Modern Statistical Challenges in Data Privacy and Complex Healthcare Data

Abstract

This dissertation addresses the dual challenges of protecting personal information in large-scale medical data while enhancing analytic reliability. First, we demonstrate how pseudonymization methods, such as data range and aggregation, can preserve essential model performance. Second, a longitudinal study of iron measures in naturally menopausal women revealed that serum ferritin continues to rise well after the final menstrual period, diverging from other iron markers. Third, we investigated FROC-type metrics for evaluating AI-based lesion localization in medical imaging, highlighting the critical roles of detection thresholds and lesion size. Overall, this research provides practical insights for implementing pseudonymization in compliance with privacy regulations, refining clinical interpretation of iron indicators in menopause, and improving AI performance metrics for reliable lesion detection.;의료 및 보건 분야에서 축적되는 대규모 데이터는 개인 정보 보호를 강화해야 한다는 과제와 함께, 통계 · 머신러닝 분석의 신뢰도를 높여야 하는 이중적 요구가 있다. 본 논문은 이를 위해 첫째, 가명처리(pseudonymization) 기법이 자료 유용성을 크게 저해하지 않고 적용될 수 있음을 입증하였다. 둘째, 중년 여성의 폐경 전후 철분 지표 변화를 종단적으로 추적한 결과, 페리틴은 최종 월경 이후에도 장기간 상승을 이어가며 다른 지표와는 상이한 양상을 보이는 점을 발견하였다. 셋째, FROC 계열 지표를 사용해 AI 기반 영상 분석 모델에서 병변 국소화 성능을 평가할 때, 임계값 설정과 병소 크기 등이 결과를 크게 좌우함을 시뮬레이션과 실제 영상 데이터로 확인하였다. 본 연구는 향후 다양한 의료 데이터에서 가명처리를 활용하는 실무적 가이드라인을 제시하고, 폐경기 철분 대사 변화 연구 및 AI 모델 평가 지표 개선에 기여할 것으로 기대한다.