CTG-DB: An Ontology-Based Transformation of ClinicalTrials.gov to Enable Cross-Trial Drug Safety Analyses

논문 요약: CTG-DB (ClinicalTrials.gov Transformation Database)

1. 문제 정의 (Problem)

• ClinicalTrials.gov (CT.gov) 의 한계: CT.gov 는 전 세계적으로 가장 큰 임상시험 등록부이지만, 규제 투명성과 연구 등록을 목적으로 설계되었습니다. 약물 안전성 감시 (Pharmacovigilance, PV) 분석을 위한 환경으로는 적합하지 않습니다.
• 비정형 데이터와 용어 불일치: 이상반응 (Adverse Events, AEs) 이 표준화된 식별자 대신 연구자가 입력한 자유 텍스트로 기록되어 있어, 일관된 안전성 개념을 식별하기 위해 수작업으로 용어를 통합 (reconciliation) 해야 합니다.
• 기존 도구 (AACT) 의 부족: CT.gov 데이터를 관계형 데이터베이스로 제공하는 기존 도구 (AACT) 는 원본 데이터의 표현을 그대로 유지할 뿐, 용어 정규화 (normalization) 나 의미적 정렬 (semantic harmonization) 을 수행하지 않습니다.
• 분석의 비효율성: 이로 인해 교차 시험 (cross-trial) 안전성 분석, 위약 (placebo) 참조 분석, 그리고 생애주기 전반의 안전성 평가가 수동적이고 비재현 가능한 '탐정 작업'에 의존하게 되어 확장성이 떨어집니다.

2. 방법론 (Methodology)

저자들은 CTG-DB라는 오픈소스 변환 파이프라인을 개발하여 CT.gov 의 전체 XML 아카이브를 표준화된 용어에 정렬된 관계형 데이터베이스로 변환했습니다.

• 데이터 수집 및 전처리:

  • 2026 년 2 월 기준 약 569,589 개의 연구 XML 파일을 수집했습니다.
  • 결과가 공개되지 않거나 eligibility 기준이 없는 25,274 건을 제외하여 544,315 건의 연구를 최종 분석 대상에 포함했습니다.
  • Java (JAXB) 를 사용하여 계층적 XML 을 강력하게 타입화된 객체로 파싱하고, 이를 정규화된 CSV 파일로 변환했습니다.

• 용어 정규화 (Terminology Normalization):

  • MedDRA 매핑: 규제 및 사후 시장 모니터링에 표준인 MedDRA (Medical Dictionary for Regulatory Activities) 를 기준으로 용어를 정렬했습니다.
  • 2 단계 매핑 전략:
    1. 확정적 정확한 일치 (Deterministic Exact Matching): 대소문자 구분 없이 MedDRA 선호 용어 (PT) 및 하위 용어 (LLT) 와 직접 일치하는 경우.
    2. 빅그램 기반 퍼지 매칭 (Bigram-based Fuzzy Matching): 철자 오류, 구두점, 등급 표기 (예: "G1", "G3") 등으로 인해 정확한 일치가 안 되는 경우, 빅그램 유사도를 활용하여 매핑했습니다.
  • UMLS 연동: 정규화된 용어를 Unified Medical Language System (UMLS) 개념 식별자와 연결하여 동의어 인식 검색 및 향후 확장을 가능하게 했습니다.

• 데이터 모델 설계:

  • 암 (Arm) 단위 보존: 환자 수준의 개인 식별자는 없으나, 각 치료군 (Arm) 의 시작 인원 (denominator), 위약군/대조군 구조, 인구통계학적 정보를 명시적으로 모델링하여 비례 분석이 가능하도록 했습니다.
  • 관계형 스키마: 임상시험 메타데이터, 치료군 구조, MedDRA 정규화된 이상반응을 연결하는 관계형 스키마를 설계했습니다.

3. 주요 기여 (Key Contributions)

• 개념 기반 검색 및 집계: CTG-DB 는 단순한 텍스트 검색을 넘어, MedDRA 개념 수준에서 이상반응을 검색하고 여러 시험 간에 데이터를 집계할 수 있게 합니다.
• 위약 참조 (Placebo-Referenced) 분석 가능: 치료군별 분모 (참여자 수) 를 보존하고 위약군을 명시적으로 모델링함으로써, 다양한 시험 간 위약 대비 이상반응 발생 비율을 비교하는 분석을 가능하게 합니다.
• 오픈소스 및 재현성: MySQL 및 PostgreSQL 에서 실행 가능한 오픈소스 파이프라인을 제공하여, 투명하고 재현 가능한 약물 안전성 분석을 위한 인프라를 마련했습니다.
• 규제 워크플로우 통합: MedDRA 정규화를 통해 임상시험 데이터를 사후 시장 안전성 감시 (PV) 워크플로우와 상호 운용 가능 (interoperable) 하게 만들었습니다.

4. 결과 (Results)

• 용어 매핑 커버리지:
  • 고유한 이상반응 문자열 138,032 개 중 **59.22%**가 MedDRA 에 매핑되었습니다 (정확 일치 18.41%, 퍼지 매칭 40.82%).
  • 중요: 참여자 수로 가중치를 두었을 때 (실제 임상적 부담 기준), 매핑된 비율은 **95.01%**로 크게 증가했습니다 (정확 일치 88.76%, 퍼지 매칭 6.25%). 이는 희귀한 용어 변형은 매핑되지 않았으나, 임상적으로 중요한 대부분의 이상반응은 포착되었음을 의미합니다.
• 증명 사례 (Case Study):
  • 익명화된 치료군 데이터를 사용하여 위약군을 기준으로 한 교차 시험 스크리닝을 수행했습니다.
  • 위약군의 75 백분위수와 최대 관측치를 기준으로 임계값을 설정하고, 각 시험군 (Investigational Arms) 의 이상반응 비율을 비교했습니다.
  • 이를 통해 위약군 대비 이상반응 발생률이 유의하게 높은 치료군을 신속하게 식별할 수 있음을 시연했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 안전성 분석의 패러다임 전환: CTG-DB 는 CT.gov 데이터를 단순한 아카이브가 아닌, 체계적인 약물 안전성 평가가 가능한 분석적 기반 (analytic substrate) 으로 변환합니다.
• 생애주기 안전성 평가 (Lifecycle Safety Evaluation): 임상 개발 단계의 증거를 사후 시장 안전성 신호 탐지 (Signal Detection) 에 통합할 수 있는 기반을 제공합니다. 특히 베이지안 동적 차용 (Bayesian dynamic borrowing) 프레임워크에서 임상시험 데이터를 사전 정보 (prior) 로 활용하여 신호 탐지 성능을 향상시킬 수 있음을 보였습니다.
• 재현성과 확장성: 수동적인 용어 통합의 필요성을 줄이고, 표준화된 온톨로지 기반의 재현 가능한 분석을 통해 제약사의 생애주기 안전성 관리 효율성을 극대화합니다.

요약하자면, CTG-DB는 ClinicalTrials.gov 의 비정형 데이터를 MedDRA 및 UMLS 같은 표준 온톨로지에 정렬하여, 교차 시험 간 약물 안전성 비교 분석과 위약 참조 스크리닝을 가능하게 하는 혁신적인 데이터 변환 프레임워크입니다.