77ee627da75f4e4 통계학 석사, 약물 역학 박사, 그리고 데이터 분석가. 데이터를 통해 '임상적 진실'을 데이터로 증명하는 일을 합니다. 숫자 뒤에 숨겨진 맥락을 읽는 것이 진짜 분석이라 믿습니다. https://brunch.co.kr/@@inlP 2025-12-07T10:13:54Z https://brunch.co.kr/@@inlP/19 2026-04-26T11:39:03Z 2026-04-26T11:39:03Z

회의실에서는 종종 비슷한 장면이 반복됩니다. 분석 결과가 어느 정도 정리된 뒤, 사람들은 그제야 품질을 이야기하기 시작합니다. 민감도 분석은 충분했는지, 다른 정의로 돌려도 비슷한 결과가 나오는지, 프로토콜과 변수 정의는 투명하게 설명되었는지. 하나하나 다 중요한 질문입니다. 실제로 좋은 연구는 대개 이런 질문을 견딜 수 있어야 합니다. 그런데 그 장면을

https://brunch.co.kr/@@inlP/18 2026-04-18T11:56:47Z 2026-04-18T11:56:07Z

분석 보고서를 처음 받을 때, 저는 결과 표보다 먼저 한 가지를 확인하는 습관이 생겼습니다. - 비교군이 누구인가. 효과 추정치는 대개 표 한가운데 크게 놓여 있습니다. 하지만 그 결론의 방향을 실제로 바꾸는 선택은, 의외로 더 조용한 자리에 적혀 있는 경우가 많습니다. - 어떤 사람을 누구와 비교했는가. 그 한 줄이, 이후의 해석을 거의 다 결정해버리기

https://brunch.co.kr/@@inlP/17 2026-04-09T05:35:06Z 2026-04-09T05:35:06Z

회의실에서 비슷한 장면을 자주 봅니다. - 분석 결과가 공유됩니다. 누군가 가장 먼저 묻습니다. - P 값이 얼마에요? 0.048 입니다. 그 순간 회의실 안의 공기가 조금 풀립니다. 반대로 "0.06 입니다" 라는 답이 나오면, 묘한 침묵이 흐릅니다. 숫자는 거의 비슷한데, 해석은 전혀 다른 방향으로 흘러갑니다. 0.048과 0.06. 실제로는 같은

https://brunch.co.kr/@@inlP/16 2026-03-08T11:08:36Z 2026-03-08T11:08:36Z

지난 글에서 다룬 RMP는 단순한 서류가 아니라, 안전성에 대한 질문 리스트에 가깝습니다. 특히 Potential risk나 Missing information은 지"금은 확실히 모르지만, 그냥 지나치지는 않겠다는" 유럽식 태도를 잘 보여줍니다. 그렇다면 RMP 안에서 - "이 부분은 추가 확인이 필요하다" 즉 Additional pharmacovigil

https://brunch.co.kr/@@inlP/15 2026-01-10T13:06:18Z 2026-01-10T13:06:18Z

RWE(Real-World Evidence) 분석 프로젝트가 마무리될 즈음이면, 회의실에서는 묘하게 비슷한 장면이 반복되곤 합니다. "통계적으로는 유의하게 나왔습니다(p-value < 0.05). 민감도 분석(sensitivity analysis) 결과도 일관적입니다." 분명 수치는 기준을 넘었고, 프로토콜에 따라 분석도 수행되었습니다. 하지만 박수치며

https://brunch.co.kr/@@inlP/14 2025-12-22T12:06:58Z 2025-12-22T12:06:58Z

유럽(EMA)은 약의 시판 후 안전관리를 단순히 "문서 제출"로 보지 않고 하나의 거대한 "체계(System)"로 다루는 곳입니다. 그 체계를 가장 교과서처럼 정리해둔 것이 GVP Module V, 그리고 그 결과물이 우리가 흔히 말하는 RMP(Risk Management Plan) 입니다. RMP를 처음 접하면 표가 많고 용어가 어려워 압도되기 쉽습니다

https://brunch.co.kr/@@inlP/12 2025-12-21T12:33:12Z 2025-12-21T12:33:12Z

실제 진료 데이터를 다루다 보면 이런 결과를 너무나 자주 봅니다. "약을 꾸준히 먹은 사람은 예후가 좋습니다." 특히 순응도(adherence) 연구에서는 거의 자연법칙처럼 등장하는 결과죠. 하지만 역학자나 데이터 분석가의 머릿속에는 자동으로 삐딱한 질문이 따라옵니다. "그게 약을 꾸준히 먹어서 좋아진 걸까? 아니면 원래 건강한 사람이니까 약도 꼼꼼하

https://brunch.co.kr/@@inlP/11 2025-12-17T11:57:17Z 2025-12-17T11:57:17Z

저는 약물감시(PV) 전문가가 아닙니다. 제약사나 규제기관에 RMP(위해성 관리계획) 문서를 제출하는 업무는 PV팀의 고유 영역이죠. 하지만 최근 들어 저는 분석가로서 RMP 문서를 열어보는 일이 잦아졌습니다. 예전에는 PV팀에서 "분석해 주세요" 하고 던져주는 요구사항만 받았다면, 이제는 그 요구사항이 나오게 된 배경을 이해해야 제대로 된 설계를 할 수

https://brunch.co.kr/@@inlP/10 2025-12-14T13:15:12Z 2025-12-14T13:11:58Z

신약이 식약처의 허가를 받았다는 뉴스가 뜨면, 보통 이렇게 생각합니다 "이제 안전하고 효과적인 약이 나왔구나" 개발에만 10년이 걸렸고, 수천억 원을 들여 임상시험까지 통과했으니 당연한 믿음입니다. 하지만 약물역학을 하는 사람에겐 "허가"는 끝이 아니라 거대한 시작일 뿐입니다. 오늘은 RWE/RWD 기술 이야기하기에 앞서, 우리가 왜 이토록 시판 후 약

https://brunch.co.kr/@@inlP/6 2025-12-12T09:00:37Z 2025-12-12T09:00:37Z

요즘 의료 AI 논문들을 보면 서두에 이런 문장이 자주 등장합니다. "AUC 0.93의 심부전 예측 모델을 개발하였다." "정확도 90% 이상의 재입원 예측 모델을 구현하였다." 숫자만 보면 감탄이 절로 나옵니다. 이 정도 성능이면 당장 실전에 사용해도 되지 않을까? 라는 생각도 들죠. 하지만 헬스케어 데이터 분석을 업으로 삼고 있는 제 입장에서 보면,

https://brunch.co.kr/@@inlP/8 2025-12-11T10:54:49Z 2025-12-11T10:54:49Z

클라이언트는 이미 화가 나 있는 것이 아니었다. 공포에 질려 있었다. 우리 회사에서 다른 팀 프로젝트들이 연이어 사고를 쳤다. 신뢰는 바닥을 뚫고 지하로 추락한 상태. 그들은 이제 우리 회사 로고만 봐도 의심부터 하는 지경에 이르렀다. 하필 그 살얼음판 위에서, 우리가 발을 헛디뎠다. 1. 불씨를 제공한건 우리였다. 변명의 여지가 없는 우리의 귀책이었다

https://brunch.co.kr/@@inlP/5 2025-12-11T06:45:08Z 2025-12-11T06:44:19Z

제약 업계 커리어를 시작한 뒤, 저는 사실상 SAS만 사용했습니다. 통계 분석, 리포트, 규제 제출용 테이블까지 모두 SAS 해결 됐고, "임상통계는 SAS"라는 말이 전혀 어색하지 않은 환경이죠. SAS는 제게 비싼 세단 같은 존재입니다. 유지비는 많이 들지만, 한번 시동을 걸면 언제나 똑같은 결과를 재현할 수 있고, 고객이나 규제 기관에 내놓아도 "믿

https://brunch.co.kr/@@inlP/3 2025-12-10T08:45:05Z 2025-12-10T08:45:05Z

우리는 흔히 무작위 배정 임상시험(RCT)을 근거 중심 의학의 '골드 스탠다드(Gold Standard)'라고 부릅니다. 완벽하게 통제된 환경, 엄격한 선정/제외 기준, 그리고 무작위 배정. 이보다 더 과학적인 방법은 없어 보입니다. 하지만 실무를 하다 보면, 그 완벽한 RCT 결과가 '실제 진료 현장(Real-World)'에서는 전혀 다른 양상으로 나타

https://brunch.co.kr/@@inlP/4 2025-12-10T04:11:52Z 2025-12-10T04:11:52Z

요즘 의학, 약학의 연구를 보면 "이제 AI가 다 해줄 것 같다"는 말을 자주 듣습니다. 건강검진 결과, 병원 EMR, 보험 청구 데이터까지 한데 모으면, AI가 알아서 "누가 언제 어떤 병에 걸릴지" 예측해 줄 것 같은 분위기죠. 헬스케어 데이터를 통해 데이터 분석을 업으로 삼고 있는 저 역시, 이런 기대와 동시에 묘한 불편함을 함께 느낍니다. "정말로

https://brunch.co.kr/@@inlP/1 2025-12-10T02:48:17Z 2025-12-10T02:48:17Z

우리는 흔히 "데이터는 거짓말을 하지 않는다"고 말합니다. 특히 5천만 국민의 전수 자료인 건강보험심사평가원 데이터나 건보공단 데이터는 세계적으로도 유례없는 보물창고로 불립니다. 하지만 저는 데이터 분석가로 일하며, 그 보물창고의 입구에서 벌어지는 '아주 인간적인' 데이터 생성 과정을 목격했습니다. 그리고 지금은 모 회사에서 데이터 분석팀 팀장으로 일하며