2 R 객체의 이해

R은 데이터를 다루기 위해 설계된 언어입니다. 약동학/약력학(PK/PD) 데이터를 효과적으로 처리하려면, R이 데이터를 어떤 형태로 저장하고 관리하는지를 이해하는 것이 필수적입니다. 이 장에서는 R의 기본 데이터 타입부터 시작하여 벡터, 행렬, 리스트, 데이터프레임까지 단계적으로 학습합니다. 모든 예시는 건선(psoriasis) 치료에 사용되는 Methotrexate의 약동학 데이터를 중심으로 구성하였습니다.

2.1 R의 기본 데이터 타입

그림 2.1: R 데이터 타입 체계와 PK 데이터 매핑 (R Data Types Hierarchy). R의 기본 데이터 구조인 vector에서 matrix/array, list, data.frame/tibble로 이어지는 계층 구조를 도식화하였다. 각 구조에 PK 데이터 변수(concentration=numeric, route=factor, ID=character)가 어떻게 매핑되는지를 함께 나타낸다.

그림 2.1 은 R의 데이터 타입 체계와 PK 데이터 변수의 매핑 관계를 보여줍니다. R에서 모든 데이터는 특정한 타입(type)을 가집니다. 약동학 데이터를 다룰 때 각 변수가 어떤 타입인지를 정확히 이해하는 것은 데이터 오류를 방지하고 올바른 분석을 수행하는 데 핵심적입니다.

2.1.1 다섯 가지 기본 타입

R에는 다섯 가지 기본 데이터 타입(atomic type)이 있습니다.

# 1. numeric (실수형) - 가장 흔한 숫자 타입
conc <- 12.5          # 약물 농도 (ng/mL)
class(conc)           # "numeric"

# 2. integer (정수형) - L 접미사로 명시
n_patients <- 30L     # 환자 수
class(n_patients)     # "integer"

# 3. character (문자형) - 따옴표로 감싸기
route <- "SC"         # 투여 경로
class(route)          # "character"

# 4. logical (논리형) - TRUE 또는 FALSE
is_blq <- FALSE       # 정량한계 미만(Below Limit of Quantification) 여부
class(is_blq)         # "logical"

# 5. complex (복소수형) - 실무에서 거의 사용 안 함
z <- 3 + 2i
class(z)              # "complex"

약동학 데이터에서 각 타입이 사용되는 실제 맥락을 정리하면 다음과 같습니다.

데이터 타입	약동학 변수 예시	설명
`numeric`	농도(DV), 용량(AMT), 체중(WT), AUC	소수점이 포함될 수 있는 연속형 측정값
`integer`	투여 횟수(ADDL), 구획 번호(CMT)	정수로만 의미가 있는 값
`character`	환자 ID(ID), 투여 경로, 약물명	텍스트 정보
`logical`	BLQ 여부, MDV(missing DV) 플래그	참/거짓 판단
`complex`	(거의 사용되지 않음)	PK/PD에서는 사실상 불필요

2.1.2 타입 확인 함수

데이터를 불러온 후 각 변수의 타입을 확인하는 습관은 매우 중요합니다. R은 여러 가지 확인 함수를 제공합니다.

# class() - 객체의 클래스 확인
x <- 3.14
class(x)              # "numeric"

# typeof() - 내부 저장 타입 확인 (더 세부적)
typeof(x)             # "double"

# is.*() 계열 함수 - 특정 타입인지 논리값으로 반환
is.numeric(x)         # TRUE
is.character(x)       # FALSE
is.integer(30L)       # TRUE
is.logical(TRUE)      # TRUE

class()와 typeof()의 차이를 아는 것이 중요합니다. class()는 R 객체 시스템의 관점에서 분류를 반환하고, typeof()는 메모리에 저장되는 실제 내부 타입을 반환합니다. 예를 들어 class(3.14)는 "numeric"이지만 typeof(3.14)는 "double"입니다.

2.1.3 타입 변환

데이터를 불러올 때 타입이 의도와 다르게 읽히는 경우가 빈번합니다. as.*() 함수를 사용하여 명시적으로 변환할 수 있습니다.

# 문자를 숫자로 변환
conc_char <- "12.5"
conc_num <- as.numeric(conc_char)
conc_num               # 12.5

# 숫자를 문자로 변환
dose <- 15
dose_char <- as.character(dose)
dose_char              # "15"

# 숫자를 논리값으로 (0 = FALSE, 그 외 = TRUE)
mdv_num <- 0
as.logical(mdv_num)    # FALSE
as.logical(1)          # TRUE

# 논리값을 숫자로
as.numeric(TRUE)       # 1
as.numeric(FALSE)      # 0

# 정수 변환
as.integer(3.7)        # 3 (소수점 이하 버림)

흔한 실수: 변환 불가능한 경우

as.numeric()으로 변환할 수 없는 문자열을 변환하면 NA가 생성되고 경고 메시지가 나타납니다.

as.numeric("BLQ")      # NA (경고 발생)
as.numeric("< 0.05")   # NA (경고 발생)

PK 데이터에서 정량한계 미만(BLQ) 값이 "BLQ" 또는 "< 0.05" 같은 문자열로 기록되어 있으면, 해당 열 전체가 character로 읽힐 수 있습니다. 이런 경우 사전에 데이터 정제가 필요합니다.

약학적 맥락에서의 타입 설계

NONMEM 데이터셋을 구성할 때 각 열의 타입을 미리 결정해 두면 오류를 줄일 수 있습니다.

농도(DV): numeric - BLQ는 별도 처리 (예: MDV=1, BLQ=1)
투여 경로: character → 이후 factor로 변환
환자 ID: character로 유지 (숫자처럼 보여도 산술연산 대상이 아님)
시간(TIME): numeric (시간 단위 통일 주의)
이벤트 유형(EVID): integer (0, 1, 2, 3, 4 등)

2.2 벡터(Vector)

벡터는 R에서 가장 기본적인 데이터 구조입니다. 동일한 타입의 값들을 일렬로 나열한 것으로, R의 거의 모든 연산은 벡터를 기반으로 합니다.

2.2.1 벡터 생성

# c() 함수로 벡터 생성
conc <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7)
time <- c(0, 0.5, 1, 2, 4, 6, 8, 12)

# seq() 함수로 규칙적인 수열 생성
time_seq <- seq(from = 0, to = 24, by = 0.5)
time_seq    # 0.0, 0.5, 1.0, ..., 24.0 (49개 원소)

# rep() 함수로 반복 벡터 생성
dose_group <- rep("15mg", times = 5)        # "15mg"을 5번 반복
dose_groups <- rep(c("7.5mg", "15mg", "25mg"), each = 3)
# "7.5mg" "7.5mg" "7.5mg" "15mg" "15mg" "15mg" "25mg" "25mg" "25mg"

# 1:n 연산자
patient_id <- 1:10    # 1, 2, 3, ..., 10

2.2.2 벡터화 연산(Vectorized Operations)

R의 가장 큰 장점 중 하나는 벡터화 연산입니다. 반복문(for loop) 없이도 벡터 전체에 대해 연산을 수행할 수 있어 코드가 간결하고 실행 속도도 빠릅니다.

# 혈장 농도 (ng/mL) -> μg/L 변환 (단위 변환)
conc_ng <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7)
conc_ug <- conc_ng / 1000    # 모든 원소에 동시 적용

# 체중 보정 청소율 (CL/F를 체중으로 나누기)
cl_f <- c(8.5, 12.3, 9.7, 11.2)    # L/hr
weight <- c(65, 80, 55, 72)         # kg
cl_f_per_kg <- cl_f / weight         # L/hr/kg

# 로그 변환 (PK 분석에서 매우 흔함)
log_conc <- log(conc_ng + 0.001)     # 0에 소량 추가하여 log(0) 방지

# 논리 연산
is_above_mic <- conc_ng > 2.0       # MIC 이상인지 판별
# FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE
sum(is_above_mic)                    # MIC 이상인 시점 수: 4

2.2.3 벡터 인덱싱

벡터의 특정 원소에 접근하려면 대괄호 [ ]를 사용합니다. 인덱싱 방법은 크게 세 가지입니다.

conc <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7)
time <- c(0, 0.5, 1, 2, 4, 6, 8, 12)

# 1) 양수 인덱싱 - 원하는 위치 지정
conc[1]               # 0 (첫 번째 원소, R은 1부터 시작!)
conc[c(3, 4)]         # 4.5, 8.3 (세 번째, 네 번째)
conc[2:5]             # 1.2, 4.5, 8.3, 6.1 (두 번째~다섯 번째)

# 2) 음수 인덱싱 - 특정 위치 제외
conc[-1]              # 첫 번째 원소 제외
conc[-c(1, 8)]        # 첫 번째와 여덟 번째 제외

# 3) 논리 인덱싱 - 조건에 맞는 원소만 선택
conc[conc > 2.0]      # 2.0 초과인 값만: 4.5, 8.3, 6.1, 3.2
time[conc > 2.0]      # 농도가 2.0 초과인 시점: 1, 2, 4, 6

# Cmax와 Tmax 구하기
cmax <- max(conc)              # 8.3
tmax <- time[which.max(conc)]  # 2

2.2.4 Named Vector (이름이 있는 벡터)

벡터의 각 원소에 이름을 부여하면 의미를 명확히 할 수 있습니다.

# PK 파라미터를 named vector로 저장
pk_params <- c(CL = 8.5, Vd = 45.2, ka = 1.2, F = 0.75)
pk_params["CL"]        # 8.5
pk_params[c("CL", "Vd")]  # 8.5, 45.2

# names() 함수로 이름 확인/설정
names(pk_params)       # "CL" "Vd" "ka" "F"

# 환자별 AUC
auc <- c(150, 220, 185, 310, 175)
names(auc) <- c("PT001", "PT002", "PT003", "PT004", "PT005")
auc["PT004"]           # 310

2.2.5 실습: Methotrexate 건선 환자 약물 농도 벡터

건선(psoriasis) 환자 3명에게 Methotrexate 15mg을 피하주사(SC)로 투여한 후 혈장 농도를 측정한 데이터를 벡터로 구성해 봅시다.

# 채혈 시점 (hr)
time_hr <- c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24)

# 환자 1: PT001 (체중 65 kg, CrCL 95 mL/min)
conc_pt001 <- c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5)

# 환자 2: PT002 (체중 80 kg, CrCL 110 mL/min)
conc_pt002 <- c(0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2)

# 환자 3: PT003 (체중 55 kg, CrCL 65 mL/min - 경도 신기능 저하)
conc_pt003 <- c(0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5)

# 각 환자의 Cmax와 Tmax 계산
cat("PT001: Cmax =", max(conc_pt001), "ng/mL, Tmax =",
    time_hr[which.max(conc_pt001)], "hr\n")
cat("PT002: Cmax =", max(conc_pt002), "ng/mL, Tmax =",
    time_hr[which.max(conc_pt002)], "hr\n")
cat("PT003: Cmax =", max(conc_pt003), "ng/mL, Tmax =",
    time_hr[which.max(conc_pt003)], "hr\n")

# BLQ (정량한계 미만) 판별 - LLOQ = 1.0 ng/mL로 가정
lloq <- 1.0
blq_pt001 <- conc_pt001 < lloq
sum(blq_pt001)    # BLQ인 시점 수

# AUC 추정 (사다리꼴 공식, trapezoidal rule)
auc_trap <- function(time, conc) {
  n <- length(time)
  auc <- 0
  for (i in 2:n) {
    auc <- auc + (time[i] - time[i-1]) * (conc[i] + conc[i-1]) / 2
  }
  return(auc)
}

auc_pt001 <- auc_trap(time_hr, conc_pt001)
auc_pt002 <- auc_trap(time_hr, conc_pt002)
auc_pt003 <- auc_trap(time_hr, conc_pt003)

cat("AUC(0-24h):\n")
cat("  PT001:", round(auc_pt001, 1), "ng*hr/mL\n")
cat("  PT002:", round(auc_pt002, 1), "ng*hr/mL\n")
cat("  PT003:", round(auc_pt003, 1), "ng*hr/mL\n")

임상적 해석

PT003은 신기능이 저하된 환자로, Methotrexate의 주요 배설 경로가 신장이기 때문에 동일 용량에서도 더 높은 농도와 AUC를 보입니다. 이러한 환자에서는 용량 조절이나 더 면밀한 모니터링이 필요합니다.

2.3 행렬(Matrix)과 배열(Array)

2.3.1 행렬(Matrix) 생성

행렬은 2차원 구조로, 동일한 타입의 원소들을 행(row)과 열(column)로 배치한 것입니다.

# 앞서 만든 농도 데이터를 행렬로 구성
# 행 = 환자, 열 = 시점
conc_matrix <- matrix(
  c(conc_pt001, conc_pt002, conc_pt003),
  nrow = 3,
  byrow = TRUE
)

conc_matrix
#      [,1] [,2] [,3]  [,4]  [,5]  [,6]  [,7] [,8] [,9] [,10] [,11]
# [1,]    0   85  320   480   410   280   180   75   35    12   2.5
# [2,]    0   70  290   430   380   250   155   60   28     8   1.2
# [3,]    0   95  380   560   510   370   260  130   72    30   8.5

2.3.2 행/열 이름 지정

# 행 이름과 열 이름 지정
rownames(conc_matrix) <- c("PT001", "PT002", "PT003")
colnames(conc_matrix) <- paste0("t", time_hr, "h")

conc_matrix
#       t0h t0.5h t1h t1.5h t2h t3h t4h t6h t8h t12h t24h
# PT001   0    85 320   480 410 280 180  75  35   12  2.5
# PT002   0    70 290   430 380 250 155  60  28    8  1.2
# PT003   0    95 380   560 510 370 260 130  72   30  8.5

2.3.3 행렬 인덱싱

# [행, 열]로 접근
conc_matrix[1, 4]          # PT001의 1.5시간 농도: 480
conc_matrix["PT003", ]     # PT003의 모든 시점
conc_matrix[, "t2h"]       # 모든 환자의 2시간 농도: 410, 380, 510

# 부분 행렬 추출
conc_matrix[c("PT001", "PT003"), c("t1h", "t2h", "t4h")]

# 행렬 연산
apply(conc_matrix, 1, max)      # 각 환자(행)의 Cmax
apply(conc_matrix, 2, mean)     # 각 시점(열)의 평균 농도

2.3.4 실습: 시간-농도 행렬의 활용

# 각 환자의 Cmax 시점 찾기
tmax_indices <- apply(conc_matrix, 1, which.max)
tmax_values <- time_hr[tmax_indices]
names(tmax_values) <- rownames(conc_matrix)
tmax_values
# PT001 PT002 PT003
#   1.5   1.5   1.5

# 특정 시점(2h) 기준으로 농도 비교
conc_2h <- conc_matrix[, "t2h"]
barplot(conc_2h, main = "Methotrexate 투여 후 2시간 농도",
        ylab = "농도 (ng/mL)", col = c("steelblue", "coral", "seagreen"))

# 행렬의 전치 (transpose) - 시점별 비교 시 유용
t(conc_matrix)

행렬 vs 데이터프레임

행렬은 모든 원소가 같은 타입이어야 합니다. PK 데이터처럼 숫자와 문자가 혼합된 경우에는 데이터프레임이 더 적합합니다. 행렬은 주로 수치 계산(선형대수, 공분산 행렬 등)에서 사용됩니다. NONMEM의 $OMEGA, $SIGMA 블록이 바로 행렬(공분산 행렬)의 예입니다.

2.3.5 배열(Array)

배열은 행렬을 3차원 이상으로 확장한 것입니다. PK 분석에서는 시뮬레이션 결과를 저장할 때 유용할 수 있습니다.

# 3차원 배열: 환자 x 시점 x 시뮬레이션 반복
# 예: 3명 환자, 11시점, 100번 시뮬레이션
sim_array <- array(
  data = rnorm(3 * 11 * 100, mean = 200, sd = 50),
  dim = c(3, 11, 100),
  dimnames = list(
    patient = c("PT001", "PT002", "PT003"),
    time = paste0("t", time_hr),
    sim = paste0("sim", 1:100)
  )
)

# 접근 예
sim_array["PT001", "t2", "sim1"]    # PT001의 2시간, 시뮬레이션1
sim_array["PT001", , 1:5]           # PT001의 처음 5번 시뮬레이션

2.4 리스트(List)

리스트는 R에서 가장 유연한 데이터 구조입니다. 서로 다른 타입과 길이의 객체를 하나로 묶을 수 있습니다.

2.4.1 리스트 생성 및 접근

# 환자 한 명의 정보를 리스트로 구성
patient_info <- list(
  id       = "PT001",
  age      = 45,
  sex      = "M",
  weight   = 65,
  height   = 170,
  disease  = "Plaque Psoriasis",
  pasi     = 18.5,      # PASI (Psoriasis Area and Severity Index) 점수
  comedication = c("Folic acid", "Omeprazole")
)

# 접근 방법 1: $ 연산자 (가장 흔함)
patient_info$id          # "PT001"
patient_info$weight      # 65

# 접근 방법 2: [[ ]] (이름 또는 인덱스)
patient_info[["age"]]    # 45
patient_info[[2]]        # 45 (두 번째 원소)

# 접근 방법 3: [ ] - 부분 리스트 반환 (리스트 그대로 유지)
patient_info[c("id", "weight")]   # id와 weight만 포함하는 리스트

[ ]와 [[ ]]의 차이

patient_info["age"]는 리스트를 반환합니다 (원소가 하나인 리스트).
patient_info[["age"]]는 값 자체를 반환합니다 (숫자 45).

이 차이는 후속 연산에 영향을 줍니다. 예를 들어 patient_info["age"] + 1은 오류가 발생하지만 patient_info[["age"]] + 1은 46을 반환합니다.

2.4.2 중첩 리스트 (Nested List)

리스트 안에 또 다른 리스트를 넣을 수 있습니다. 이를 활용하면 환자의 전체 정보를 구조화하여 저장할 수 있습니다.

# 환자 전체 정보를 중첩 리스트로 구성
patient_full <- list(
  demographics = list(
    id     = "PT001",
    age    = 45,
    sex    = "M",
    weight = 65,
    height = 170,
    bsa    = 1.78,       # 체표면적 (m²)
    crcl   = 95           # 크레아티닌 청소율 (mL/min)
  ),
  disease = list(
    diagnosis = "Plaque Psoriasis",
    duration_years = 8,
    pasi_baseline = 18.5,
    pasi_week12 = 7.2,
    affected_area = c("Scalp", "Trunk", "Extremities")
  ),
  dosing = list(
    drug  = "Methotrexate",
    dose  = 15,           # mg
    route = "SC",
    frequency = "QW",     # 주 1회
    start_date = "2024-01-15",
    folic_acid = TRUE
  ),
  pk_data = list(
    time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24),
    conc = c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5),
    unit = "ng/mL",
    lloq = 1.0
  )
)

# 중첩 리스트 접근
patient_full$demographics$weight    # 65
patient_full$pk_data$conc           # 농도 벡터
patient_full$disease$affected_area  # "Scalp" "Trunk" "Extremities"

# PASI 개선율 계산
pasi_improvement <- (patient_full$disease$pasi_baseline -
                     patient_full$disease$pasi_week12) /
                     patient_full$disease$pasi_baseline * 100
cat("PASI 개선율:", round(pasi_improvement, 1), "%\n")
# PASI 개선율: 61.1 %

2.4.3 실습: 여러 환자를 리스트로 관리

# 여러 환자를 리스트의 리스트로 구성
study_data <- list(
  PT001 = list(
    demo = list(age = 45, sex = "M", wt = 65, crcl = 95),
    dose = list(amt = 15, route = "SC"),
    pk   = list(
      time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24),
      conc = c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5)
    )
  ),
  PT002 = list(
    demo = list(age = 38, sex = "F", wt = 80, crcl = 110),
    dose = list(amt = 15, route = "SC"),
    pk   = list(
      time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24),
      conc = c(0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2)
    )
  ),
  PT003 = list(
    demo = list(age = 62, sex = "M", wt = 55, crcl = 65),
    dose = list(amt = 15, route = "SC"),
    pk   = list(
      time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24),
      conc = c(0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5)
    )
  )
)

# 모든 환자의 Cmax를 한번에 추출
sapply(study_data, function(pt) max(pt$pk$conc))
# PT001 PT002 PT003
#   480   430   560

# 모든 환자의 체중 추출
sapply(study_data, function(pt) pt$demo$wt)
# PT001 PT002 PT003
#    65    80    55

리스트와 JSON

리스트는 JSON 형식과 구조가 매우 유사합니다. jsonlite 패키지를 사용하면 리스트와 JSON 간 변환이 쉽습니다. API에서 데이터를 가져오거나 웹 기반 도구와 데이터를 주고받을 때 유용합니다.

library(jsonlite)
json_text <- toJSON(patient_full, pretty = TRUE)
cat(json_text)

2.5 데이터프레임(data.frame)과 tibble

그림 2.2: PK 데이터의 데이터프레임 구조 (PK Data Structure as Data Frame). 데이터프레임의 행(rows)은 개별 관측값, 열(columns)은 변수(ID, TIME, CONC, DOSE)에 대응하는 구조를 보여준다. Methotrexate 건선 환자의 실제 PK 데이터 예시를 통해 각 열의 데이터 타입과 의미를 설명한다.

데이터프레임은 R에서 표 형태의 데이터를 저장하는 가장 핵심적인 구조입니다 (그림 2.2). 약동학 데이터 분석의 대부분은 데이터프레임을 기반으로 이루어집니다. 데이터프레임은 사실 동일한 길이의 벡터들을 열(column)으로 묶은 리스트입니다.

2.5.1 data.frame 생성

# Methotrexate PK 데이터를 data.frame으로 생성
mtx_pk <- data.frame(
  ID   = rep(c("PT001", "PT002", "PT003"), each = 11),
  TIME = rep(c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), times = 3),
  DV   = c(
    0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5,    # PT001
    0, 70, 290, 430, 380, 250, 155, 60, 28,  8, 1.2,    # PT002
    0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5     # PT003
  ),
  AMT  = rep(c(15, rep(NA, 10)), times = 3),
  EVID = rep(c(1, rep(0, 10)), times = 3),
  MDV  = rep(c(1, rep(0, 10)), times = 3),
  CMT  = rep(c(1, rep(2, 10)), times = 3),
  stringsAsFactors = FALSE
)

# 상위 행 확인
head(mtx_pk)
#      ID TIME  DV AMT EVID MDV CMT
# 1 PT001  0.0 0.0  15    1   1   1
# 2 PT001  0.5 85.0  NA    0   0   2
# 3 PT001  1.0 320.0 NA    0   0   2
# ...

2.5.2 열 접근 및 행 필터링

# 열 접근
mtx_pk$DV                 # DV 열 전체 (벡터)
mtx_pk[, "TIME"]          # TIME 열
mtx_pk[, c("ID", "TIME", "DV")]  # 여러 열 선택

# 행 필터링
mtx_pk[mtx_pk$ID == "PT001", ]           # PT001만
mtx_pk[mtx_pk$EVID == 0, ]               # 관측 데이터만
mtx_pk[mtx_pk$DV > 100 & mtx_pk$EVID == 0, ]  # 농도 > 100인 관측

# 새 열 추가
mtx_pk$LNDV <- ifelse(mtx_pk$DV > 0, log(mtx_pk$DV), NA)  # 로그 변환 농도
mtx_pk$WT <- rep(c(65, 80, 55), each = 11)                  # 체중 추가

2.5.3 tibble vs data.frame

tibble은 tidyverse에서 제공하는 현대적인 데이터프레임입니다. 기본 data.frame과 비교하여 몇 가지 개선점이 있습니다.

library(tidyverse)

# tibble 생성
mtx_pk_tbl <- tibble(
  ID   = rep(c("PT001", "PT002", "PT003"), each = 11),
  TIME = rep(c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), times = 3),
  DV   = c(
    0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5,
    0, 70, 290, 430, 380, 250, 155, 60, 28,  8, 1.2,
    0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5
  )
)

# data.frame을 tibble로 변환
mtx_pk_tbl <- as_tibble(mtx_pk)

tibble과 data.frame의 주요 차이점은 다음과 같습니다.

특성	`data.frame`	`tibble`
출력	전체 출력 (매우 길어질 수 있음)	처음 10행만 출력, 열 타입 표시
문자열 처리	기본적으로 factor로 변환 가능	문자열 그대로 유지
부분 매칭	`df$w`로 `df$weight` 접근 가능	부분 매칭 불가 (안전)
`[` 동작	열 하나 선택 시 벡터 반환	항상 tibble 반환
행 이름	지원	미지원 (별도 열로 관리)

# tibble의 장점 1: 깔끔한 출력
mtx_pk_tbl      # 처음 10행만 보여주며 타입 정보 포함

# tibble의 장점 2: 부분 매칭 방지 (안전)
# data.frame의 경우
df <- data.frame(weight = c(65, 80))
df$w     # 65 80 (부분 매칭 - 위험!)

# tibble의 경우
tbl <- tibble(weight = c(65, 80))
tbl$w    # NULL + 경고 (안전!)

2.5.4 구조 파악 함수: str(), summary(), glimpse()

데이터를 불러온 후 가장 먼저 해야 할 일은 구조를 파악하는 것입니다.

# str() - 구조(structure) 확인
str(mtx_pk)
# 'data.frame': 33 obs. of  9 variables:
#  $ ID  : chr  "PT001" "PT001" "PT001" ...
#  $ TIME: num  0 0.5 1 1.5 2 3 4 6 8 12 ...
#  $ DV  : num  0 85 320 480 410 280 180 75 35 12 ...
#  $ AMT : num  15 NA NA NA NA NA NA NA NA NA ...
#  $ EVID: num  1 0 0 0 0 0 0 0 0 0 ...
#  ...

# summary() - 기술통계 요약
summary(mtx_pk)
#       ID                TIME             DV              AMT
#  Length:33          Min.   : 0.00   Min.   :  0.0   Min.   :15
#  Class :character   1st Qu.: 1.25   1st Qu.: 18.8   1st Qu.:15
#  ...

# glimpse() - tidyverse의 str() 대안 (더 깔끔)
glimpse(mtx_pk)
# Rows: 33
# Columns: 9
# $ ID   <chr> "PT001", "PT001", "PT001", ...
# $ TIME <dbl> 0, 0.5, 1, 1.5, 2, 3, 4, ...
# $ DV   <dbl> 0, 85, 320, 480, 410, 280, ...
# ...

2.5.5 실습: CSV 파일에서 PK 데이터 읽기 및 탐색

실제 분석에서는 CSV 파일로 데이터를 받는 경우가 대부분입니다.

library(tidyverse)

# CSV 파일 읽기
mtx_pk <- read_csv("data/pk_methotrexate.csv")

# 1단계: 구조 파악
str(mtx_pk)
glimpse(mtx_pk)

# 2단계: 요약 통계
summary(mtx_pk)

# 3단계: 결측치 확인
colSums(is.na(mtx_pk))

# 4단계: 고유값 확인
unique(mtx_pk$ID)           # 환자 ID 목록
n_distinct(mtx_pk$ID)       # 환자 수
table(mtx_pk$EVID)          # 이벤트 유형별 빈도

# 5단계: 간단한 시각화
ggplot(mtx_pk %>% filter(EVID == 0), aes(x = TIME, y = DV, color = ID)) +
  geom_line() +
  geom_point() +
  scale_y_log10() +
  labs(
    title = "Methotrexate PK Profile",
    x = "Time (hr)",
    y = "Concentration (ng/mL)",
    color = "Patient ID"
  ) +
  theme_bw()

NONMEM 데이터셋과 데이터프레임

NONMEM에서 사용하는 데이터셋은 본질적으로 CSV 형태의 표 데이터이므로 R 데이터프레임으로 자연스럽게 대응됩니다. 주요 열들의 의미를 알아두면 좋습니다:

ID: 개체(환자) 식별자
TIME: 시간 (첫 투여 기준)
DV: 종속변수 (주로 관측 농도)
AMT: 투여량 (투여 이벤트에서만 값이 존재)
EVID: 이벤트 ID (0=관측, 1=투여, 2=기타 타입 이벤트)
CMT: 구획 번호 (1=투여 구획, 2=관측 구획 등)
MDV: Missing DV 플래그 (0=DV 사용, 1=DV 무시)
WT, AGE, SEX, …: 공변량(covariates)

2.6 Factor: 범주형 데이터

2.6.1 Factor의 필요성

문자열(character)은 텍스트를 저장하지만, 범주형 데이터로서의 의미(순서, 수준)를 담지 못합니다. 예를 들어 투여 경로가 "PO", "SC", "IV" 세 가지라면, 이것이 세 개의 정해진 범주임을 R에게 알려주어야 합니다. 이때 사용하는 것이 factor입니다.

2.6.2 factor() 생성과 levels 지정

# 기본 factor 생성
route <- c("SC", "PO", "SC", "IV", "PO", "SC")
route_factor <- factor(route)
route_factor
# [1] SC PO SC IV PO SC
# Levels: IV PO SC    <- 알파벳 순서 (기본)

# levels 순서 직접 지정
route_factor <- factor(route, levels = c("PO", "SC", "IV"))
route_factor
# Levels: PO SC IV    <- 지정한 순서

# levels 확인
levels(route_factor)    # "PO" "SC" "IV"
nlevels(route_factor)   # 3

# factor의 내부 구조: 정수 + 라벨
as.integer(route_factor)  # 2 1 2 3 1 2

2.6.3 순서형 Factor (Ordered Factor)

용량군처럼 순서가 의미를 갖는 범주에는 순서형 factor를 사용합니다.

# 용량군 - 순서가 있는 범주
dose_group <- c("Low", "High", "Medium", "Low", "High", "Medium")

# 순서 없는 factor (기본)
factor(dose_group)
# Levels: High Low Medium    <- 알파벳 순서 (의미 없음)

# 순서형 factor
dose_ordered <- factor(
  dose_group,
  levels = c("Low", "Medium", "High"),
  ordered = TRUE
)
dose_ordered
# Levels: Low < Medium < High

# 비교 연산 가능
dose_ordered[1] < dose_ordered[2]   # TRUE (Low < High)

2.6.4 약학적 맥락에서의 Factor 활용

# 투여 경로
route <- factor(
  c("PO", "SC", "SC", "IV", "PO"),
  levels = c("PO", "SC", "IV")
)

# 질환 중증도 (건선)
severity <- factor(
  c("Mild", "Moderate", "Severe", "Moderate", "Severe"),
  levels = c("Mild", "Moderate", "Severe"),
  ordered = TRUE
)

# BLQ 상태
blq_status <- factor(
  c("Above LLOQ", "BLQ", "Above LLOQ", "Above LLOQ", "BLQ"),
  levels = c("BLQ", "Above LLOQ")
)

# PASI 반응 분류
pasi_response <- factor(
  c("PASI75", "PASI50", "PASI90", "PASI75", "Non-responder"),
  levels = c("Non-responder", "PASI50", "PASI75", "PASI90", "PASI100"),
  ordered = TRUE
)

Factor 관련 흔한 실수

의도치 않은 factor 변환: 옛날 R에서는 data.frame()이 문자열을 자동으로 factor로 변환했습니다. stringsAsFactors = FALSE를 쓰거나 tibble을 사용하면 방지됩니다.
숫자가 factor인 경우: as.numeric(factor("3"))은 3이 아니라 해당 level의 내부 정수를 반환합니다.

x <- factor(c("10", "20", "30"))
as.numeric(x)              # 1 2 3 (원래 값이 아님!)
as.numeric(as.character(x))  # 10 20 30 (올바른 변환)

존재하지 않는 level: 데이터에 없는 level이 유지될 수 있습니다. droplevels()로 제거합니다.

2.6.5 forcats 패키지 기초

forcats는 tidyverse에 포함된 factor 전용 패키지로, factor 조작을 위한 편리한 함수를 제공합니다.

library(forcats)

# fct_relevel() - level 순서 변경
route <- factor(c("PO", "SC", "IV", "SC", "PO"))
fct_relevel(route, "IV", "SC", "PO")  # 원하는 순서로 지정

# fct_infreq() - 빈도 순으로 정렬
fct_infreq(route)    # SC, PO, IV 순 (SC가 가장 많으므로)

# fct_lump_n() - 상위 n개만 남기고 나머지 "Other"
drugs <- factor(c("MTX", "MTX", "MTX", "ADA", "ADA", "ETN",
                  "UST", "SEC", "IXE", "GUS"))
fct_lump_n(drugs, n = 3)
# MTX, MTX, MTX, ADA, ADA, Other, Other, Other, Other, Other

# fct_recode() - level 이름 변경
route_kr <- fct_recode(route,
  "경구" = "PO",
  "피하주사" = "SC",
  "정맥주사" = "IV"
)

# fct_collapse() - 여러 level을 하나로 합치기
response <- factor(c("PASI50", "PASI75", "PASI90", "PASI100", "Non-responder"))
response_binary <- fct_collapse(response,
  "Responder" = c("PASI50", "PASI75", "PASI90", "PASI100"),
  "Non-responder" = "Non-responder"
)

2.7 약리학 노트: Methotrexate의 약리학

그림 2.3: Methotrexate의 작용기전 (Methotrexate Mechanism of Action). Methotrexate가 DHFR(디히드로엽산 환원효소)을 억제하여 엽산 경로를 차단하고, 빠르게 분열하는 세포(건선의 각질세포)에 미치는 영향을 도식화하였다. 저용량에서의 아데노신 방출 증가를 통한 항염증 효과 경로도 함께 나타낸다.

Methotrexate (MTX) 약리학 개요

그림 2.3 은 Methotrexate의 작용기전을 도식화한 것입니다.

작용 기전

Methotrexate(MTX)는 엽산(folic acid) 유사체로서 디히드로엽산 환원효소(dihydrofolate reductase, DHFR)를 경쟁적으로 억제합니다. 이로 인해 퓨린(purine) 및 피리미딘(pyrimidine) 합성에 필요한 테트라히드로엽산(tetrahydrofolate)의 생성이 차단되어 DNA 합성이 억제됩니다. 또한 MTX는 아미노이미다졸카르복사미드(AICAR) 변환효소를 억제하여 세포 내 아데노신(adenosine) 농도를 증가시키는데, 이 아데노신이 항염증 효과를 매개하는 것으로 알려져 있습니다.

건선에서의 사용

적응증: 중등도~중증 판상 건선(plaque psoriasis)에서 전신 치료제로 사용
용량: 저용량 요법 - 주 1회 7.5~25 mg (경구 또는 피하주사)
시작 용량: 보통 7.5~10 mg/week로 시작, 효과에 따라 점진적 증량
반응 평가: PASI (Psoriasis Area and Severity Index) 점수로 12~16주 후 평가
엽산 보충: MTX 투여 24~48시간 후 엽산(folic acid) 5 mg 복용 (부작용 감소)

MTX의 약동학(Pharmacokinetics) 특성

흡수(Absorption)

경구(PO): 생체이용률(bioavailability, F) 약 60~80%, 고용량에서 감소 (포화성 흡수)
피하주사(SC): F 거의 100%, 고용량에서도 안정적 흡수
Tmax: PO 1~2시간, SC 0.5~1.5시간
음식의 영향은 미미하나 유제품과의 동시 투여는 흡수 감소 가능

분포(Distribution)

혈장 단백 결합률: 약 50% (주로 알부민)
분포용적(Vd): 약 0.4~0.8 L/kg
적혈구 내 축적 (polyglutamate 형태로 - 수주에 걸쳐 서서히 제거)

대사(Metabolism) 및 배설(Excretion)

주요 배설 경로: 신장 배설 (70~90%, 주로 사구체 여과 + 세뇨관 분비)
간 대사: 7-hydroxy-methotrexate (활성 대사체)
반감기(t1/2): 3~10시간 (저용량), 고용량에서는 8~15시간
신기능에 따라 청소율이 크게 변함 → 신기능 저하 환자에서 주의 필요

독성 프로파일

골수 억제: 범혈구감소증 (가장 중요한 급성 독성)
간독성: 장기 사용 시 간섬유화/경변 가능 → 정기적 간기능 검사
폐독성: MTX 폐렴 (과민 반응, 용량 비의존적)
위장관: 구내염, 오심, 설사
기형 유발성: 임신 금기 (카테고리 X)

치료약물모니터링(TDM)

저용량(건선 치료): 일반적으로 TDM 불필요, CBC와 간기능 정기 모니터링
고용량(항암 요법, >500 mg/m²): 반드시 TDM 시행
- 24시간 농도 > 10 μmol/L → leucovorin rescue 강화
- 48시간 농도 > 1 μmol/L → 지연 배설, 적극적 수액/알칼리화

2.8 Claude Code 활용 팁

Claude Code로 R 객체 이해하기

패턴 1: 데이터프레임 구조 설명 요청

새로운 데이터를 받았을 때, Claude Code에게 구조를 설명해달라고 요청할 수 있습니다.

“이 데이터프레임에는 ID, TIME, DV, AMT, EVID, CMT, MDV 열이 있어. 각 열의 의미와 적절한 R 타입을 설명해줘.”

Claude Code는 NONMEM 데이터셋 형식을 이해하고 있으므로 각 열의 의미, 기대되는 타입, 일반적인 값 범위 등을 설명해줄 것입니다.

패턴 2: 타입 변환 디버깅

데이터 타입 문제로 오류가 발생했을 때:

“read_csv로 데이터를 불렀는데, DV 열이 character로 읽혔어. BLQ 값이 ’<0.05’로 들어있을 때 어떻게 처리해야 해?”

# Claude Code가 제안할 수 있는 해결 코드
mtx_pk <- read_csv("data/pk_methotrexate.csv")

# BLQ 처리 방법 1: BLQ 플래그 생성 후 숫자 변환
mtx_pk <- mtx_pk %>%
  mutate(
    BLQ = ifelse(grepl("<", DV) | DV == "BLQ", 1, 0),
    DV_numeric = case_when(
      BLQ == 1 ~ 0,        # 또는 LLOQ/2 등
      TRUE ~ as.numeric(DV)
    ),
    MDV = ifelse(BLQ == 1, 1, 0)
  )

패턴 3: 데이터 구조 문서화

“이 코드에서 사용하는 데이터프레임의 각 열에 대한 설명을 주석으로 작성해줘.”

Claude Code는 다음과 같은 문서화 코드를 생성할 수 있습니다:

# Methotrexate PK 데이터셋 변수 정의
# ===================================
# ID   : chr  - 환자 식별자 (예: "PT001")
# TIME : dbl  - 투여 후 경과 시간 (단위: hr)
# DV   : dbl  - 종속변수, 혈장 농도 (단위: ng/mL)
# AMT  : dbl  - 투여량 (단위: mg), 관측 행에서는 NA
# EVID : int  - 이벤트 ID (1=투여, 0=관측)
# CMT  : int  - 구획 번호 (1=투여, 2=관측)
# MDV  : int  - Missing DV 플래그 (1=DV 무시, 0=DV 사용)
# WT   : dbl  - 체중 (단위: kg)
# CRCL : dbl  - 크레아티닌 청소율 (단위: mL/min)
# ROUTE: fct  - 투여 경로 (levels: PO, SC, IV)

패턴 4: 객체 변환 코드 생성

“이 리스트 형태의 환자 데이터를 NONMEM 형식의 데이터프레임으로 변환하는 코드를 작성해줘.”

이처럼 Claude Code는 R 객체 간 변환, 특히 PK/PD 데이터 구조와 관련된 작업에서 큰 도움이 됩니다.

효과적인 프롬프트 예시

다음과 같은 프롬프트를 사용하면 더 정확한 답변을 얻을 수 있습니다:

구체적인 데이터 명시: “Methotrexate SC 15mg 투여 후 PK 데이터를 tibble로 만들어줘. 채혈 시점은 0, 0.5, 1, 2, 4, 8, 12, 24시간이야.”
원하는 출력 형식 지정: “이 데이터를 NONMEM 입력 형식(ID, TIME, DV, AMT, EVID, CMT, MDV)으로 변환해줘.”
맥락 제공: “건선 환자 30명의 Methotrexate PK 연구에서, 체중별로 AUC를 비교하는 코드를 작성해줘. 체중은 3개 그룹(<60, 60-80, >80 kg)으로 나눠줘.”

2.9 연습 문제

2.9.1 확인 문제

문제 1. 다음 R 객체들의 class()를 각각 예측하시오.

a <- 42
b <- 42L
c <- "42"
d <- TRUE
e <- factor("High", levels = c("Low", "Medium", "High"))

문제 2. 다음 코드의 결과를 예측하시오.

x <- c(1, "2", TRUE)
class(x)     # ?
x            # ?

힌트

R에서 벡터는 하나의 타입만 가질 수 있습니다. 여러 타입이 섞이면 자동 형변환(coercion)이 일어납니다. 우선순위: character > numeric > logical.

문제 3. data.frame과 tibble의 차이점을 세 가지 이상 서술하시오.

문제 4. 다음 상황에서 적절한 R 데이터 타입(또는 구조)을 선택하시오.

상황	적절한 타입/구조
환자의 시간별 혈장 농도 데이터 (ID, TIME, DV, AMT, EVID)	?
Methotrexate의 PK 파라미터 (CL=8.5, Vd=45.2, ka=1.2)	?
투여 경로 (PO, SC, IV)	?
건선 중증도 (Mild < Moderate < Severe)	?
단일 환자의 인구통계 + 투약정보 + PK 데이터	?

문제 5. Factor에서 levels의 순서가 중요한 이유를 ggplot2 시각화와 관련지어 설명하시오.

2.9.2 R 실습 과제

실습 1: 벡터 연산과 NCA

아래 데이터를 사용하여 비구획분석(Non-Compartmental Analysis, NCA)의 기초 파라미터를 계산하시오.

# Methotrexate 15mg SC 투여 후 데이터 (환자 PT004)
time <- c(0, 0.25, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24)
conc <- c(0, 45, 180, 390, 520, 470, 310, 200, 85, 42, 15, 2.8)

# 과제:
# 1) Cmax와 Tmax를 구하시오.
# 2) 사다리꼴 공식으로 AUC(0-24h)를 계산하시오.
# 3) 마지막 3개 시점을 이용하여 소실 속도 상수(λz)를 추정하시오.
#    (힌트: log(conc) vs time의 기울기 = -λz)
# 4) 소실 반감기(t1/2 = ln(2)/λz)를 계산하시오.
# 5) AUC(0-inf)를 추정하시오. (AUC(0-24) + Clast/λz)

실습 2: 데이터프레임 다루기

아래 코드로 생성한 데이터프레임을 사용하여 각 문항을 수행하시오.

# 데이터프레임 생성
mtx_study <- data.frame(
  ID    = rep(paste0("PT", sprintf("%03d", 1:6)), each = 8),
  TIME  = rep(c(0, 0.5, 1, 2, 4, 6, 8, 12), times = 6),
  DV    = c(
    0,  80, 310, 460, 270, 170,  80, 28,    # PT001
    0,  65, 280, 420, 240, 145,  65, 20,    # PT002
    0, 100, 370, 540, 350, 230, 120, 45,    # PT003
    0,  75, 300, 440, 260, 160,  75, 25,    # PT004
    0,  55, 250, 380, 210, 125,  55, 15,    # PT005
    0,  90, 350, 510, 330, 220, 110, 40     # PT006
  ),
  DOSE  = rep(c(15, 15, 25, 15, 10, 25), each = 8),
  ROUTE = rep(c("SC", "PO", "SC", "SC", "PO", "SC"), each = 8),
  WT    = rep(c(65, 80, 55, 72, 90, 60), each = 8),
  SEX   = rep(c("M", "F", "M", "F", "M", "F"), each = 8),
  CRCL  = rep(c(95, 110, 65, 88, 120, 78), each = 8),
  stringsAsFactors = FALSE
)

# 과제:
# 1) 이 데이터프레임의 구조를 str()과 glimpse()로 확인하시오.
# 2) SC 투여 환자만 필터링하시오.
# 3) 각 환자의 Cmax를 구하시오. (tapply 또는 aggregate 사용)
# 4) 용량 보정 Cmax (Cmax/Dose)를 구하여 새로운 열로 추가하시오.
# 5) ROUTE를 factor로 변환하고, levels을 "PO", "SC"로 지정하시오.

실습 3: 리스트에서 데이터프레임으로

아래의 리스트 형태 데이터를 NONMEM 형식의 데이터프레임으로 변환하시오.

# 리스트 형태의 환자 데이터
patients <- list(
  list(
    id = "PT010", wt = 68, dose = 15, route = "SC",
    time = c(0, 1, 2, 4, 8, 12),
    conc = c(0, 350, 440, 250, 70, 20)
  ),
  list(
    id = "PT011", wt = 75, dose = 20, route = "SC",
    time = c(0, 1, 2, 4, 8, 12),
    conc = c(0, 450, 580, 340, 100, 32)
  ),
  list(
    id = "PT012", wt = 58, dose = 15, route = "PO",
    time = c(0, 1, 2, 4, 8, 12),
    conc = c(0, 280, 390, 200, 55, 14)
  )
)

# 과제:
# 위 리스트를 아래 형식의 데이터프레임으로 변환하시오.
# 열: ID, TIME, DV, AMT, EVID, MDV, CMT, WT, ROUTE
# 힌트: 각 환자에 대해 투여 행(EVID=1)과 관측 행(EVID=0)을 모두 포함해야 합니다.
# lapply() 또는 purrr::map()을 활용할 수 있습니다.

2.9.3 Claude Code 도전 과제

다음 과제를 Claude Code를 활용하여 수행하시오.

과제: PK 데이터 구조 설계 및 검증

Claude Code에게 다음을 단계별로 요청하시오:

“Methotrexate 건선 PK 연구의 모의 데이터셋을 만들어줘. 환자 10명, SC 투여, 용량은 10/15/25mg 세 그룹, 채혈 시점 8개. NONMEM 형식으로.”
생성된 데이터프레임에 대해: “이 데이터의 각 열 타입이 적절한지 확인하고, 필요한 변환을 수행해줘.”
“이 데이터에서 용량군별로 농도-시간 프로파일을 그래프로 그려줘. 개별 환자 곡선과 평균 곡선을 함께 표시해줘.”
최종 결과를 평가하시오: 생성된 데이터의 타입이 올바른지, PK 프로파일이 약리학적으로 타당한지(Tmax, Cmax의 용량 비례성 등)를 검토합니다.

도전 과제 수행 요령

Claude Code와 대화할 때 한 번에 모든 것을 요구하기보다 단계별로 진행하는 것이 좋습니다. 각 단계의 출력을 확인한 후 다음 단계로 넘어가면 오류를 조기에 발견하고 수정할 수 있습니다.

또한, 생성된 코드를 그대로 사용하기보다 이해하고 필요에 따라 수정하는 습관을 들이는 것이 중요합니다. Claude Code는 도구이지, 여러분의 약학적 판단을 대체하는 것이 아닙니다.

2.10 요약

이 장에서 학습한 R 객체 체계를 정리하면 다음과 같습니다.

객체	차원	타입 제한	PK/PD 활용 예
벡터(vector)	1차원	동일 타입	시간 벡터, 농도 벡터, PK 파라미터
행렬(matrix)	2차원	동일 타입	공분산 행렬, 시뮬레이션 결과
배열(array)	n차원	동일 타입	다중 시뮬레이션 결과
리스트(list)	1차원	혼합 가능	환자 전체 정보, 모델 결과
데이터프레임	2차원	열별 동일	NONMEM 데이터셋, 분석 데이터
tibble	2차원	열별 동일	tidyverse 기반 분석 데이터
factor	1차원	범주형	투여 경로, 용량군, 중증도

핵심 원칙을 다시 정리합니다:

데이터를 불러오면 가장 먼저 str()과 glimpse()로 구조를 확인합니다.
각 변수의 타입이 의도한 대로인지 확인합니다. 특히 숫자여야 할 열이 문자로 읽혔는지, BLQ 값 때문에 타입이 꼬이지 않았는지 점검합니다.
벡터화 연산을 적극 활용합니다. for 루프 대신 벡터 연산을 사용하면 코드가 간결하고 빠릅니다.
범주형 데이터는 factor로 관리합니다. 특히 시각화와 모델링에서 level 순서가 중요합니다.
tidyverse(tibble)를 기본으로 사용하는 것을 권장합니다. 더 안전하고 일관된 동작을 보장합니다.

다음 장에서는 이러한 R 객체들을 본격적으로 조작하는 tidyverse 데이터 전처리 기법을 학습합니다. dplyr의 filter(), select(), mutate(), group_by(), summarize() 등의 함수를 사용하여 PK 데이터를 효율적으로 다루는 방법을 배울 것입니다.

# R 객체의 이해 {#sec-r-object} R은 데이터를 다루기 위해 설계된 언어입니다. 약동학/약력학(PK/PD) 데이터를 효과적으로 처리하려면, R이 데이터를 어떤 형태로 저장하고 관리하는지를 이해하는 것이 필수적입니다. 이 장에서는 R의 기본 데이터 타입부터 시작하여 벡터, 행렬, 리스트, 데이터프레임까지 단계적으로 학습합니다. 모든 예시는 건선(psoriasis) 치료에 사용되는 **Methotrexate**의 약동학 데이터를 중심으로 구성하였습니다. ## R의 기본 데이터 타입 {#sec-data-types} ![R 데이터 타입 체계와 PK 데이터 매핑 (R Data Types Hierarchy). R의 기본 데이터 구조인 vector에서 matrix/array, list, data.frame/tibble로 이어지는 계층 구조를 도식화하였다. 각 구조에 PK 데이터 변수(concentration=numeric, route=factor, ID=character)가 어떻게 매핑되는지를 함께 나타낸다.](../images/ch02_fig1.png){#fig-ch02-1 width=100%} @fig-ch02-1 은 R의 데이터 타입 체계와 PK 데이터 변수의 매핑 관계를 보여줍니다. R에서 모든 데이터는 특정한 **타입(type)**을 가집니다. 약동학 데이터를 다룰 때 각 변수가 어떤 타입인지를 정확히 이해하는 것은 데이터 오류를 방지하고 올바른 분석을 수행하는 데 핵심적입니다. ### 다섯 가지 기본 타입 R에는 다섯 가지 기본 데이터 타입(atomic type)이 있습니다. ```{r} #| eval: false # 1. numeric (실수형) - 가장 흔한 숫자 타입 conc <- 12.5 # 약물 농도 (ng/mL) class(conc) # "numeric" # 2. integer (정수형) - L 접미사로 명시 n_patients <- 30L # 환자 수 class(n_patients) # "integer" # 3. character (문자형) - 따옴표로 감싸기 route <- "SC" # 투여 경로 class(route) # "character" # 4. logical (논리형) - TRUE 또는 FALSE is_blq <- FALSE # 정량한계 미만(Below Limit of Quantification) 여부 class(is_blq) # "logical" # 5. complex (복소수형) - 실무에서 거의 사용 안 함 z <- 3 + 2i class(z) # "complex" ``` 약동학 데이터에서 각 타입이 사용되는 실제 맥락을 정리하면 다음과 같습니다. | 데이터 타입 | 약동학 변수 예시 | 설명 | |:---|:---|:---| | `numeric` | 농도(DV), 용량(AMT), 체중(WT), AUC | 소수점이 포함될 수 있는 연속형 측정값 | | `integer` | 투여 횟수(ADDL), 구획 번호(CMT) | 정수로만 의미가 있는 값 | | `character` | 환자 ID(ID), 투여 경로, 약물명 | 텍스트 정보 | | `logical` | BLQ 여부, MDV(missing DV) 플래그 | 참/거짓 판단 | | `complex` | (거의 사용되지 않음) | PK/PD에서는 사실상 불필요 | ### 타입 확인 함수 데이터를 불러온 후 각 변수의 타입을 확인하는 습관은 매우 중요합니다. R은 여러 가지 확인 함수를 제공합니다. ```{r} #| eval: false # class() - 객체의 클래스 확인 x <- 3.14 class(x) # "numeric" # typeof() - 내부 저장 타입 확인 (더 세부적) typeof(x) # "double" # is.*() 계열 함수 - 특정 타입인지 논리값으로 반환 is.numeric(x) # TRUE is.character(x) # FALSE is.integer(30L) # TRUE is.logical(TRUE) # TRUE ``` `class()`와 `typeof()`의 차이를 아는 것이 중요합니다. `class()`는 R 객체 시스템의 관점에서 분류를 반환하고, `typeof()`는 메모리에 저장되는 실제 내부 타입을 반환합니다. 예를 들어 `class(3.14)`는 `"numeric"`이지만 `typeof(3.14)`는 `"double"`입니다. ### 타입 변환 데이터를 불러올 때 타입이 의도와 다르게 읽히는 경우가 빈번합니다. `as.*()` 함수를 사용하여 명시적으로 변환할 수 있습니다. ```{r} #| eval: false # 문자를 숫자로 변환 conc_char <- "12.5" conc_num <- as.numeric(conc_char) conc_num # 12.5 # 숫자를 문자로 변환 dose <- 15 dose_char <- as.character(dose) dose_char # "15" # 숫자를 논리값으로 (0 = FALSE, 그 외 = TRUE) mdv_num <- 0 as.logical(mdv_num) # FALSE as.logical(1) # TRUE # 논리값을 숫자로 as.numeric(TRUE) # 1 as.numeric(FALSE) # 0 # 정수 변환 as.integer(3.7) # 3 (소수점 이하 버림) ``` :::{.callout-warning} ### 흔한 실수: 변환 불가능한 경우 `as.numeric()`으로 변환할 수 없는 문자열을 변환하면 `NA`가 생성되고 경고 메시지가 나타납니다. ```{r} #| eval: false as.numeric("BLQ") # NA (경고 발생) as.numeric("< 0.05") # NA (경고 발생) ``` PK 데이터에서 정량한계 미만(BLQ) 값이 `"BLQ"` 또는 `"< 0.05"` 같은 문자열로 기록되어 있으면, 해당 열 전체가 `character`로 읽힐 수 있습니다. 이런 경우 사전에 데이터 정제가 필요합니다. ::: :::{.callout-tip} ### 약학적 맥락에서의 타입 설계 NONMEM 데이터셋을 구성할 때 각 열의 타입을 미리 결정해 두면 오류를 줄일 수 있습니다. - **농도(DV)**: `numeric` - BLQ는 별도 처리 (예: MDV=1, BLQ=1) - **투여 경로**: `character` → 이후 `factor`로 변환 - **환자 ID**: `character`로 유지 (숫자처럼 보여도 산술연산 대상이 아님) - **시간(TIME)**: `numeric` (시간 단위 통일 주의) - **이벤트 유형(EVID)**: `integer` (0, 1, 2, 3, 4 등) ::: ## 벡터(Vector) {#sec-vector} 벡터는 R에서 가장 기본적인 데이터 구조입니다. **동일한 타입**의 값들을 일렬로 나열한 것으로, R의 거의 모든 연산은 벡터를 기반으로 합니다. ### 벡터 생성 ```{r} #| eval: false # c() 함수로 벡터 생성 conc <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7) time <- c(0, 0.5, 1, 2, 4, 6, 8, 12) # seq() 함수로 규칙적인 수열 생성 time_seq <- seq(from = 0, to = 24, by = 0.5) time_seq # 0.0, 0.5, 1.0, ..., 24.0 (49개 원소) # rep() 함수로 반복 벡터 생성 dose_group <- rep("15mg", times = 5) # "15mg"을 5번 반복 dose_groups <- rep(c("7.5mg", "15mg", "25mg"), each = 3) # "7.5mg" "7.5mg" "7.5mg" "15mg" "15mg" "15mg" "25mg" "25mg" "25mg" # 1:n 연산자 patient_id <- 1:10 # 1, 2, 3, ..., 10 ``` ### 벡터화 연산(Vectorized Operations) R의 가장 큰 장점 중 하나는 **벡터화 연산**입니다. 반복문(for loop) 없이도 벡터 전체에 대해 연산을 수행할 수 있어 코드가 간결하고 실행 속도도 빠릅니다. ```{r} #| eval: false # 혈장 농도 (ng/mL) -> μg/L 변환 (단위 변환) conc_ng <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7) conc_ug <- conc_ng / 1000 # 모든 원소에 동시 적용 # 체중 보정 청소율 (CL/F를 체중으로 나누기) cl_f <- c(8.5, 12.3, 9.7, 11.2) # L/hr weight <- c(65, 80, 55, 72) # kg cl_f_per_kg <- cl_f / weight # L/hr/kg # 로그 변환 (PK 분석에서 매우 흔함) log_conc <- log(conc_ng + 0.001) # 0에 소량 추가하여 log(0) 방지 # 논리 연산 is_above_mic <- conc_ng > 2.0 # MIC 이상인지 판별 # FALSE FALSE TRUE TRUE TRUE TRUE FALSE FALSE sum(is_above_mic) # MIC 이상인 시점 수: 4 ``` ### 벡터 인덱싱 벡터의 특정 원소에 접근하려면 **대괄호 `[ ]`**를 사용합니다. 인덱싱 방법은 크게 세 가지입니다. ```{r} #| eval: false conc <- c(0, 1.2, 4.5, 8.3, 6.1, 3.2, 1.5, 0.7) time <- c(0, 0.5, 1, 2, 4, 6, 8, 12) # 1) 양수 인덱싱 - 원하는 위치 지정 conc[1] # 0 (첫 번째 원소, R은 1부터 시작!) conc[c(3, 4)] # 4.5, 8.3 (세 번째, 네 번째) conc[2:5] # 1.2, 4.5, 8.3, 6.1 (두 번째~다섯 번째) # 2) 음수 인덱싱 - 특정 위치 제외 conc[-1] # 첫 번째 원소 제외 conc[-c(1, 8)] # 첫 번째와 여덟 번째 제외 # 3) 논리 인덱싱 - 조건에 맞는 원소만 선택 conc[conc > 2.0] # 2.0 초과인 값만: 4.5, 8.3, 6.1, 3.2 time[conc > 2.0] # 농도가 2.0 초과인 시점: 1, 2, 4, 6 # Cmax와 Tmax 구하기 cmax <- max(conc) # 8.3 tmax <- time[which.max(conc)] # 2 ``` ### Named Vector (이름이 있는 벡터) 벡터의 각 원소에 이름을 부여하면 의미를 명확히 할 수 있습니다. ```{r} #| eval: false # PK 파라미터를 named vector로 저장 pk_params <- c(CL = 8.5, Vd = 45.2, ka = 1.2, F = 0.75) pk_params["CL"] # 8.5 pk_params[c("CL", "Vd")] # 8.5, 45.2 # names() 함수로 이름 확인/설정 names(pk_params) # "CL" "Vd" "ka" "F" # 환자별 AUC auc <- c(150, 220, 185, 310, 175) names(auc) <- c("PT001", "PT002", "PT003", "PT004", "PT005") auc["PT004"] # 310 ``` ### 실습: Methotrexate 건선 환자 약물 농도 벡터 건선(psoriasis) 환자 3명에게 Methotrexate 15mg을 피하주사(SC)로 투여한 후 혈장 농도를 측정한 데이터를 벡터로 구성해 봅시다. ```{r} #| eval: false # 채혈 시점 (hr) time_hr <- c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24) # 환자 1: PT001 (체중 65 kg, CrCL 95 mL/min) conc_pt001 <- c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5) # 환자 2: PT002 (체중 80 kg, CrCL 110 mL/min) conc_pt002 <- c(0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2) # 환자 3: PT003 (체중 55 kg, CrCL 65 mL/min - 경도 신기능 저하) conc_pt003 <- c(0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5) # 각 환자의 Cmax와 Tmax 계산 cat("PT001: Cmax =", max(conc_pt001), "ng/mL, Tmax =", time_hr[which.max(conc_pt001)], "hr\n") cat("PT002: Cmax =", max(conc_pt002), "ng/mL, Tmax =", time_hr[which.max(conc_pt002)], "hr\n") cat("PT003: Cmax =", max(conc_pt003), "ng/mL, Tmax =", time_hr[which.max(conc_pt003)], "hr\n") # BLQ (정량한계 미만) 판별 - LLOQ = 1.0 ng/mL로 가정 lloq <- 1.0 blq_pt001 <- conc_pt001 < lloq sum(blq_pt001) # BLQ인 시점 수 # AUC 추정 (사다리꼴 공식, trapezoidal rule) auc_trap <- function(time, conc) { n <- length(time) auc <- 0 for (i in 2:n) { auc <- auc + (time[i] - time[i-1]) * (conc[i] + conc[i-1]) / 2 } return(auc) } auc_pt001 <- auc_trap(time_hr, conc_pt001) auc_pt002 <- auc_trap(time_hr, conc_pt002) auc_pt003 <- auc_trap(time_hr, conc_pt003) cat("AUC(0-24h):\n") cat(" PT001:", round(auc_pt001, 1), "ng*hr/mL\n") cat(" PT002:", round(auc_pt002, 1), "ng*hr/mL\n") cat(" PT003:", round(auc_pt003, 1), "ng*hr/mL\n") ``` :::{.callout-note} ### 임상적 해석 PT003은 신기능이 저하된 환자로, Methotrexate의 주요 배설 경로가 신장이기 때문에 동일 용량에서도 더 높은 농도와 AUC를 보입니다. 이러한 환자에서는 용량 조절이나 더 면밀한 모니터링이 필요합니다. ::: ## 행렬(Matrix)과 배열(Array) {#sec-matrix} ### 행렬(Matrix) 생성 행렬은 2차원 구조로, **동일한 타입**의 원소들을 행(row)과 열(column)로 배치한 것입니다. ```{r} #| eval: false # 앞서 만든 농도 데이터를 행렬로 구성 # 행 = 환자, 열 = 시점 conc_matrix <- matrix( c(conc_pt001, conc_pt002, conc_pt003), nrow = 3, byrow = TRUE ) conc_matrix # [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] # [1,] 0 85 320 480 410 280 180 75 35 12 2.5 # [2,] 0 70 290 430 380 250 155 60 28 8 1.2 # [3,] 0 95 380 560 510 370 260 130 72 30 8.5 ``` ### 행/열 이름 지정 ```{r} #| eval: false # 행 이름과 열 이름 지정 rownames(conc_matrix) <- c("PT001", "PT002", "PT003") colnames(conc_matrix) <- paste0("t", time_hr, "h") conc_matrix # t0h t0.5h t1h t1.5h t2h t3h t4h t6h t8h t12h t24h # PT001 0 85 320 480 410 280 180 75 35 12 2.5 # PT002 0 70 290 430 380 250 155 60 28 8 1.2 # PT003 0 95 380 560 510 370 260 130 72 30 8.5 ``` ### 행렬 인덱싱 ```{r} #| eval: false # [행, 열]로 접근 conc_matrix[1, 4] # PT001의 1.5시간 농도: 480 conc_matrix["PT003", ] # PT003의 모든 시점 conc_matrix[, "t2h"] # 모든 환자의 2시간 농도: 410, 380, 510 # 부분 행렬 추출 conc_matrix[c("PT001", "PT003"), c("t1h", "t2h", "t4h")] # 행렬 연산 apply(conc_matrix, 1, max) # 각 환자(행)의 Cmax apply(conc_matrix, 2, mean) # 각 시점(열)의 평균 농도 ``` ### 실습: 시간-농도 행렬의 활용 ```{r} #| eval: false # 각 환자의 Cmax 시점 찾기 tmax_indices <- apply(conc_matrix, 1, which.max) tmax_values <- time_hr[tmax_indices] names(tmax_values) <- rownames(conc_matrix) tmax_values # PT001 PT002 PT003 # 1.5 1.5 1.5 # 특정 시점(2h) 기준으로 농도 비교 conc_2h <- conc_matrix[, "t2h"] barplot(conc_2h, main = "Methotrexate 투여 후 2시간 농도", ylab = "농도 (ng/mL)", col = c("steelblue", "coral", "seagreen")) # 행렬의 전치 (transpose) - 시점별 비교 시 유용 t(conc_matrix) ``` :::{.callout-tip} ### 행렬 vs 데이터프레임 행렬은 **모든 원소가 같은 타입**이어야 합니다. PK 데이터처럼 숫자와 문자가 혼합된 경우에는 데이터프레임이 더 적합합니다. 행렬은 주로 수치 계산(선형대수, 공분산 행렬 등)에서 사용됩니다. NONMEM의 $OMEGA, $SIGMA 블록이 바로 행렬(공분산 행렬)의 예입니다. ::: ### 배열(Array) 배열은 행렬을 3차원 이상으로 확장한 것입니다. PK 분석에서는 시뮬레이션 결과를 저장할 때 유용할 수 있습니다. ```{r} #| eval: false # 3차원 배열: 환자 x 시점 x 시뮬레이션 반복 # 예: 3명 환자, 11시점, 100번 시뮬레이션 sim_array <- array( data = rnorm(3 * 11 * 100, mean = 200, sd = 50), dim = c(3, 11, 100), dimnames = list( patient = c("PT001", "PT002", "PT003"), time = paste0("t", time_hr), sim = paste0("sim", 1:100) ) ) # 접근 예 sim_array["PT001", "t2", "sim1"] # PT001의 2시간, 시뮬레이션1 sim_array["PT001", , 1:5] # PT001의 처음 5번 시뮬레이션 ``` ## 리스트(List) {#sec-list} 리스트는 R에서 가장 유연한 데이터 구조입니다. **서로 다른 타입과 길이**의 객체를 하나로 묶을 수 있습니다. ### 리스트 생성 및 접근 ```{r} #| eval: false # 환자 한 명의 정보를 리스트로 구성 patient_info <- list( id = "PT001", age = 45, sex = "M", weight = 65, height = 170, disease = "Plaque Psoriasis", pasi = 18.5, # PASI (Psoriasis Area and Severity Index) 점수 comedication = c("Folic acid", "Omeprazole") ) # 접근 방법 1: $ 연산자 (가장 흔함) patient_info$id # "PT001" patient_info$weight # 65 # 접근 방법 2: [[ ]] (이름 또는 인덱스) patient_info[["age"]] # 45 patient_info[[2]] # 45 (두 번째 원소) # 접근 방법 3: [ ] - 부분 리스트 반환 (리스트 그대로 유지) patient_info[c("id", "weight")] # id와 weight만 포함하는 리스트 ``` :::{.callout-warning} ### `[ ]`와 `[[ ]]`의 차이 - `patient_info["age"]`는 **리스트**를 반환합니다 (원소가 하나인 리스트). - `patient_info[["age"]]`는 **값 자체**를 반환합니다 (숫자 45). 이 차이는 후속 연산에 영향을 줍니다. 예를 들어 `patient_info["age"] + 1`은 오류가 발생하지만 `patient_info[["age"]] + 1`은 46을 반환합니다. ::: ### 중첩 리스트 (Nested List) 리스트 안에 또 다른 리스트를 넣을 수 있습니다. 이를 활용하면 환자의 전체 정보를 구조화하여 저장할 수 있습니다. ```{r} #| eval: false # 환자 전체 정보를 중첩 리스트로 구성 patient_full <- list( demographics = list( id = "PT001", age = 45, sex = "M", weight = 65, height = 170, bsa = 1.78, # 체표면적 (m²) crcl = 95 # 크레아티닌 청소율 (mL/min) ), disease = list( diagnosis = "Plaque Psoriasis", duration_years = 8, pasi_baseline = 18.5, pasi_week12 = 7.2, affected_area = c("Scalp", "Trunk", "Extremities") ), dosing = list( drug = "Methotrexate", dose = 15, # mg route = "SC", frequency = "QW", # 주 1회 start_date = "2024-01-15", folic_acid = TRUE ), pk_data = list( time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), conc = c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5), unit = "ng/mL", lloq = 1.0 ) ) # 중첩 리스트 접근 patient_full$demographics$weight # 65 patient_full$pk_data$conc # 농도 벡터 patient_full$disease$affected_area # "Scalp" "Trunk" "Extremities" # PASI 개선율 계산 pasi_improvement <- (patient_full$disease$pasi_baseline - patient_full$disease$pasi_week12) / patient_full$disease$pasi_baseline * 100 cat("PASI 개선율:", round(pasi_improvement, 1), "%\n") # PASI 개선율: 61.1 % ``` ### 실습: 여러 환자를 리스트로 관리 ```{r} #| eval: false # 여러 환자를 리스트의 리스트로 구성 study_data <- list( PT001 = list( demo = list(age = 45, sex = "M", wt = 65, crcl = 95), dose = list(amt = 15, route = "SC"), pk = list( time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), conc = c(0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5) ) ), PT002 = list( demo = list(age = 38, sex = "F", wt = 80, crcl = 110), dose = list(amt = 15, route = "SC"), pk = list( time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), conc = c(0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2) ) ), PT003 = list( demo = list(age = 62, sex = "M", wt = 55, crcl = 65), dose = list(amt = 15, route = "SC"), pk = list( time = c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), conc = c(0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5) ) ) ) # 모든 환자의 Cmax를 한번에 추출 sapply(study_data, function(pt) max(pt$pk$conc)) # PT001 PT002 PT003 # 480 430 560 # 모든 환자의 체중 추출 sapply(study_data, function(pt) pt$demo$wt) # PT001 PT002 PT003 # 65 80 55 ``` :::{.callout-tip} ### 리스트와 JSON 리스트는 JSON 형식과 구조가 매우 유사합니다. `jsonlite` 패키지를 사용하면 리스트와 JSON 간 변환이 쉽습니다. API에서 데이터를 가져오거나 웹 기반 도구와 데이터를 주고받을 때 유용합니다. ```{r} #| eval: false library(jsonlite) json_text <- toJSON(patient_full, pretty = TRUE) cat(json_text) ``` ::: ## 데이터프레임(data.frame)과 tibble {#sec-dataframe} ![PK 데이터의 데이터프레임 구조 (PK Data Structure as Data Frame). 데이터프레임의 행(rows)은 개별 관측값, 열(columns)은 변수(ID, TIME, CONC, DOSE)에 대응하는 구조를 보여준다. Methotrexate 건선 환자의 실제 PK 데이터 예시를 통해 각 열의 데이터 타입과 의미를 설명한다.](../images/ch02_fig2.png){#fig-ch02-2 width=100%} 데이터프레임은 R에서 **표 형태의 데이터**를 저장하는 가장 핵심적인 구조입니다 (@fig-ch02-2). 약동학 데이터 분석의 대부분은 데이터프레임을 기반으로 이루어집니다. 데이터프레임은 사실 **동일한 길이의 벡터들을 열(column)으로 묶은 리스트**입니다. ### data.frame 생성 ```{r} #| eval: false # Methotrexate PK 데이터를 data.frame으로 생성 mtx_pk <- data.frame( ID = rep(c("PT001", "PT002", "PT003"), each = 11), TIME = rep(c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), times = 3), DV = c( 0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5, # PT001 0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2, # PT002 0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5 # PT003 ), AMT = rep(c(15, rep(NA, 10)), times = 3), EVID = rep(c(1, rep(0, 10)), times = 3), MDV = rep(c(1, rep(0, 10)), times = 3), CMT = rep(c(1, rep(2, 10)), times = 3), stringsAsFactors = FALSE ) # 상위 행 확인 head(mtx_pk) # ID TIME DV AMT EVID MDV CMT # 1 PT001 0.0 0.0 15 1 1 1 # 2 PT001 0.5 85.0 NA 0 0 2 # 3 PT001 1.0 320.0 NA 0 0 2 # ... ``` ### 열 접근 및 행 필터링 ```{r} #| eval: false # 열 접근 mtx_pk$DV # DV 열 전체 (벡터) mtx_pk[, "TIME"] # TIME 열 mtx_pk[, c("ID", "TIME", "DV")] # 여러 열 선택 # 행 필터링 mtx_pk[mtx_pk$ID == "PT001", ] # PT001만 mtx_pk[mtx_pk$EVID == 0, ] # 관측 데이터만 mtx_pk[mtx_pk$DV > 100 & mtx_pk$EVID == 0, ] # 농도 > 100인 관측 # 새 열 추가 mtx_pk$LNDV <- ifelse(mtx_pk$DV > 0, log(mtx_pk$DV), NA) # 로그 변환 농도 mtx_pk$WT <- rep(c(65, 80, 55), each = 11) # 체중 추가 ``` ### tibble vs data.frame `tibble`은 tidyverse에서 제공하는 현대적인 데이터프레임입니다. 기본 `data.frame`과 비교하여 몇 가지 개선점이 있습니다. ```{r} #| eval: false library(tidyverse) # tibble 생성 mtx_pk_tbl <- tibble( ID = rep(c("PT001", "PT002", "PT003"), each = 11), TIME = rep(c(0, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24), times = 3), DV = c( 0, 85, 320, 480, 410, 280, 180, 75, 35, 12, 2.5, 0, 70, 290, 430, 380, 250, 155, 60, 28, 8, 1.2, 0, 95, 380, 560, 510, 370, 260, 130, 72, 30, 8.5 ) ) # data.frame을 tibble로 변환 mtx_pk_tbl <- as_tibble(mtx_pk) ``` `tibble`과 `data.frame`의 주요 차이점은 다음과 같습니다. | 특성 | `data.frame` | `tibble` | |:---|:---|:---| | 출력 | 전체 출력 (매우 길어질 수 있음) | 처음 10행만 출력, 열 타입 표시 | | 문자열 처리 | 기본적으로 factor로 변환 가능 | 문자열 그대로 유지 | | 부분 매칭 | `df$w`로 `df$weight` 접근 가능 | 부분 매칭 불가 (안전) | | `[` 동작 | 열 하나 선택 시 벡터 반환 | 항상 tibble 반환 | | 행 이름 | 지원 | 미지원 (별도 열로 관리) | ```{r} #| eval: false # tibble의 장점 1: 깔끔한 출력 mtx_pk_tbl # 처음 10행만 보여주며 타입 정보 포함 # tibble의 장점 2: 부분 매칭 방지 (안전) # data.frame의 경우 df <- data.frame(weight = c(65, 80)) df$w # 65 80 (부분 매칭 - 위험!) # tibble의 경우 tbl <- tibble(weight = c(65, 80)) tbl$w # NULL + 경고 (안전!) ``` ### 구조 파악 함수: str(), summary(), glimpse() 데이터를 불러온 후 **가장 먼저** 해야 할 일은 구조를 파악하는 것입니다. ```{r} #| eval: false # str() - 구조(structure) 확인 str(mtx_pk) # 'data.frame': 33 obs. of 9 variables: # $ ID : chr "PT001" "PT001" "PT001" ... # $ TIME: num 0 0.5 1 1.5 2 3 4 6 8 12 ... # $ DV : num 0 85 320 480 410 280 180 75 35 12 ... # $ AMT : num 15 NA NA NA NA NA NA NA NA NA ... # $ EVID: num 1 0 0 0 0 0 0 0 0 0 ... # ... # summary() - 기술통계 요약 summary(mtx_pk) # ID TIME DV AMT # Length:33 Min. : 0.00 Min. : 0.0 Min. :15 # Class :character 1st Qu.: 1.25 1st Qu.: 18.8 1st Qu.:15 # ... # glimpse() - tidyverse의 str() 대안 (더 깔끔) glimpse(mtx_pk) # Rows: 33 # Columns: 9 # $ ID <chr> "PT001", "PT001", "PT001", ... # $ TIME <dbl> 0, 0.5, 1, 1.5, 2, 3, 4, ... # $ DV <dbl> 0, 85, 320, 480, 410, 280, ... # ... ``` ### 실습: CSV 파일에서 PK 데이터 읽기 및 탐색 실제 분석에서는 CSV 파일로 데이터를 받는 경우가 대부분입니다. ```{r} #| eval: false library(tidyverse) # CSV 파일 읽기 mtx_pk <- read_csv("data/pk_methotrexate.csv") # 1단계: 구조 파악 str(mtx_pk) glimpse(mtx_pk) # 2단계: 요약 통계 summary(mtx_pk) # 3단계: 결측치 확인 colSums(is.na(mtx_pk)) # 4단계: 고유값 확인 unique(mtx_pk$ID) # 환자 ID 목록 n_distinct(mtx_pk$ID) # 환자 수 table(mtx_pk$EVID) # 이벤트 유형별 빈도 # 5단계: 간단한 시각화 ggplot(mtx_pk %>% filter(EVID == 0), aes(x = TIME, y = DV, color = ID)) + geom_line() + geom_point() + scale_y_log10() + labs( title = "Methotrexate PK Profile", x = "Time (hr)", y = "Concentration (ng/mL)", color = "Patient ID" ) + theme_bw() ``` :::{.callout-note} ### NONMEM 데이터셋과 데이터프레임 NONMEM에서 사용하는 데이터셋은 본질적으로 CSV 형태의 표 데이터이므로 R 데이터프레임으로 자연스럽게 대응됩니다. 주요 열들의 의미를 알아두면 좋습니다: - **ID**: 개체(환자) 식별자 - **TIME**: 시간 (첫 투여 기준) - **DV**: 종속변수 (주로 관측 농도) - **AMT**: 투여량 (투여 이벤트에서만 값이 존재) - **EVID**: 이벤트 ID (0=관측, 1=투여, 2=기타 타입 이벤트) - **CMT**: 구획 번호 (1=투여 구획, 2=관측 구획 등) - **MDV**: Missing DV 플래그 (0=DV 사용, 1=DV 무시) - **WT, AGE, SEX, ...**: 공변량(covariates) ::: ## Factor: 범주형 데이터 {#sec-factor} ### Factor의 필요성 문자열(`character`)은 텍스트를 저장하지만, **범주형 데이터**로서의 의미(순서, 수준)를 담지 못합니다. 예를 들어 투여 경로가 `"PO"`, `"SC"`, `"IV"` 세 가지라면, 이것이 세 개의 정해진 범주임을 R에게 알려주어야 합니다. 이때 사용하는 것이 `factor`입니다. ### factor() 생성과 levels 지정 ```{r} #| eval: false # 기본 factor 생성 route <- c("SC", "PO", "SC", "IV", "PO", "SC") route_factor <- factor(route) route_factor # [1] SC PO SC IV PO SC # Levels: IV PO SC <- 알파벳 순서 (기본) # levels 순서 직접 지정 route_factor <- factor(route, levels = c("PO", "SC", "IV")) route_factor # Levels: PO SC IV <- 지정한 순서 # levels 확인 levels(route_factor) # "PO" "SC" "IV" nlevels(route_factor) # 3 # factor의 내부 구조: 정수 + 라벨 as.integer(route_factor) # 2 1 2 3 1 2 ``` ### 순서형 Factor (Ordered Factor) 용량군처럼 순서가 의미를 갖는 범주에는 **순서형 factor**를 사용합니다. ```{r} #| eval: false # 용량군 - 순서가 있는 범주 dose_group <- c("Low", "High", "Medium", "Low", "High", "Medium") # 순서 없는 factor (기본) factor(dose_group) # Levels: High Low Medium <- 알파벳 순서 (의미 없음) # 순서형 factor dose_ordered <- factor( dose_group, levels = c("Low", "Medium", "High"), ordered = TRUE ) dose_ordered # Levels: Low < Medium < High # 비교 연산 가능 dose_ordered[1] < dose_ordered[2] # TRUE (Low < High) ``` ### 약학적 맥락에서의 Factor 활용 ```{r} #| eval: false # 투여 경로 route <- factor( c("PO", "SC", "SC", "IV", "PO"), levels = c("PO", "SC", "IV") ) # 질환 중증도 (건선) severity <- factor( c("Mild", "Moderate", "Severe", "Moderate", "Severe"), levels = c("Mild", "Moderate", "Severe"), ordered = TRUE ) # BLQ 상태 blq_status <- factor( c("Above LLOQ", "BLQ", "Above LLOQ", "Above LLOQ", "BLQ"), levels = c("BLQ", "Above LLOQ") ) # PASI 반응 분류 pasi_response <- factor( c("PASI75", "PASI50", "PASI90", "PASI75", "Non-responder"), levels = c("Non-responder", "PASI50", "PASI75", "PASI90", "PASI100"), ordered = TRUE ) ``` :::{.callout-warning} ### Factor 관련 흔한 실수 1. **의도치 않은 factor 변환**: 옛날 R에서는 `data.frame()`이 문자열을 자동으로 factor로 변환했습니다. `stringsAsFactors = FALSE`를 쓰거나 `tibble`을 사용하면 방지됩니다. 2. **숫자가 factor인 경우**: `as.numeric(factor("3"))`은 `3`이 아니라 해당 level의 내부 정수를 반환합니다. ```{r} #| eval: false x <- factor(c("10", "20", "30")) as.numeric(x) # 1 2 3 (원래 값이 아님!) as.numeric(as.character(x)) # 10 20 30 (올바른 변환) ``` 3. **존재하지 않는 level**: 데이터에 없는 level이 유지될 수 있습니다. `droplevels()`로 제거합니다. ::: ### forcats 패키지 기초 `forcats`는 tidyverse에 포함된 factor 전용 패키지로, factor 조작을 위한 편리한 함수를 제공합니다. ```{r} #| eval: false library(forcats) # fct_relevel() - level 순서 변경 route <- factor(c("PO", "SC", "IV", "SC", "PO")) fct_relevel(route, "IV", "SC", "PO") # 원하는 순서로 지정 # fct_infreq() - 빈도 순으로 정렬 fct_infreq(route) # SC, PO, IV 순 (SC가 가장 많으므로) # fct_lump_n() - 상위 n개만 남기고 나머지 "Other" drugs <- factor(c("MTX", "MTX", "MTX", "ADA", "ADA", "ETN", "UST", "SEC", "IXE", "GUS")) fct_lump_n(drugs, n = 3) # MTX, MTX, MTX, ADA, ADA, Other, Other, Other, Other, Other # fct_recode() - level 이름 변경 route_kr <- fct_recode(route, "경구" = "PO", "피하주사" = "SC", "정맥주사" = "IV" ) # fct_collapse() - 여러 level을 하나로 합치기 response <- factor(c("PASI50", "PASI75", "PASI90", "PASI100", "Non-responder")) response_binary <- fct_collapse(response, "Responder" = c("PASI50", "PASI75", "PASI90", "PASI100"), "Non-responder" = "Non-responder" ) ``` ## 약리학 노트: Methotrexate의 약리학 {#sec-pharmacology-mtx} ![Methotrexate의 작용기전 (Methotrexate Mechanism of Action). Methotrexate가 DHFR(디히드로엽산 환원효소)을 억제하여 엽산 경로를 차단하고, 빠르게 분열하는 세포(건선의 각질세포)에 미치는 영향을 도식화하였다. 저용량에서의 아데노신 방출 증가를 통한 항염증 효과 경로도 함께 나타낸다.](../images/ch02_fig3.png){#fig-ch02-3 width=100%} :::{.callout-note} ### Methotrexate (MTX) 약리학 개요 @fig-ch02-3 은 Methotrexate의 작용기전을 도식화한 것입니다. **작용 기전** Methotrexate(MTX)는 엽산(folic acid) 유사체로서 **디히드로엽산 환원효소(dihydrofolate reductase, DHFR)**를 경쟁적으로 억제합니다. 이로 인해 퓨린(purine) 및 피리미딘(pyrimidine) 합성에 필요한 테트라히드로엽산(tetrahydrofolate)의 생성이 차단되어 DNA 합성이 억제됩니다. 또한 MTX는 아미노이미다졸카르복사미드(AICAR) 변환효소를 억제하여 세포 내 아데노신(adenosine) 농도를 증가시키는데, 이 아데노신이 항염증 효과를 매개하는 것으로 알려져 있습니다. **건선에서의 사용** - **적응증**: 중등도~중증 판상 건선(plaque psoriasis)에서 전신 치료제로 사용 - **용량**: 저용량 요법 - 주 1회 **7.5~25 mg** (경구 또는 피하주사) - **시작 용량**: 보통 7.5~10 mg/week로 시작, 효과에 따라 점진적 증량 - **반응 평가**: PASI (Psoriasis Area and Severity Index) 점수로 12~16주 후 평가 - **엽산 보충**: MTX 투여 24~48시간 후 **엽산(folic acid) 5 mg** 복용 (부작용 감소) ::: :::{.callout-important} ### MTX의 약동학(Pharmacokinetics) 특성 **흡수(Absorption)** - **경구(PO)**: 생체이용률(bioavailability, F) 약 60~80%, 고용량에서 감소 (포화성 흡수) - **피하주사(SC)**: F 거의 100%, 고용량에서도 안정적 흡수 - **Tmax**: PO 1~2시간, SC 0.5~1.5시간 - 음식의 영향은 미미하나 유제품과의 동시 투여는 흡수 감소 가능 **분포(Distribution)** - 혈장 단백 결합률: 약 50% (주로 알부민) - 분포용적(Vd): 약 0.4~0.8 L/kg - 적혈구 내 축적 (polyglutamate 형태로 - 수주에 걸쳐 서서히 제거) **대사(Metabolism) 및 배설(Excretion)** - 주요 배설 경로: **신장 배설** (70~90%, 주로 사구체 여과 + 세뇨관 분비) - 간 대사: 7-hydroxy-methotrexate (활성 대사체) - 반감기(t1/2): **3~10시간** (저용량), 고용량에서는 8~15시간 - **신기능에 따라 청소율이 크게 변함** → 신기능 저하 환자에서 주의 필요 **독성 프로파일** - **골수 억제**: 범혈구감소증 (가장 중요한 급성 독성) - **간독성**: 장기 사용 시 간섬유화/경변 가능 → 정기적 간기능 검사 - **폐독성**: MTX 폐렴 (과민 반응, 용량 비의존적) - **위장관**: 구내염, 오심, 설사 - **기형 유발성**: 임신 금기 (카테고리 X) **치료약물모니터링(TDM)** - 저용량(건선 치료): 일반적으로 TDM 불필요, CBC와 간기능 정기 모니터링 - **고용량(항암 요법, >500 mg/m²)**: 반드시 TDM 시행 - 24시간 농도 > 10 μmol/L → leucovorin rescue 강화 - 48시간 농도 > 1 μmol/L → 지연 배설, 적극적 수액/알칼리화 ::: ## Claude Code 활용 팁 {#sec-claude-tips} :::{.callout-tip} ### Claude Code로 R 객체 이해하기 **패턴 1: 데이터프레임 구조 설명 요청** 새로운 데이터를 받았을 때, Claude Code에게 구조를 설명해달라고 요청할 수 있습니다. > "이 데이터프레임에는 ID, TIME, DV, AMT, EVID, CMT, MDV 열이 있어. 각 열의 의미와 적절한 R 타입을 설명해줘." Claude Code는 NONMEM 데이터셋 형식을 이해하고 있으므로 각 열의 의미, 기대되는 타입, 일반적인 값 범위 등을 설명해줄 것입니다. **패턴 2: 타입 변환 디버깅** 데이터 타입 문제로 오류가 발생했을 때: > "read_csv로 데이터를 불렀는데, DV 열이 character로 읽혔어. BLQ 값이 '<0.05'로 들어있을 때 어떻게 처리해야 해?" ```{r} #| eval: false # Claude Code가 제안할 수 있는 해결 코드 mtx_pk <- read_csv("data/pk_methotrexate.csv") # BLQ 처리 방법 1: BLQ 플래그 생성 후 숫자 변환 mtx_pk <- mtx_pk %>% mutate( BLQ = ifelse(grepl("<", DV) | DV == "BLQ", 1, 0), DV_numeric = case_when( BLQ == 1 ~ 0, # 또는 LLOQ/2 등 TRUE ~ as.numeric(DV) ), MDV = ifelse(BLQ == 1, 1, 0) ) ``` **패턴 3: 데이터 구조 문서화** > "이 코드에서 사용하는 데이터프레임의 각 열에 대한 설명을 주석으로 작성해줘." Claude Code는 다음과 같은 문서화 코드를 생성할 수 있습니다: ```{r} #| eval: false # Methotrexate PK 데이터셋 변수 정의 # =================================== # ID : chr - 환자 식별자 (예: "PT001") # TIME : dbl - 투여 후 경과 시간 (단위: hr) # DV : dbl - 종속변수, 혈장 농도 (단위: ng/mL) # AMT : dbl - 투여량 (단위: mg), 관측 행에서는 NA # EVID : int - 이벤트 ID (1=투여, 0=관측) # CMT : int - 구획 번호 (1=투여, 2=관측) # MDV : int - Missing DV 플래그 (1=DV 무시, 0=DV 사용) # WT : dbl - 체중 (단위: kg) # CRCL : dbl - 크레아티닌 청소율 (단위: mL/min) # ROUTE: fct - 투여 경로 (levels: PO, SC, IV) ``` **패턴 4: 객체 변환 코드 생성** > "이 리스트 형태의 환자 데이터를 NONMEM 형식의 데이터프레임으로 변환하는 코드를 작성해줘." 이처럼 Claude Code는 R 객체 간 변환, 특히 PK/PD 데이터 구조와 관련된 작업에서 큰 도움이 됩니다. ::: :::{.callout-tip} ### 효과적인 프롬프트 예시 다음과 같은 프롬프트를 사용하면 더 정확한 답변을 얻을 수 있습니다: 1. **구체적인 데이터 명시**: "Methotrexate SC 15mg 투여 후 PK 데이터를 tibble로 만들어줘. 채혈 시점은 0, 0.5, 1, 2, 4, 8, 12, 24시간이야." 2. **원하는 출력 형식 지정**: "이 데이터를 NONMEM 입력 형식(ID, TIME, DV, AMT, EVID, CMT, MDV)으로 변환해줘." 3. **맥락 제공**: "건선 환자 30명의 Methotrexate PK 연구에서, 체중별로 AUC를 비교하는 코드를 작성해줘. 체중은 3개 그룹(<60, 60-80, >80 kg)으로 나눠줘." ::: ## 연습 문제 {#sec-exercises} ### 확인 문제 **문제 1.** 다음 R 객체들의 `class()`를 각각 예측하시오. ```{r} #| eval: false a <- 42 b <- 42L c <- "42" d <- TRUE e <- factor("High", levels = c("Low", "Medium", "High")) ``` **문제 2.** 다음 코드의 결과를 예측하시오. ```{r} #| eval: false x <- c(1, "2", TRUE) class(x) # ? x # ? ``` :::{.callout-tip} ### 힌트 R에서 벡터는 하나의 타입만 가질 수 있습니다. 여러 타입이 섞이면 **자동 형변환(coercion)**이 일어납니다. 우선순위: `character` > `numeric` > `logical`. ::: **문제 3.** `data.frame`과 `tibble`의 차이점을 세 가지 이상 서술하시오. **문제 4.** 다음 상황에서 적절한 R 데이터 타입(또는 구조)을 선택하시오. | 상황 | 적절한 타입/구조 | |:---|:---| | 환자의 시간별 혈장 농도 데이터 (ID, TIME, DV, AMT, EVID) | ? | | Methotrexate의 PK 파라미터 (CL=8.5, Vd=45.2, ka=1.2) | ? | | 투여 경로 (PO, SC, IV) | ? | | 건선 중증도 (Mild < Moderate < Severe) | ? | | 단일 환자의 인구통계 + 투약정보 + PK 데이터 | ? | **문제 5.** Factor에서 `levels`의 순서가 중요한 이유를 ggplot2 시각화와 관련지어 설명하시오. ### R 실습 과제 **실습 1: 벡터 연산과 NCA** 아래 데이터를 사용하여 비구획분석(Non-Compartmental Analysis, NCA)의 기초 파라미터를 계산하시오. ```{r} #| eval: false # Methotrexate 15mg SC 투여 후 데이터 (환자 PT004) time <- c(0, 0.25, 0.5, 1, 1.5, 2, 3, 4, 6, 8, 12, 24) conc <- c(0, 45, 180, 390, 520, 470, 310, 200, 85, 42, 15, 2.8) # 과제: # 1) Cmax와 Tmax를 구하시오. # 2) 사다리꼴 공식으로 AUC(0-24h)를 계산하시오. # 3) 마지막 3개 시점을 이용하여 소실 속도 상수(λz)를 추정하시오. # (힌트: log(conc) vs time의 기울기 = -λz) # 4) 소실 반감기(t1/2 = ln(2)/λz)를 계산하시오. # 5) AUC(0-inf)를 추정하시오. (AUC(0-24) + Clast/λz) ``` **실습 2: 데이터프레임 다루기** 아래 코드로 생성한 데이터프레임을 사용하여 각 문항을 수행하시오. ```{r} #| eval: false # 데이터프레임 생성 mtx_study <- data.frame( ID = rep(paste0("PT", sprintf("%03d", 1:6)), each = 8), TIME = rep(c(0, 0.5, 1, 2, 4, 6, 8, 12), times = 6), DV = c( 0, 80, 310, 460, 270, 170, 80, 28, # PT001 0, 65, 280, 420, 240, 145, 65, 20, # PT002 0, 100, 370, 540, 350, 230, 120, 45, # PT003 0, 75, 300, 440, 260, 160, 75, 25, # PT004 0, 55, 250, 380, 210, 125, 55, 15, # PT005 0, 90, 350, 510, 330, 220, 110, 40 # PT006 ), DOSE = rep(c(15, 15, 25, 15, 10, 25), each = 8), ROUTE = rep(c("SC", "PO", "SC", "SC", "PO", "SC"), each = 8), WT = rep(c(65, 80, 55, 72, 90, 60), each = 8), SEX = rep(c("M", "F", "M", "F", "M", "F"), each = 8), CRCL = rep(c(95, 110, 65, 88, 120, 78), each = 8), stringsAsFactors = FALSE ) # 과제: # 1) 이 데이터프레임의 구조를 str()과 glimpse()로 확인하시오. # 2) SC 투여 환자만 필터링하시오. # 3) 각 환자의 Cmax를 구하시오. (tapply 또는 aggregate 사용) # 4) 용량 보정 Cmax (Cmax/Dose)를 구하여 새로운 열로 추가하시오. # 5) ROUTE를 factor로 변환하고, levels을 "PO", "SC"로 지정하시오. ``` **실습 3: 리스트에서 데이터프레임으로** 아래의 리스트 형태 데이터를 NONMEM 형식의 데이터프레임으로 변환하시오. ```{r} #| eval: false # 리스트 형태의 환자 데이터 patients <- list( list( id = "PT010", wt = 68, dose = 15, route = "SC", time = c(0, 1, 2, 4, 8, 12), conc = c(0, 350, 440, 250, 70, 20) ), list( id = "PT011", wt = 75, dose = 20, route = "SC", time = c(0, 1, 2, 4, 8, 12), conc = c(0, 450, 580, 340, 100, 32) ), list( id = "PT012", wt = 58, dose = 15, route = "PO", time = c(0, 1, 2, 4, 8, 12), conc = c(0, 280, 390, 200, 55, 14) ) ) # 과제: # 위 리스트를 아래 형식의 데이터프레임으로 변환하시오. # 열: ID, TIME, DV, AMT, EVID, MDV, CMT, WT, ROUTE # 힌트: 각 환자에 대해 투여 행(EVID=1)과 관측 행(EVID=0)을 모두 포함해야 합니다. # lapply() 또는 purrr::map()을 활용할 수 있습니다. ``` ### Claude Code 도전 과제 다음 과제를 Claude Code를 활용하여 수행하시오. **과제: PK 데이터 구조 설계 및 검증** Claude Code에게 다음을 단계별로 요청하시오: 1. "Methotrexate 건선 PK 연구의 모의 데이터셋을 만들어줘. 환자 10명, SC 투여, 용량은 10/15/25mg 세 그룹, 채혈 시점 8개. NONMEM 형식으로." 2. 생성된 데이터프레임에 대해: "이 데이터의 각 열 타입이 적절한지 확인하고, 필요한 변환을 수행해줘." 3. "이 데이터에서 용량군별로 농도-시간 프로파일을 그래프로 그려줘. 개별 환자 곡선과 평균 곡선을 함께 표시해줘." 4. 최종 결과를 평가하시오: 생성된 데이터의 타입이 올바른지, PK 프로파일이 약리학적으로 타당한지(Tmax, Cmax의 용량 비례성 등)를 검토합니다. :::{.callout-tip} ### 도전 과제 수행 요령 Claude Code와 대화할 때 한 번에 모든 것을 요구하기보다 **단계별로** 진행하는 것이 좋습니다. 각 단계의 출력을 확인한 후 다음 단계로 넘어가면 오류를 조기에 발견하고 수정할 수 있습니다. 또한, 생성된 코드를 그대로 사용하기보다 **이해하고 필요에 따라 수정**하는 습관을 들이는 것이 중요합니다. Claude Code는 도구이지, 여러분의 약학적 판단을 대체하는 것이 아닙니다. ::: ## 요약 {#sec-summary-ch02} 이 장에서 학습한 R 객체 체계를 정리하면 다음과 같습니다. | 객체 | 차원 | 타입 제한 | PK/PD 활용 예 | |:---|:---|:---|:---| | 벡터(vector) | 1차원 | 동일 타입 | 시간 벡터, 농도 벡터, PK 파라미터 | | 행렬(matrix) | 2차원 | 동일 타입 | 공분산 행렬, 시뮬레이션 결과 | | 배열(array) | n차원 | 동일 타입 | 다중 시뮬레이션 결과 | | 리스트(list) | 1차원 | 혼합 가능 | 환자 전체 정보, 모델 결과 | | 데이터프레임 | 2차원 | 열별 동일 | NONMEM 데이터셋, 분석 데이터 | | tibble | 2차원 | 열별 동일 | tidyverse 기반 분석 데이터 | | factor | 1차원 | 범주형 | 투여 경로, 용량군, 중증도 | 핵심 원칙을 다시 정리합니다: 1. **데이터를 불러오면 가장 먼저 `str()`과 `glimpse()`로 구조를 확인**합니다. 2. **각 변수의 타입이 의도한 대로인지 확인**합니다. 특히 숫자여야 할 열이 문자로 읽혔는지, BLQ 값 때문에 타입이 꼬이지 않았는지 점검합니다. 3. **벡터화 연산을 적극 활용**합니다. for 루프 대신 벡터 연산을 사용하면 코드가 간결하고 빠릅니다. 4. **범주형 데이터는 factor로 관리**합니다. 특히 시각화와 모델링에서 level 순서가 중요합니다. 5. **tidyverse(tibble)를 기본으로 사용**하는 것을 권장합니다. 더 안전하고 일관된 동작을 보장합니다. 다음 장에서는 이러한 R 객체들을 본격적으로 조작하는 **tidyverse 데이터 전처리** 기법을 학습합니다. `dplyr`의 `filter()`, `select()`, `mutate()`, `group_by()`, `summarize()` 등의 함수를 사용하여 PK 데이터를 효율적으로 다루는 방법을 배울 것입니다.