5부 중 5부 — 응용 프로그램별 검색에서 연구 수준 데이터 검색까지: 재현 가능한 임상 시험 데이터 확보를 위한 마지막 단계

임상시험 데이터 아카이빙 — 5/5부

이 시리즈의 1부에서는 비용 센터에서 전략적 자산으로의 전환을 다뤘습니다. 2부 에서는 과거 데이터를 AI 학습 데이터로 활용하는 방법을, 3부에서는 인수합병으로 인한 아카이빙 부담을 통합 이점으로 전환하는 방법을, 4부 에서는 애플리케이션 사일로를 진정한 상호 운용성으로 만드는 방법을 살펴보았습니다. 이번 글은 다섯 번째이자 마지막 단계로, 어려운 질문에 답하기 위해 연구 전체 데이터를 신속하게 검색해야 할 때 어떤 일이 발생하는지를 다룹니다.

올해 초, 미국 식품의약국(FDA)은 GLP-1 계열 체중 감량제인 삭센다(Saxenda), 웨고비(Wegovy), 제프바운드(Zepbound) 세 가지 제품에 표시된 자살 충동 경고 문구를 삭제하도록 제약회사들에 요청했습니다. 이러한 요청은 FDA가 2023년 7월, 두 약물 간의 연관성 가능성에 대한 보고를 처음 접수한 이후 시작된 검토에 따른 것입니다. 최종 분석에서는 107,910명의 환자를 대상으로 한 91건의 위약 대조 임상시험과 220만 명 이상의 환자를 대상으로 한 별도의 실제 임상 연구 결과를 종합했습니다. 결론은 위험 증가가 없다는 것이었습니다. 이에 따라 해당 경고 문구는 삭제되었습니다.

행간을 읽어보면, 진짜 중요한 것은 발견 자체가 아니라 그 발견에 이르는 과정입니다. 91건의 임상시험 중 일부는 2000년대 중반으로 거슬러 올라가며, 서로 다른 프로토콜과 연구팀에 의해 진행되었고, 그 당시에는 누구도 이 구체적인 질문을 제기하지 않았습니다. 이 질문에 답하기 위해서는 각 연구에서 환자 수준의 데이터를 추출하여 하나의 데이터 세트로 통합해야 했습니다. 이것은 단순한 검색이 아닙니다. 특정 항목이나 양식이 아닌, 전체 연구 수준에서 데이터를 추출하는 문제입니다.

대부분의 임상 데이터 검색 시스템은 아직 그런 목적에 맞게 설계되지 않았습니다. 애플리케이션 수준에서 구축되어 있어서, 한 가지를 확인하려면 EDC에 로그인하고, 다른 것을 확인하려면 eTMF에 로그인하고, 또 다른 것을 확인하려면 안전성 데이터베이스에 로그인해야 합니다. 각각의 검색 자체는 빠르지만, 이 모든 정보를 하나의 완전하고 신뢰할 수 있는 연구 기록으로 통합하는 데 실제로 시간이 많이 소요됩니다.

그 시간은 실질적인 비용으로 이어지며, 그 비용은 결코 적지 않습니다. 널리 인용되는 한 경제 분석에 따르면, 생의학 연구 전반에 걸쳐 재현 불가능한 전임상 연구로 인한 미국의 연간 손실액은 약 28억 달러에 달하며, 그중 상당 부분은 기록된 데이터를 검증하거나 재구성할 수 없습니다. 임상 시험은 전임상 연구보다 훨씬 엄격하게 진행되지만, 근본적인 문제는 동일합니다. 즉, 어딘가에 기술적으로 보관된 데이터와 실제로 검색 가능하고 완전하며 재분석할 준비가 된 데이터는 다르다는 것입니다.

이러한 유형의 "검색 가능"에는 ARDM(분석 결과 데이터 모델) 이라는 이름이 있습니다 . ARDM은 원시 데이터에 머무르지 않고, 연구에서 생성되는 표, 통계, 그림과 같은 분석 결과물을 정적인 PDF 파일이 아닌 구조화되고 기계가 읽을 수 있으며 재사용 가능한 데이터로 처리합니다. 핵심 아이디어는 " 한 번 작성하면 무한히 사용 가능 "하는 것입니다. 즉, 특정 목적을 위해 계산된 결과는 문서에 고정되어 필요할 때마다 처음부터 다시 계산할 필요 없이 다음 목적에도 사용할 수 있도록 저장 및 보관됩니다.

아래 네 가지 사례는 검색 결과 누락을 단순히 한 번의 잘못된 시도로 치부할 수 없게 만듭니다.

2026년 한 임상 시험에서, 한 연구팀이 이미 발표된 임상 시험 결과를 재현했습니다. 이 작업에는 다섯 개의 팀이 수백 시간의 노력을 기울였지만, 원래 데이터 사전을 찾을 수 없었고, 결과를 재현하는 데 필요한 통계적 초기값도 기록되어 있지 않았습니다. 데이터가 존재하지 않아서가 아니라, 해당 시험의 프로토콜 링크가 끊어져 있었기 때문입니다. 논문의 결론은 프로토콜, 데이터 사전, 방법론을 포함한 전체 연구 패키지가 없으면 데이터 재사용이 거의 불가능하다는 것입니다.

실제 데이터 재현 연구 (2019). 연구진은 영향력 있는 학술지에 발표된 미국 임상시험 220건을 실제 데이터(전자건강기록 및 보험 청구 데이터)를 사용하여 재현하려고 시도했지만, 33건(15%)만 재현에 성공했습니다. 대부분의 실패 원인은 이 시리즈에서 지속적으로 강조하는 것과 동일한 것으로 나타났습니다. 즉, 중재, 참여 기준 또는 최종 결과 지표가 원래 임상시험 시스템 외부에 구조화되고 검색 가능한 형태로 기록되지 않았다는 것입니다.

중환자 치료, 2018년 . 중환자 치료 임상 시험에서 나온 158건의 임상 진료 사례를 검토한 결과, 재현 시도가 이루어진 경우는 66건(42%)에 불과했습니다. 그중 56%는 원 연구 결과와 일치하지 않는 결과를 보였습니다. 처음에는 안전하고 효과적이라고 판단되었던 두 가지 진료법이 재검토 후 유해한 것으로 밝혀졌는데, 특히 하이드록시에틸 전분을 이용한 수액 소생술이 유해성 증거가 가장 일관되게 나타났습니다. 평균적으로 누군가가 재검토를 시도하기까지 4.6년이 걸렸습니다.

체계적 문헌고찰, 2016년 . 검색 자체가 재현 불가능한 경우가 많았다. 25개 저널에 게재된 272건의 체계적 문헌고찰을 분석한 결과, 사용된 모든 데이터베이스에서 재현 가능한 상세한 검색 전략을 제시한 문헌고찰은 13%에 불과했다. 검색어는 91%에서 보고되었지만, 어떤 데이터베이스에 적용되었는지, 그리고 실제로 검색이 언제 실행되었는지는 명시되지 않은 경우가 많았다.

단순히 자료 검색의 문제만이 아닙니다. 보고된 내용이 사전에 명시된 내용과 다를 수 있습니다. 임상시험 등록에 대한 별도의 검토 결과, 등록된 주요 결과와 발표된 결과 사이에 평균 31%의 차이가 있었고, 일부 연구에서는 100%에 달하기도 했습니다. 보조 결과의 경우 평균 54%의 차이가 나타났습니다. 결과가 사후에 변경된 경우, 약 절반은 통계적으로 유의미한 결과에 유리하게 변경되었습니다.

그렇기 때문에 업계와 규제 기관 모두 애플리케이션 수준이 아닌 연구 수준의 데이터 검색으로 나아가고 있습니다. 유럽의약품청(EMA)은 2016년 정책 0070이 발효된 이후 요약 결과뿐 아니라 전체 임상 연구 보고서를 적극적으로 공개하도록 요구해 왔습니다. 국제의약품규제위원회(ICMJE)를 통해 학술지 편집자들은 2018년부터 임상시험 데이터 공유 계획을 의무화했습니다. Vivli와 같은 비영리 플랫폼은 연구자가 여러 시스템에 흩어져 있는 문서가 아닌 완전한 연구 데이터를 요청할 수 있도록 특별히 설계되었습니다. 연구 결과가 서로 연결되지 않은 애플리케이션에 조각난 데이터로만 존재한다면 이러한 모든 노력은 무용지물이 될 것입니다.

연구 수준 검색을 위한 5 가지 핵심 요건 :

• 연구 전체에 걸쳐 사용되는 단일 고정 ID문서나 데이터 세트별로 하나의 ID가 있는 것이 아니라, 프로토콜, 연구 데이터, 분석 코드 및 임상 연구 보고서(CSR)를 하나의 검색 가능한 단위로 연결하는 단일 ID가 있습니다.
• 데이터셋뿐만 아니라 완벽한 패키지입니다.2026년의 단일 임상시험 재분석 사례는 경고의 메시지를 전달합니다. 프로토콜, 데이터 사전, 분석 방법이 포함되지 않은 원시 데이터는 재사용할 수 없습니다. 분석 결과 데이터 모델(ARDM)은 이러한 문제를 더욱 심화시킵니다.
• 다섯 번의 개별 로그인이 아닌 하나의 관리형 쿼리로 모든 작업 처리연구자나 규제 기관은 EDC, eTMF 및 통계 저장소에서 재구성하는 것이 아니라, 한 번의 작업으로 전체 연구를 추출해야 합니다.
• 종자 번호까지 기록된 방법론이처럼 세밀한 수준에서의 정확한 재현성은 세부 사항에 따라 달라집니다. 만약 그 시점에 포착되지 않으면 나중에 복구할 수 없습니다.
• 기존 연구와 새로운 연구는 동일한 방식으로 검색할 수 있습니다.GLP-1 검토에는 2000년대 중반의 임상시험과 2020년대의 임상시험을 통합하기 위한 자료가 필요했습니다. 이전 연도의 연구만 검색할 수 있는 시스템은 검색 시스템이라고 할 수 없으며, 단지 임시방편일 뿐입니다.

GLP-1 안전성 검토는 이 이야기의 긍정적인 측면입니다. "자살 위험이 실제로 존재하는가?"라는 질문에 답하기 위해서는 이 질문이 제기되기 훨씬 이전에 진행된 수십 년간의 삭센다 임상시험 데이터를, 최근의 웨고비와 제프바운드 임상시험 데이터와 함께 검색 및 통합 가능한 형태로 처리해야 했습니다. 이는 임상시험 기록 전체가 일관성 있고 검색 가능한 패키지 형태로 보존되어 있을 때만 가능하며, 단순히 시스템에 저장되어 있던 파일 폴더 형태로 남아 있는 경우에는 불가능합니다. 다행히도, 규제 기관은 91건의 임상시험 데이터를 통합하여 추측이 아닌 실제 데이터를 바탕으로 중요한 안전성 문제를 해결할 수 있었습니다. 그 결과, 경고 사항이 삭제되었고, 제품 라벨이 악화되지는 않았습니다.

이 목록에 있는 모든 항목은 실제로 이 시리즈 3부에서 소개된 FAIR 원칙을 개인 기록이 아닌 연구 수준에 적용한 것입니다.

• 찾기 가능모든 연구는 여러 시스템에 흩어져 있는 문서 ID가 아닌, 하나의 영구적인 ID를 갖습니다.
• 액세스체계적인 검색 프로세스를 통해 요청 시 전체 연구 자료를 반환받을 수 있으며, 여러 시스템을 수동으로 검색할 필요가 없습니다.
• 상호 운용 가능기존 연구와 새로운 연구는 번역 작업 없이도 동일한 통합 분석에 포함될 수 있는 구조를 사용합니다.
• 재사용프로토콜, 데이터 사전, 분석 방법 및 결과가 함께 전달되므로 재분석 시 아무도 기록하지 않은 세부 사항을 기억할 필요가 없습니다.

이 중 하나라도 건너뛰면 연구 수준의 검색은 기술적으로는 가능하지만 실제로는 느리고, 링크 하나만 끊어져도 재현 불가능한 결과가 나올 수 있는 애플리케이션별 검색으로 조용히 되돌아갑니다.

이것으로 블로그 시리즈를 마무리하면서, 전체적인 주제를 명확히 정리하는 것이 좋겠습니다. 각 블로그는 비용 타당성, AI의 관련성, 인수합병 이점, 애플리케이션 확산, 데이터 검색 결과 등 서로 다른 문제를 다루는 듯했습니다 . 하지만 사실 모든 문제는 같은 질문을 다른 관점에서 던진 것이었습니다. 바로 " 데이터가 생성될 당시 현장에 없었던 사람도 쉽게 찾고, 신뢰하고, 재사용할 수 있도록 데이터가 충분히 잘 관리되고 있는가 ?" 라는 질문입니다.

• 측정 기준 1 - 비용 센터에서 전략적 자산으로보관된 임상시험 데이터를 잘 재활용하면 개발 기간을 단축할 수 있습니다.
• 측정 기준 2 - 훈련 데이터에 대한 백미러그 아카이브는 인공지능 모델의 원료가 될 수 있는데, 단 그 아카이브의 출처가 모델 자체만큼 엄격하게 문서화되어 있어야 합니다.
• 측정 기준 3 - 아카이브 부담에서 통합의 이점으로인수합병은 아카이브를 증식시키지만, FAIR 원칙은 두 회사의 데이터가 두 개의 서류 캐비닛이 아닌 하나의 활용 가능한 자원이 되도록 해줄 것입니다.
• 측정 기준 4 - 애플리케이션 사일로에서 진정한 상호 운용성으로최고 수준의 애플리케이션들은 진정한 상호 운용성을 바탕으로 공존할 수 있지만, 그러기 위해서는 모든 애플리케이션 아래에 공통으로 관리되는 데이터 계층이 있어야 합니다.
• 5차원 — 응용 프로그램별 검색에서 연구 수준 검색까지위에서 언급한 모든 노력은 필요할 때 연구 결과를 완전하고 재현 가능한 형태로 다시 추출할 수 있을 때에만 의미가 있습니다.

이 다섯 가지 차원 중 어느 하나도 선택 사항이 아니며, 어느 하나도 독립적으로 작동하지 않습니다. 생성 및 재사용 비용은 저렴하지만 AI 모델에 활용할 수 없고, 인수 후 통합이 어렵고, 다양한 공급업체의 애플리케이션 환경에서 제대로 작동하지 않으며, 규제 압력 하에서도 온전하게 복구될 수 없는 아카이브는 진정한 의미의 아카이브가 아닙니다. FAIR 원칙은 이 다섯 가지 문제 중 어느 하나만을 다루는 것이 아니라, 항상 이 모든 문제를 동시에 해결하는 것을 목표로 했습니다.

만약 여러분의 조직에서도 파이프라인 초기 단계에서 AI를 적용하여 이러한 문제를 해결하고 있다면, 제 동료인 로히트 파르데시 와 소우미스 바부리가 작성한 백서를 살펴보는 것이 좋습니다. 이 백서는 연결된 데이터 인프라를 활용하여 AI 기반 약물 재활용 및 표적 식별 속도를 높이는 프레임워크를 제시합니다. 이는 이 블로그에서 주장하는 "단순히 특정 분야만이 아닌 전체 연구"라는 논리를 적용하여, 이미 연구된 내용을 어떻게 옹호할지가 아니라 다음에 무엇을 연구할지 결정하는 데 활용하는 것입니다. 제약 R&D에서 AI 기반 약물 재활용 및 표적 식별을 위한 프레임워크(A Framework for AI Driven Drug Repurposing and Target Identity in Pharma R&D)를 참고해 보세요.

만약 당신이 생물통계학, 규제 업무 또는 데이터 관리 분야에 종사한다면, 규제 기관이 내일 당신의 조직에 특정 제품에 대한 지난 15년간의 모든 임상시험 결과를 취합해달라고 요청한다면, 전체 연구 자료를 다시 검색하시겠습니까, 아니면 하나씩 개별적으로 재구성하시겠습니까?

자주 묻는 질문

임상시험 데이터 관리에서 연구 수준 검색이란 무엇인가요?

연구 수준 검색이란 개별 애플리케이션을 통해 개별 기록을 검색하는 대신, 관리되고 신뢰할 수 있는 하나의 패키지로 전체 임상 연구를 검색하는 것을 의미합니다. 프로토콜, 연구 데이터, 분석 방법 및 임상 연구 보고서를 연결하여 연구를 전체적으로 검색하고 재사용할 수 있도록 합니다.

응용 프로그램별 검색과 연구 수준 검색의 차이점은 무엇인가요?

애플리케이션별 검색은 EDC, eTMF 또는 안전 데이터베이스와 같은 시스템에서 한 번에 하나의 정보만 검색합니다. 연구 수준 검색은 단일 관리 요청을 통해 전체 연구 정보를 제공하므로, 서로 연결되지 않은 여러 시스템에서 정보를 수동으로 재구성해야 하는 필요성을 줄여줍니다.

임상시험 데이터에서 연구 수준 검색이 중요한 이유는 무엇일까요?

연구 수준 검색을 통해 임상 시험 데이터를 더 쉽게 찾고, 접근하고, 분석하고, 재현하고, 재사용할 수 있습니다. 데이터만 보존하는 것으로는 충분하지 않으며, 관련 프로토콜, 데이터 사전, 방법론 및 결과 또한 검색 가능하고 서로 연결된 상태로 유지되어야 합니다.

완전한 임상시험 데이터 패키지에는 무엇이 포함되어야 할까요?

완전한 임상시험 패키지에는 연구 프로토콜, 연구 데이터, 데이터 사전, 분석 코드 또는 방법, 그리고 임상 연구 보고서가 포함되어야 합니다. 이러한 구성 요소들은 원시 데이터에만 의존하는 것이 아니라 연구를 이해하고, 재현하고, 재사용하는 데 필요한 맥락을 제공합니다.

분석 결과 데이터 모델(ARDM)이란 무엇인가요?

분석 결과 데이터 모델(ARDM)은 표, 통계, 그림과 같은 분석 결과물을 정적인 문서가 아닌 구조화되고 기계가 읽을 수 있으며 재사용 가능한 데이터로 취급합니다. 이러한 접근 방식을 통해 분석 결과를 처음부터 다시 계산할 필요 없이 향후에 활용할 수 있도록 검색할 수 있습니다.

연구 수준의 데이터 검색은 임상 시험의 재현성을 어떻게 뒷받침합니까?

연구 수준의 정보 검색은 연구 재현에 필요한 정보를 한곳에 보관함으로써 재현성을 지원합니다. 여기에는 프로토콜, 데이터 사전, 분석 방법 및 기타 방법론적 세부 사항(필요한 경우 통계적 초기값과 같은 정확한 정보 포함)이 포함됩니다.

연구 수준 정보 검색을 위한 다섯 가지 핵심 요건은 무엇입니까?

다섯 가지 핵심 요건은 전체 연구에 대한 단일 영구 ID, 완전한 연구 패키지, 여러 애플리케이션 검색 대신 하나의 관리형 쿼리, 기록된 방법론, 그리고 기존 연구와 새로운 연구 모두에 대한 일관된 검색입니다.

임상시험 데이터 검색에 FAIR 원칙은 어떻게 적용될까요?

FAIR 원칙은 임상시험 데이터를 찾기 쉽고, 접근 가능하며, 상호 운용 가능하고, 재사용 가능하도록 만듭니다. 연구 수준에서 이는 영구적인 연구 식별자 사용, 체계적인 검색, 호환 가능한 구조, 그리고 프로토콜, 데이터, 방법, 결과를 함께 보관하는 것을 의미합니다.

연구 수준의 데이터 검색은 규제 검토 및 안전성 분석을 어떻게 지원합니까?

연구 수준 검색을 통해 연구자와 규제 기관은 중요한 안전성 또는 규제 관련 질문을 조사할 때 전체 임상 시험 데이터를 검색하고 통합할 수 있습니다. GLP-1 안전성 검토 사례는 과거 임상 시험 데이터를 검색하고 최신 연구 결과와 결합하여 특정 안전성 질문에 답하는 방법을 보여줍니다.

왜 기존 임상시험 결과를 새로운 임상시험과 동일한 방식으로 검색할 수 있어야 할까요?

규제 검토, 안전성 분석 또는 연구를 위해 과거 연구와 최신 연구를 결합해야 할 수도 있습니다. 따라서 검색 시스템은 최근에 생성된 데이터로 검색을 제한하는 대신, 동일한 관리 방식을 통해 과거 연구와 새로운 연구 모두에 접근할 수 있도록 해야 합니다.

참고자료

• 미국 식품의약국(FDA), "GLP-1 수용체 길항제 약물에서 자살 행동 및 자살 충동 경고 삭제 요청" (2026년 4월) fda.gov/drugs/drug-safety-communications/fda-requests-removal-suicidal-behavior-and-ideation-warning-glucagon-peptide-1-receptor-agonist-glp
• 사이언스 뉴스, "미국에서 재현 불가능한 생명 과학 연구로 28억 달러의 손실 발생", 프리드먼, 콕번, 심코의 "전임상 연구의 재현성 경제학", PLOS Biology (2015) 논문 보도 — sciencenews.org/article/irreproducible-life-sciences-research-us-costs-28-billion
• 키르히너 외, "임상 연구 데이터 재고: 분석 결과를 데이터로 존중해야 하는 이유", Scientific Data (2022) — nature.com/articles/s41597-022-01789-2
• Ansari et al., “영향력 높은 소아과, 심장학 및 외과 저널에 게재된 체계적 검토에서 검색 전략의 재현성이 낮다”, PLOS One (2016) — Journals.plos.org/plosone/article?id=10.1371/journal.pone.0163309
• Trials(Springer Nature), "임상시험 데이터의 재분석 및 재사용 지원: 사례 연구"(2026) — link.springer.com/article/10.1186/s13063-026-09646-y
• Niven et al., “중환자 치료 분야 임상 연구의 재현성: 범위 검토,” BMC Medicine (2018) — link.springer.com/article/10.1186/s12916-018-1018-6
• Franklin 외, "임상 시험 증거를 재현하기 위해 실제 데이터를 사용하는 것의 타당성", JAMA Network Open (2020) — jamanetwork.com/journals/jamanetworkopen/fullarticle/2752575
• Jones et al., “무작위 대조 시험에서 등록된 결과와 발표된 결과의 비교: 체계적 검토,” BMC Medicine (2015) — link.springer.com/article/10.1186/s12916-015-0520-3
• 뉴잉글랜드 의학 저널, "투명성과 유럽 의약품청 - 임상시험 데이터 공유"(2015) - nejm.org/doi/full/10.1056/NEJMp1409464
• Wilkinson 외, "과학 데이터 관리 및 보호를 위한 FAIR 지침 원칙", Scientific Data (2016) — nature.com/articles/sdata201618
• Vivli는 비영리 글로벌 임상 연구 데이터 공유 플랫폼입니다. vivli.org

#임상시험 #임상데이터관리 #생명과학 #재현성 #FAIR데이터 #데이터전략 #신약개발 #규제업무

면책 조항: 본 블로그에 표현된 콘텐츠, 견해 및 의견은 전적으로 작성자의 것이며, SOLIX TECHNOLOGIES, INC., 그 계열사 또는 파트너의 공식 정책이나 입장을 반영하는 것이 아닙니다. 본 블로그는 독립적으로 운영되며, SOLIX TECHNOLOGIES, INC.가 공식적인 자격으로 검토하거나 보증하지 않습니다. 본 블로그에 언급된 모든 제107자 상표, 로고 및 저작권 자료는 해당 소유자의 재산입니다. 모든 사용은 공정 사용 원칙(미국 저작권법 제1조 및 이에 상응하는 국제법)에 따라 식별, 논평 또는 교육적 목적으로만 엄격히 제한됩니다. SOLIX TECHNOLOGIES, INC.와의 후원, 보증 또는 제휴 관계는 묵시적으로 허용되지 않습니다. 콘텐츠는 정확성, 완전성 또는 어떠한 목적에의 적합성에 대한 보증 없이 "있는 그대로" 제공됩니다. SOLIX TECHNOLOGIES, INC.는 이 자료를 기반으로 취한 조치에 대해 어떠한 책임도 지지 않습니다. 독자는 이 정보의 사용에 대한 전적인 책임을 집니다. SOLIX는 지적 재산권을 존중합니다. DMCA 삭제 요청을 제출하려면 INFO@SOLIX.COM으로 (2) 저작물 식별 정보, (3) 침해 자료의 URL, (4) 귀하의 연락처 정보, (XNUMX) 성실한 태도에 대한 진술을 포함한 이메일을 보내주십시오. 유효한 신고는 즉시 처리됩니다. 이 블로그에 접속함으로써 귀하는 본 면책 조항 및 이용 약관에 동의하는 것으로 간주됩니다. 본 계약은 캘리포니아 법률의 적용을 받습니다.