Be great

DBMS(Database Management System)와 NoSQL은 데이터 관리의 두 축을 이루며, 각기 다른 특성과 장점을 바탕으로 다양한 데이터 유형과 환경에서 사용됩니다. 이 글에서는 DBMS와 NoSQL의 기본 정의와 각각의 대표적인 소프트웨어, 최신 트렌드를 바탕으로 LIMS(Laboratory Information Management System) 데이터베이스 구축에 적합한 선택을 제안합니다.

DBMS란 무엇인가?

DBMS는 데이터를 효율적으로 저장하고 관리하는 시스템으로, 주로 테이블 형식의 정형 데이터를 다루며 SQL(Structured Query Language)을 통해 데이터를 조회하고 조작합니다. DBMS는 데이터 무결성과 일관성을 보장하는 트랜잭션 관리 기능을 제공하며, 대표적인 DBMS로는 Oracle, PostgreSQL, MariaDB, IBM Db2 등이 있습니다.

DBMS의 대표 소프트웨어 종류

1. Oracle Database: 금융, 제조, 의료와 같이 높은 보안과 안정성이 요구되는 분야에서 주로 사용됩니다.
2. PostgreSQL: 오픈 소스 데이터베이스로 확장성과 JSON 지원 기능을 통해 비정형 데이터를 다룰 수 있습니다.
3. MariaDB: MySQL에서 파생된 오픈 소스 DBMS로 비용 효율성이 높으며 다양한 분야에서 인기가 많습니다.
4. IBM Db2: 대규모 데이터와 트랜잭션을 처리하는 데 적합하며, AI 및 머신러닝 기능을 결합해 빅데이터 분석에 활용됩니다.

DBMS의 장점과 사용 상황

• 데이터 무결성을 보장하기 위해 ACID 특성을 갖춘 트랜잭션을 지원하므로, 금융 및 의료 데이터와 같이 정형화된 데이터 관리가 필요한 환경에 적합합니다.
• 강력한 쿼리 기능을 제공하여 복잡한 데이터 관계를 쉽게 조회하고 처리할 수 있습니다.
• 정형 데이터 관리: 임상 데이터 관리 및 연구 데이터를 구조화해 처리하는 데 유리합니다.

NoSQL이란 무엇인가?

NoSQL은 관계형 데이터베이스의 한계를 극복하고자 등장한 시스템으로, 비정형 또는 반정형 데이터를 유연하게 처리할 수 있습니다. Key-Value, Document, Column-family, Graph 등 다양한 데이터 모델을 통해 유연한 스키마 구조와 수평 확장성을 제공합니다. 주요 NoSQL 시스템으로는 MongoDB, Cassandra, Redis, Neo4j 등이 있습니다.

NoSQL의 대표 소프트웨어 종류

1. MongoDB: Document 기반 NoSQL로 JSON 형식의 데이터를 유연하게 저장하며, 비정형 데이터를 다루는 애플리케이션에 적합합니다.
2. Cassandra: 분산 환경에서 대용량 데이터를 처리하며 높은 가용성과 확장성을 지원하여 소셜 미디어, IoT 데이터에 유리합니다.
3. Redis: Key-Value 데이터베이스로 빠른 데이터 액세스를 제공해 캐시, 실시간 분석 등에 활용됩니다.
4. Neo4j: Graph 데이터베이스로 관계성이 중요한 데이터를 시각적으로 관리하여 소셜 네트워크, 추천 시스템에 적합합니다.

NoSQL의 장점과 사용 상황

• 유연한 스키마 구조: 데이터 구조 변경에 유연하여 실시간 데이터 처리 및 비정형 데이터 관리에 유리합니다.
• 수평적 확장성: 분산된 서버에서 대규모 데이터를 관리하여 확장성을 극대화할 수 있습니다.
• 적합한 사용 사례: 소셜 미디어 데이터, IoT 데이터처럼 빠르게 변하는 비정형 데이터에 적합합니다.

최신 데이터베이스 트렌드

최근 데이터베이스는 클라우드 기반 서비스, 하이브리드 및 멀티모델 데이터베이스, AI 통합 등의 방향으로 발전하고 있으며, 이를 통해 데이터 처리 효율성을 극대화하고 있습니다.

1. 클라우드 기반 데이터베이스: Amazon RDS, Google Cloud SQL, Amazon DynamoDB, Google Firestore 등은 클라우드 환경에서 확장성과 유연성을 제공하여 대규모 데이터 관리에 적합합니다.
2. 하이브리드 데이터베이스 아키텍처: PostgreSQL과 MongoDB처럼 DBMS와 NoSQL을 병행해 정형 및 비정형 데이터를 함께 처리하는 방식이 늘고 있습니다.
3. 멀티모델 데이터베이스: ArangoDB, Couchbase와 같은 멀티모델 DBMS는 Key-Value, Graph, Document 기반을 모두 지원해 다양한 데이터 유형을 하나의 플랫폼에서 통합 관리할 수 있습니다.
4. AI 및 머신러닝 기능 통합: Azure Cosmos DB와 같은 서비스는 AI 모델을 데이터베이스에 직접 적용해 실시간 데이터 분석과 예측을 가능하게 합니다.

LIMS(Laboratory Information Management System)에 적합한 데이터베이스 설계

LIMS는 실험 결과, 샘플 정보, 연구 데이터를 관리하는 시스템으로, 다양한 데이터 유형을 효율적으로 처리하기 위해 최신 트렌드를 반영한 데이터베이스 아키텍처를 구축하는 것이 중요합니다.

1. 관계형 DBMS와 NoSQL의 하이브리드 아키텍처

• 정형 데이터(샘플 정보, 실험 프로토콜)는 관계형 DBMS에 저장하고, 비정형 데이터(실험 결과, 유전체 데이터)는 NoSQL에 저장하는 구조가 유리합니다.
• PostgreSQL과 MongoDB를 결합해 정형 데이터와 비정형 데이터를 각각 효율적으로 관리하며 확장성을 확보할 수 있습니다.

2. 멀티모델 데이터베이스의 활용

• ArangoDB나 Couchbase 같은 멀티모델 데이터베이스는 Key-Value, Graph, Document 기반 데이터 모델을 통합 관리하므로, 다양한 실험 데이터와 메타데이터를 하나의 시스템에서 관리할 수 있습니다.
• LIMS에서는 샘플 정보와 실험 데이터를 Key-Value 형식으로, 유전체 데이터는 Document 형식으로, 샘플 간 관계성은 Graph 형식으로 저장하여 데이터를 구조화할 수 있습니다.

3. 분산 및 확장 가능한 NoSQL 클러스터

• Cassandra와 같은 Column-family 기반 NoSQL은 수평 확장성과 높은 가용성으로 대규모 실험 데이터를 관리하는 데 적합합니다.
• 유전체 데이터와 같이 누적되는 데이터를 분산 처리하며, 실시간 분석을 지원할 수 있습니다.

4. AI 및 ML 기능을 통합한 데이터 아키텍처

• AI 모델을 데이터베이스 내에 직접 통합하여 LIMS에서 실시간 데이터 분석과 예측 기능을 사용할 수 있습니다.
• Azure Cosmos DB를 통해 실험 데이터를 바탕으로 실시간 분석을 수행하거나, 이상 패턴을 감지하여 생체 표지자의 조기 발견과 같은 작업이 가능합니다.

결론

DBMS와 NoSQL은 각기 다른 강점을 가지고 있으며, LIMS 시스템에서는 데이터의 유형과 목적에 따라 하이브리드 아키텍처나 멀티모델 데이터베이스를 활용하는 것이 이상적입니다. 클라우드 기반 확장성과 AI 통합 기능을 결합하여 유전체 데이터, 실험 메타데이터, 연구 결과를 효과적으로 관리하고 분석할 수 있으며, 실험 자동화와 품질 관리에 적합한 LIMS를 구축할 수 있습니다.

ISO 27001은 정보보안 관리 시스템(ISMS)에 대한 국제 표준으로, 특히 의료 데이터와 같은 민감한 정보를 체계적으로 보호하는 데 매우 유용합니다. 의료 데이터베이스는 환자의 진료 기록, 건강 상태, 치료 이력 등 민감한 개인정보를 포함하고 있어 보안 관리가 필수적이며, 이를 통해 법적 요구사항과 보안 규정을 준수할 수 있습니다. ISO 27001은 의료 데이터 관리에 필요한 보안 통제를 강화하고, 데이터 표준화 모델(CDM)과의 상호보완적 활용을 통해 보안과 데이터 일관성을 동시에 확보할 수 있습니다.

ISO 27001 개요 및 중요성

ISO 27001은 조직의 정보 자산을 보호하고 보안 위협에 효과적으로 대응하기 위해 필요한 관리 체계를 정의합니다. 주요 내용은 기밀성, 무결성, 가용성을 유지하기 위한 위험 평가, 리스크 관리, 접근 제어, 암호화 등의 보안 통제를 포함합니다. ISO 27001 인증은 기업이나 기관이 정보보안을 체계적으로 관리하고 있음을 증명하며, 이를 통해 외부 이해관계자와의 신뢰를 높일 수 있습니다​

​

.

ISO 27001의 핵심 구성 요소

1. 위험 평가 및 리스크 관리: ISO 27001은 정보보안의 시작 단계로써 조직의 자산에 대해 위험을 평가하고, 위협 및 취약성을 분석하여 보안 리스크를 관리합니다. 예를 들어, 시스템 장애나 내부자에 의한 데이터 유출을 사전에 파악하고 이에 대한 대응 계획을 수립합니다​.
2. PECB
3. 보안 정책 및 절차 수립: 조직의 정보보안 목표와 방향을 명확히 하기 위해 보안 정책을 수립합니다. 이는 비밀번호 정책, 접근 제어, 데이터 암호화 등 보안 관련 절차를 포함하며, 직원들이 실무에서 따라야 할 지침을 제공합니다.
4. 통제 수단 도입 및 적용: ISO 27001의 보안 통제 항목은 물리적, 기술적, 조직적 측면에서의 접근 제어, 암호화, 네트워크 보안 등을 규정합니다. 예를 들어, 환자 데이터에 대해 필요한 직무와 권한에 따라 접근을 제한하고, 데이터를 암호화하여 외부 노출을 방지합니다.
5. 직원 교육과 인식 제고: 정보보안 사고의 많은 부분이 인간 실수로 발생하므로, 정기적인 보안 교육과 인식 제고 활동이 중요합니다. 실무에서는 피싱 이메일 훈련, 보안 정책 준수 교육 등을 통해 전 직원의 보안 인식을 높이는 것이 필요합니다​.
6. ISMS Connect
7. 내부 감사와 관리 검토: 조직 내 보안 관리 체계가 올바르게 작동하는지 확인하기 위해 정기적인 내부 감사와 경영진 검토가 필요합니다. 이를 통해 보안 정책과 절차가 효과적으로 운영되고 있는지 점검하고, 미비점을 개선합니다.
8. ISO 27001 인증 유지와 지속적 개선: ISO 27001 인증은 3년 주기로 갱신하며, 유지 심사와 갱신 심사를 통해 체계의 유효성을 지속적으로 평가합니다. 이는 변화하는 보안 위협에 대응하기 위해 관리 체계를 최신 상태로 유지하는 데 필수적입니다.

ISO 27001과 CDM(Common Data Model)의 상호보완적 활용

ISO 27001과 CDM을 상호보완적으로 사용하는 것은 의료 데이터베이스 보호와 데이터 일관성을 동시에 달성하는 데 유용합니다. CDM은 데이터 구조와 표준화를 정의하여 다양한 출처의 데이터를 통합할 수 있도록 하며, ISO 27001은 이러한 데이터를 보호하는 데 필요한 보안 체계를 제공합니다.

1. 위험 평가 및 보안 통제 적용: CDM 데이터를 안전하게 관리하기 위해 ISO 27001의 위험 평가 절차를 적용할 수 있습니다. 예를 들어, 환자 데이터 접근에 대한 위험성을 평가한 후 암호화 및 접근 제어를 통해 민감 정보를 보호합니다.
2. 정책과 절차의 통합 관리: ISO 27001의 정보보안 정책을 CDM 구조에 맞게 통합하여, 데이터 수집, 저장, 분석에 이르는 모든 과정에서 일관성 있게 보호할 수 있습니다. 예를 들어, CDM 데이터에 맞춘 접근 제어와 암호화 지침을 설정하여 조직의 데이터 보호 체계를 강화합니다.
3. 지속적 모니터링 및 개선: ISO 27001의 요구사항에 따라 CDM 기반 데이터베이스의 보안 상태를 정기적으로 모니터링하고 개선합니다. 데이터 접근 이력 점검이나 데이터 유출 사고 시 대응 절차를 강화하는 등 주기적인 평가와 개선을 통해 보안 수준을 높입니다.

ISO 27001 인증 절차

ISO 27001 인증은 조직이 정보보안을 체계적으로 관리하고 있음을 증명하며, 인증 절차는 다음과 같습니다.

1. 정보보안 관리 체계 구축: 위험 평가와 보안 정책 수립을 통해 정보보안 관리 체계를 수립합니다.
2. 내부 감사: ISMS가 효과적으로 운영되는지 점검하여 미비점을 보완합니다.
3. 1단계 및 2단계 심사: ISO 27001 인증 기관을 통해 문서 심사와 운영 심사를 받습니다.
4. 인증 발급 및 유지: 심사가 완료되면 인증을 발급받고, 정기적인 유지 심사를 통해 인증 상태를 유지합니다​
   ISMS Policy Generator
   ​
   PECB
   .

마무리

ISO 27001은 의료 데이터베이스와 같은 민감 정보 보호를 위한 국제적 표준으로, 보안 체계 구축과 관리의 핵심입니다. ISO 27001과 CDM을 함께 사용하여 정보보안과 데이터 일관성을 동시에 강화함으로써 법적 요구사항을 충족하고 신뢰성을 높일 수 있습니다.

2023년과 2024년에 걸쳐 개정된 개인정보보호법은 디지털 헬스케어 시대에 맞춰 환자 데이터 보호와 정보 주체의 권리를 더욱 강화하는 방향으로 변화했습니다. 2023년 개정안에서는 데이터 이동성, 가명처리, 자동화된 데이터 처리에 대한 통제권을 강화했고, 2024년에는 공공기관의 개인정보 보호수준 평가 의무화와 개인정보 보호책임자의 자격 강화에 중점을 두었습니다. 이번 글에서는 개정된 주요 내용을 바탕으로 환자 데이터를 교환할 때 고려해야 할 사항과 구체적인 데이터 보호 방안을 설명하겠습니다.

개인정보보호법 2023년 및 2024년 개정안 주요 내용

1. 개인정보 전송요구권 도입 (2023년)

2023년 개정안에서 전송요구권이 신설되었습니다. 이 권리를 통해 환자는 본인의 개인정보를 특정 기관에 전송하도록 요구할 수 있으며, 이를 통해 데이터 이동성과 정보 주체의 통제권을 강화합니다. 정책브리핑에 따르면, 전송요구권은 헬스케어와 마이데이터 산업에서 환자가 자신의 데이터 주권을 행사할 수 있도록 지원하는 주요 제도입니다​

.

2. 자동화된 결정에 대한 설명 및 거부권 (2023년)

자동화된 결정 통제권은 AI와 같은 자동화된 시스템이 개인정보를 처리할 경우, 정보 주체가 처리 과정에 대해 설명을 요구하거나 거부할 수 있는 권리를 제공합니다. 이를 통해 정보 주체는 자동화된 데이터 분석 과정에서 자신의 데이터 활용 방식을 이해하고 통제할 수 있습니다​

.

3. 가명처리 및 비식별화 정보 보호 강화 (2023년)

가명처리와 비식별화는 개인정보 보호의 중요한 부분으로, 개정안에서는 이러한 데이터의 안전한 관리 의무를 강화하여 데이터 유출 시 피해를 최소화하고자 합니다. 개인정보보호위원회는 보안 관리 기준을 엄격히 적용하고, 데이터 유출 시 즉시 보고하도록 하여 정보 보호에 더욱 신경 쓰도록 하였습니다​

.

4. 데이터 유출 시 신고 의무 확대 (2023년)

기존에는 정보통신 서비스 제공자에게만 적용되었던 데이터 유출 신고 의무가 모든 개인정보처리자로 확대되었습니다. 개정안에 따라 개인정보 유출 시 신속하게 관련 기관에 신고하여 피해를 최소화하고 대응 체계를 강화할 수 있습니다​

.

5. 공공기관 개인정보 보호수준 평가 의무화 (2024년)

2024년 개정안에서는 모든 공공기관이 정기적으로 개인정보 보호수준 평가를 받도록 의무화하여, 공공기관에서 개인정보 보호의 표준을 유지하도록 하였습니다. 평가 항목에는 관리 체계의 적정성, 정보주체 권리 보장 조치, 안전성 확보 조치 등이 포함됩니다. 중앙행정기관, 지방자치단체, 공공기관 및 지방공사 등은 이 평가를 통해 보호수준을 점검하고 개선해야 합니다​

.

6. 개인정보 보호책임자 자격 요건 강화 (2024년)

2024년 개정안에 따르면 개인정보 보호책임자는 정보보호 관련 경력이 최소 4년 이상이어야 하며, 그중 2년 이상은 개인정보 보호 관련 경력이어야 합니다. 또한, 보호책임자가 독립적으로 업무를 수행할 수 있도록 경영진 보고 체계와 필요한 자원을 지원받도록 규정하였습니다. 이를 통해 개인정보 보호책임자가 내부적으로 데이터 보호 정책을 실질적으로 강화할 수 있습니다​

​

.

환자 데이터를 교환할 때 유의해야 할 사항

2023년과 2024년 개정된 개인정보보호법에 따라 환자 데이터를 교환할 때는 다음 사항을 고려하여 안전하게 데이터를 처리해야 합니다.

1. 환자의 명확한 동의 확보
   환자의 데이터를 외부 기관에 전송하거나 공유할 때는 명확한 동의를 받으며, 데이터 전송의 목적과 방법을 사전에 안내해야 합니다. 이는 전송요구권이 반영된 절차로, 환자가 데이터 활용에 대해 충분히 이해할 수 있도록 설명하는 것이 중요합니다.
2. 가명화 및 비식별화 적용
   데이터를 제공할 때는 가명처리 및 비식별화를 통해 환자의 민감 정보가 외부로 노출되지 않도록 합니다. 예를 들어, 이름을 ‘환자A’로 대체하고, 나이와 같은 데이터는 범주화하여 특정 개인을 식별할 수 없도록 처리합니다.
3. 보안 조치 및 접근 권한 제한
   데이터 전송 시 SSL/TLS와 같은 보안 프로토콜을 사용하고, 데이터 접근 권한을 필요한 인원으로 제한해야 합니다. 내부 데이터베이스에서도 암호화된 저장소를 통해 보안을 유지하고, 접근 권한을 최소화하여 관리하는 것이 중요합니다.
4. 자동화 시스템의 데이터 처리 시 설명 제공
   AI 및 자동화 시스템이 환자 데이터를 처리하는 경우, 해당 처리 과정에 대해 설명을 제공하고 필요 시 거부할 수 있는 권리가 있음을 안내해야 합니다. 이를 통해 환자는 데이터가 자동으로 처리되는 방식과 그 목적을 명확히 알 수 있습니다.
5. 공공기관의 보호 수준 관리 및 협력 체계 활용
   공공기관은 개인정보 보호수준 평가를 정기적으로 받아야 하며, 이를 통해 보호 관리 수준을 점검하고 개선할 수 있습니다. 개인정보보호위원회는 협력 체계를 강화하여, 공공기관들이 개인정보 보호의 표준을 선도하고 민간 부문에서도 이를 따라갈 수 있도록 지원합니다.

구체적인 익명화 처리 방법

개인정보 보호와 데이터 활용을 위해 다음과 같은 익명화 기법을 사용할 수 있습니다.

익명화 기법설명적용 예시

이와 같은 익명화 방법을 통해 데이터 유출 위험을 최소화하면서도, 연구와 같은 목적에 안전하게 활용할 수 있습니다.

ISO 27001과 개인정보보호법의 관련성

ISO 27001은 정보보안 관리 체계(ISMS) 국제 표준으로, 개인정보 보호법의 요구사항을 효과적으로 충족하는 데 매우 유용합니다.

• 정보보안 관리 체계 구축: ISO 27001은 보안 관리 체계를 통해 개인정보 보호법이 요구하는 보호 조치를 체계적으로 구현할 수 있습니다.
• 위험 평가 및 리스크 관리: 개인정보보호법이 요구하는 위험 평가를 수행하여, 데이터 유출 방지를 위한 예방적 조치를 마련할 수 있습니다.
• 개인정보 처리 절차와 보안: ISO 27001의 암호화 및 접근 통제는 민감 정보 관리와 보안 수준을 강화하여 법적 요구 사항을 충족할 수 있도록 지원합니다​
  www.pipc.go.kr
  ​
  톰슨로이터코리아
  .

마무리

2023년과 2024년 개정된 개인정보보호법은 환자 데이터 보호와 정보 주체의 권리를 강화하는 중요한 기반을 마련했습니다. 개정안에 따라 전송요구권, 자동화된 결정 통제권, 가명정보의 철저한 관리 의무가 추가되었으며, ISO 27001과 같은 보안 표준을 통해 보안 체계를 강화할 수 있습니다. 이 개정을 통해 안전한 데이터 사용과 환자 권리 보호를 더욱 확고히 할 수 있기를 기대합니다.

OMOP CDM(Observational Medical Outcomes Partnership Common Data Model)은 의료 데이터를 표준화하여 다양한 의료 기관과 연구소에서 발생하는 데이터를 통합하고 분석할 수 있도록 돕는 데이터 모델입니다. 여러 출처에서 생성된 데이터를 하나의 공통된 구조로 변환하여 연구자들이 데이터를 일관되게 분석하고 활용할 수 있게 합니다. 주로 의료 연구, 약물 안전성 평가, 임상 시험 등의 분야에서 광범위하게 사용됩니다.

OMOP CDM은 미국의 OHDSI(Observational Health Data Sciences and Informatics)라는 조직에서 관리하고 있으며, 대규모 데이터 기반의 연구를 수행하기 위해 개발되었습니다. 이 모델은 의료 데이터를 통합하기 위한 목적으로 만들어졌으며, 환자의 다양한 의료 기록, 약물 투여, 진단, 실험 결과 등을 구조화된 형식으로 저장할 수 있도록 도와줍니다.

https://ohdsi.github.io/CommonDataModel/cdm54.html#specimen

OMOP CDM의 주요 목표

OMOP CDM의 주요 목적은 다양한 의료 데이터의 통합과 상호 운용성을 보장하는 데 있습니다. 데이터를 공통된 형식으로 변환하면 여러 기관에서 발생한 데이터를 하나의 기준으로 분석할 수 있기 때문에 데이터의 일관성을 유지하면서도 대규모 데이터 통합이 가능해집니다.

주요 목표는 다음과 같습니다:

1. 데이터 표준화: 여러 의료기관에서 발생하는 데이터를 공통된 형식으로 변환하여 일관성 있게 저장할 수 있습니다.
2. 재현 가능한 연구: 동일한 분석을 반복해도 같은 결과를 얻을 수 있도록 데이터 구조를 제공하여, 연구의 재현 가능성을 높입니다.
3. 데이터 통합: 다양한 출처의 데이터를 하나의 표준으로 통합하여 대규모 데이터 기반 연구에 활용할 수 있습니다.

OMOP CDM의 주요 테이블

OMOP CDM은 환자 정보를 여러 개의 테이블로 분리하여 저장하며, 각 테이블은 특정한 정보를 관리합니다. 이 테이블들은 서로 외래 키(foreign key)를 통해 연결되어 데이터 간의 관계를 효율적으로 관리합니다. 주요 테이블은 다음과 같습니다:

1. Person 테이블

Person 테이블은 환자의 기본 정보를 저장하는 테이블입니다. 이 테이블에는 환자의 성별, 출생 연도, 인종, 민족 등의 정보가 포함됩니다. 각 환자는 고유한 person_id를 가지며, 이를 통해 다른 테이블에서 참조할 수 있습니다.

CREATE TABLE Person ( 
	person_id INT PRIMARY KEY, -- 환자 고유 ID 
    gender_concept_id INT, -- 성별 코드 
    year_of_birth INT, -- 출생 연도 
    race_concept_id INT, -- 인종 코드 
    ethnicity_concept_id INT -- 민족 코드 
);

2. Visit Occurrence 테이블

Visit Occurrence 테이블은 환자의 의료 방문 기록을 저장합니다. 이 테이블에는 환자가 방문한 이유나 방문 유형(입원, 외래, 응급실 등)이 포함됩니다. 환자가 방문할 때마다 새로운 visit_occurrence_id가 생성되어 특정 환자의 방문 기록을 추적할 수 있습니다.

CREATE TABLE Visit_Occurrence ( 
	visit_occurrence_id INT PRIMARY KEY, -- 방문 기록 고유 ID 
    person_id INT, -- 환자 ID (Person 테이블과 연관) 
    visit_concept_id INT, -- 방문 유형 코드 
    visit_start_date DATE, -- 방문 시작일 
    visit_end_date DATE -- 방문 종료일 
);

3. Condition Occurrence 테이블

Condition Occurrence 테이블은 환자가 특정 방문에서 진단받은 질병이나 증상을 기록하는 테이블입니다. 예를 들어, 환자가 "고혈압"으로 진단받았다면, 이 테이블에 그 기록이 저장됩니다. 또한, 이 테이블은 visit_occurrence_id와 연결되어 있어, 환자가 어느 방문에서 어떤 진단을 받았는지 알 수 있습니다.

CREATE TABLE Condition_Occurrence ( 
	condition_occurrence_id INT PRIMARY KEY, -- 질병 기록 고유 ID 
    person_id INT, -- 환자 ID 
    condition_concept_id INT, -- 질병 코드
    condition_start_date DATE, -- 질병 시작일 
    visit_occurrence_id INT -- 방문 기록 ID와 연결 
);

4. Drug Exposure 테이블

Drug Exposure 테이블은 환자가 복용한 약물 정보를 기록합니다. 여기에는 약물 이름, 투약 시작일과 종료일, 복용 방법 등이 포함됩니다. 이 테이블을 통해 환자가 어떤 약물을 언제 복용했는지를 추적할 수 있습니다.

CREATE TABLE Drug_Exposure ( 
	drug_exposure_id INT PRIMARY KEY, -- 약물 투여 기록 고유 ID 
    person_id INT, -- 환자 ID 
    drug_concept_id INT, -- 약물 코드 
    drug_exposure_start_date DATE, -- 약물 투여 시작일 
    drug_exposure_end_date DATE -- 약물 투여 종료일 
);

5. Measurement 테이블

Measurement 테이블은 환자에게 수행된 실험 결과를 기록합니다. 이 테이블에는 실험 날짜, 측정된 값, 단위 등이 저장됩니다. 예를 들어, 혈압이나 혈당 검사와 같은 결과가 여기에 저장됩니다. 이를 통해 각 환자가 받은 실험 결과를 추적할 수 있습니다.

CREATE TABLE Measurement ( 
	measurement_id INT PRIMARY KEY, -- 실험 기록 고유 ID 
    person_id INT, -- 환자 ID 
    measurement_concept_id INT, -- 실험 항목 코드 
    measurement_date DATE, -- 실험 날짜 
    value_as_number FLOAT, -- 측정값 (숫자형) 
    unit_concept_id INT -- 측정 단위 
);

실험 데이터와 OMOP CDM의 확장

OMOP CDM은 유연한 구조를 가지고 있어서, NGS(Next-Generation Sequencing)나 Proteomics와 같은 복잡한 실험 데이터를 통합할 수 있습니다. 하지만 실험 데이터는 필드가 많고 형식도 다양하기 때문에, 기본 CDM 테이블에 바로 통합하기에는 어려움이 있습니다. 이를 해결하기 위해 NoSQL 같은 유연한 데이터를 처리할 수 있는 시스템을 함께 사용하는 것이 유리할 수 있습니다.

NGS 데이터를 위한 Sample 및 Experiment 테이블

Sample 테이블과 Experiment 테이블을 추가하여 한 명의 환자가 여러 번 검체를 제공하고, 각각의 검체에서 여러 번 실험이 수행되는 상황을 관리할 수 있습니다.

CREATE TABLE Sample ( 
	sample_id INT PRIMARY KEY, -- 검체 고유 ID 
    person_id INT, -- 환자 ID 
    sample_collection_date DATE, -- 검체 수집 날짜 
    sample_type VARCHAR(255) -- 검체 유형 (혈액, 조직 등) 
);

CREATE TABLE Experiment ( 
	experiment_id INT PRIMARY KEY, -- 실험 고유 ID 
    sample_id INT, -- 검체 ID 
    experiment_type VARCHAR(255), -- 실험 종류 (예: NGS, Proteomics) 
    experiment_date DATE -- 실험 날짜 
);

NoSQL을 사용한 하이브리드 접근

실험 데이터는 다양하고 유연하게 처리할 필요가 있기 때문에 NoSQL을 사용하는 것이 적합할 수 있습니다. 예를 들어, MongoDB 같은 NoSQL 데이터베이스에서는 실험 데이터를 문서 구조로 저장하여 실험마다 다른 데이터를 유연하게 관리할 수 있습니다. 이렇게 하면 OMOP CDM의 기본 구조와 함께 NoSQL 데이터베이스에서 실험 데이터를 저장하고 관리할 수 있습니다.

질병 코드와 표준화

OMOP CDM에서는 ICD-10이나 SNOMED CT 같은 표준화된 질병 코드를 사용합니다. 표준화된 질병 코드를 사용하면 데이터의 일관성을 유지할 수 있으며, 여러 기관의 데이터를 통합하여 분석할 때 매우 유용합니다. 사전에 정의된 코드 체계를 사용하면 데이터 간의 비교가 용이해지고 연구 결과의 신뢰성을 높일 수 있습니다.

결론

OMOP CDM은 다양한 의료 데이터를 통합하고 분석할 수 있도록 돕는 강력한 도구입니다. 이 모델을 활용하면 연구자들이 여러 기관의 데이터를 일관된 방식으로 분석할 수 있으며, 각 환자의 의료 기록을 효율적으로 관리할 수 있습니다. NoSQL 같은 유연한 데이터베이스 시스템과 함께 사용하면 더 복잡한 실험 데이터를 효과적으로 처리할 수 있습니다.

여러 사람이 동시에 편집해서 사용할 수 있는 구글 스프레드시트에 데이터 베이스를 연동하면 접근성이 좋아짐.

단점은 스프레드시트의 appscript에서 각 함수가 실행 되는 시간을 max 30분으로 지정했는데

데이터의 양이 많아지면 time out으로 강제 종료 될 수 있음.

var connectionName = 'database_address:3306'; // 접속할 MySQL 서버의 IP와 Port(Default:3306)
var user = 'userID'; // MySQL 유저 ID
var userPwd = 'password'; // MySQL 유저 PW
var db = 'db_name'; // 접속할 MySQL DB명
var instanceUrl = 'jdbc:mysql://' + connectionName;
var dbUrl = instanceUrl + '/' + db + '?characterEncoding=UTF-8';

function exportDatabase() {
  query="select * from table"
  var start = new Date();
  var conn = Jdbc.getConnection(dbUrl, user, userPwd); // DB 연결
  var stmt = conn.createStatement();
  stmt.setMaxRows(5000);
  var results = stmt.executeQuery(query); // 쿼리
  var metaData = results.getMetaData()
  var numCols = metaData.getColumnCount();
  var sheetname = SpreadsheetApp.getActive();
  var sheet = sheetname.getSheetByName('sheet1');
  sheet.clearContents();

  var arr = [];
  for (var col = 0; col < numCols; col++) {
    arr.push(metaData.getColumnName(col + 1));
  }
  sheet.appendRow(arr); #write header

  while (results.next()) {
    arr=[];
    for (var col = 0; col < numCols; col++) {
    arr.push(results.getString(col + 1));
    } 
    sheet.appendRow(arr); #write data line by line
  }

  var end = new Date();
  Logger.log("Time spend : "+((end - start)/(1000*60) % 60).toFixed(3)+" min");
  //sheet.autoResizeColumns(1, numCols+1);

  results.close();
  stmt.close();
}