본 연구실은 의료 빅데이터와 인공지능 기술의 융합을 중심으로 다양한 연구를 수행하고 있습니다. 의료 현장에서 발생하는 방대한 양의 데이터를 효과적으로 수집, 저장, 분석하기 위해 최신 데이터 처리 기술과 인공지능 알고리즘을 접목하고 있습니다. 이를 통해 환자 진료 기록, 건강검진 데이터, 보험 청구 데이터 등 다양한 소스의 정보를 통합적으로 분석할 수 있는 기반을 마련하고 있습니다. 특히, 의료 빅데이터를 활용한 질병 예측 및 조기 진단 모델 개발에 주력하고 있습니다. 머신러닝과 딥러닝 기법을 적용하여 환자의 건강 상태 변화, 질병 발생 위험 요인, 치료 반응 등을 정량적으로 분석하고, 이를 바탕으로 맞춤형 의료 서비스를 제공할 수 있는 예측 시스템을 구축하고 있습니다. 이러한 연구는 실제 임상 현장에서의 활용 가능성을 높이기 위해 다양한 의료기관 및 공공 데이터와의 협력을 통해 진행되고 있습니다. 나아가, 의료 데이터의 특성상 발생할 수 있는 결측치, 비정상값, 데이터 불균형 문제를 해결하기 위한 통계적 방법론도 함께 개발하고 있습니다. 이를 통해 데이터의 신뢰성과 분석 결과의 정확도를 높이며, 궁극적으로 국민 건강 증진과 의료 서비스의 질 향상에 기여하고자 합니다.

연구실에서는 머신러닝 및 통계적 모델링을 활용한 질병 예측 연구에 집중하고 있습니다. 대표적으로, 다양한 만성질환(암, 심혈관질환, 당뇨 등)에 대한 발병 위험 예측 모델을 개발하고, 이를 실제 건강검진 데이터, 보험 데이터 등 대규모 코호트에 적용하여 예측 성능을 검증하고 있습니다. 이러한 모델은 환자의 연령, 생활습관, 임상 검사 결과 등 다양한 변수들을 통합적으로 고려하여 개별 환자 맞춤형 예측을 가능하게 합니다. 특히, Hidden Markov Random Field(HMRF)와 베이지안 MCMC 알고리즘 등 고급 통계기법을 접목하여, 시간에 따른 건강 상태 변화나 잠재적 질병 진행 경로를 모형화하고 있습니다. 이러한 방법론은 단순한 예측을 넘어, 질병의 진행 단계별 위험 요인 분석, 치료 반응 예측, 장기 생존율 추정 등 다양한 임상적 의사결정 지원에 활용되고 있습니다. 또한, 연구실은 실제 임상 데이터의 복잡성과 불확실성을 반영할 수 있는 반구조적·비모수적 모델 개발에도 힘쓰고 있습니다. 이를 통해 기존의 제한적인 통계 모델이 가지는 한계를 극복하고, 의료 현장에서 신뢰성 높은 예측과 해석이 가능한 분석 도구를 제공하고 있습니다.

본 연구실은 베이지안 변수선택과 다중검정 문제에 대한 이론적·응용적 연구도 활발히 수행하고 있습니다. 대규모 의료 데이터나 유전체 데이터 등 고차원 자료에서 중요한 변수(특징)를 효과적으로 선택하고, 동시에 다수의 가설을 검정하는 과정에서 발생할 수 있는 오류를 최소화하는 방법론 개발에 주력하고 있습니다. 특히, 베이지안 MCMC 알고리즘을 활용한 변수선택 기법과, Hidden Markov Random Field 기반의 다중검정 방법을 개발하여 실제 의료 데이터 분석에 적용하고 있습니다. 이러한 방법론은 변수 간의 상호의존성, 데이터의 구조적 특성, 잠재적 군집 구조 등을 반영할 수 있어, 기존의 단순한 변수선택이나 다중검정 기법보다 높은 정확도와 해석력을 제공합니다. 이와 같은 통계적 방법론은 의료 빅데이터 분석뿐만 아니라, 경제활동인구조사, 유전체 연구, 사회과학 데이터 등 다양한 분야에 적용되고 있습니다. 이를 통해 데이터 기반의 과학적 의사결정과 정책 수립에 기여하고 있습니다.