있게 하였다. 또한 사용자들이 플랫폼에 대해 느끼는 만족도를 평가하기 위한 설문조사를 수행하였다. 결과: KBN BRIDGE 플랫폼을 통해 기관들은 39개 질환에 대한 임상 정보를 수집하고 통합하였다. 2021년부터 2023년까지 기관들이 수집한 총 136,473명의 환자 임상 데이터가 43,330개의 혈청 샘플, 33,352개의 혈장 샘플, 22,279개의 buffy coat 샘플을 포함하여 KBN 공통 데이터 모델에 업로드되었다. 35개 기관의 데이터 관리자를 대상으로 실시한 만족도 설문에서 플랫폼에 대한 평균 점수는 5점 만점 중 3.5점으로 보고되었다. 결론: 본 연구는 KBN BRIDGE 플랫폼이 다수의 바이오뱅크에 걸쳐 대규모 임상 정보를 체계적으로 수집, 통합, 관리할 수 있음을 개발 및 입증하였다. 또한 데이터 품질 관리와 전처리 통계 기능을 통해 여러 연구 응용 분야에서의 잠재력을 보여주었다. 향후 시스템 기능과 임상 정보 활용의 추가 개선은 다양한 연구 분야에서 플랫폼의 유용성을 더욱 향상시킬 수 있을 것이다.

배경: 본 연구는 수술 후 급성 신손상(PO-AKI)의 장기 사망률에 대한 함의와 관련된 지식의 공백을 다루고자 하며, 기존의 전통적 통계 모형보다 더 정확하게 예후를 예측하기 위해 고도화된 기계학습 기법을 활용한다. 방법: 2009년 3월부터 2019년 12월까지의 기간 동안 7개 기관의 자료를 사용하여 후향적 코호트 연구를 수행하였다. 기계학습 모형은 수술 전 변수 23개와 수술 후 변수 1개를 이용하여 PO-AKI 환자의 모든 원인 사망을 예측하도록 개발하였다. 모형 성능은 Cox 회귀 분석을 통한 전통적 통계적 접근과 비교하였다. 예측 성능 지표로는 일치도 지수(concordance index)를 사용하여 서로 다른 모형들 간의 예측 능력을 비교하였다. 결과: 199,403명의 환자 중 2,105명이 PO-AKI를 발생시켰다. 중앙 추적기간 144개월(사분위 범위, 99.61–170.71개월) 동안 입원 중 사망은 472건이 발생하였다. PO-AKI가 있는 대상은 그렇지 않은 대상보다 생존율이 유의하게 낮았다(p < 0.001). 사망 예측을 위한 일치도 지수에서 XGBoost와 가속 실패 시간(accelerated failure time) 모형이 0.7521로 가장 높았고, 그다음은 random survival forest(0.7371), 다변량 Cox 회귀 모형(0.7318), survival support vector machine(0.7304), gradient boosting(0.7277) 순이었다. 결론: 본 연구에서는 PO-AKI와 관련된 장기 사망률을 예측하기 위해 XGBoost와 가속 실패 시간 모형을 개발하였다. 이 모형의 성능은 기존의 관례적 모형보다 우수하였다. 기계학습 기법의 적용은 PO-AKI 이후의 사망을 보다 정확하게 예측하는 유망한 접근이 될 수 있으며, 환자 예후를 개선하기 위한 표적 중재 및 임상 지침 개발의 기반을 제공할 수 있다.