1. Kor /
  2. Eng

  1. Kor /
  2. Eng

Faulty List At SAIHST, we have faculties from various backgrounds such as ; basic science, clinical medicine, pharmacology, engineering, business etc. SAIHST is always open for future competent faculties to lead biomedical science.

Name : KIM, KUNGA  Ph.D. Department : Biomedical Statistics Center, SMC Title : Associate Professor/SAIHST Adjunct Professor Campus : Samsung Medical Center Campus Office : Ilwon campus, C 4th Floor E-mail : kyunga.j.kim@samsung.com Homepage : https://www.bdslab.skku.edu Lab. title : Biomedical Data Science Laboratory Related Department : Department of Digital Health Print
■ Careers

1992 BS, Department of Computer Science & Statistics, Seoul National University
1994 MS, Department of Statistics, Seoul National University
2001 MS, Department of Mathematical Statistics, Purdue University
2007 PhD, Department of Statistics, Purdue University
2007 – 2010 Post-doctorate Fellow & Limited-time lecturer, Department of Statistics, Seoul National University 
2010 – 2014 Assistant Professor, Department of Statistics, Sookmyung Women’s University
2014 – 2018 Statistics & Data Center, Research Institute for Future Medicine, Samsung Medical Center
2016 – Present  Adjunct Professor, Department of Digital Health, Samsung Advanced Institute for Health Science and Technology, Sungkyunkwan University
2018 – Present Associate Professor, Biomedical Statistics Center, Research Institute for Future Medicine, Samsung Medical Center
2021 – Present Director, Biomedical Statistics Center, Research Institute for Future Medicine, Samsung Medical Center

■ Keywords

Biomedical Statistics, Clinical Trial Design, Real-World Data & Big Data Analytics, Clinical Predictive Modeling, Digital Healthcare

■ Selected Publications

(Clinical Predictive Modeling)
1. Proposal of a New Prognostic Model for Differentiated Thyroid Cancer with TERT Promoter Mutations (2021) Cancers, 13(12):2943 
2. The Combination of Area Under the Curve and Percentage Change in Estimated Glomerular Filtration Rate Predicts Long-term Outcome of Kidney Transplants (2020) American Journal of Transplantation, 20(4):1056-1062
3. Predicting Adverse Outcomes for Febrile Patients in the Emergency Department Using Sparse Laboratory Data: Development of a Time Adaptive Model (2020) JMIR Medical Informatics, 8(3):e16117
4. Prediction of Cardiac Arrest in the Emergency Department Based on Machine Learning and Sequential Characteristics: Model Development and Retrospective Clinical Validation Study (2020) JMIR Medical Informatics, 8(8):e15932 
5. Development and Validation of Unplanned Extubation Prediction Models Using Intensive Care Unit Data (2021) Journal of Medical Internet Research [Published online] 

(Real-World Data & Big Data Analytics)
1. The Association between Breastfeeding and Non-Alcoholic Fatty Liver Disease in Parous Women: a Nationwide Cohort Study (2021) Hepatology [Published online] 
2. Visual Impairment Increases the Risk of Dementia, Especially in Young Males: A 12-Year Longitudinal Follow-Up Study of a National Cohort (2021) Scientific Reports, 11(1):11393 
3. Use of Cyclooxygenase Inhibitor and the Risk of Hepatocellular Carcinoma in Chronic Hepatitis B (2020) Journal of Viral Hepatitis, 27(1):68-73
4. Biological, Clinical, and Population Relevance of 95 Loci for Blood Lipids (2010) Nature, 466:707-713 
5. New Evaluation Measures for Multifactor Dimensionality Reduction Classifiers in Gene-Gene Interaction Analysis (2008) Bioinformatics, 25(3):338-345

(AI, Machine Learning, Digital Healthcare)
1. Machine Learning Model for Predicting Excessive Muscle Loss During Neoadjuvant Chemoradiotherapy in Oesophageal Cancer (2021) Journal of Cachexia, Sarcopenia, and Muscle [Published online] 
2. A Fully Automated Analytic System for Measuring the Endolymphatic Hydrops Ratio in Ménière's Disease Using Deep Learning and MRI (2021) Journal of Medical Internet Research [Published online]
3. Variability in Doctors’ Usage Paths of Mobile Electronic Health Records Across Specialties: Comprehensive Analysis of Log Data (2019) JMIR mHealth and uHealth, 7(1):e12041 
4. Application of Efficient Data Cleaning Using Text Clustering for Semistructured Medical Reports to Large-Scale Stool Examination Reports: Methodology Study. (2019) Journal of Medical Internet Research, 21(1)e10013
5. Text Mining for Korean: Characteristics and Application to 2011 Korean Economic Census Data (2014) The Korean Journal of Applied Statistics, 27(7):131-141

Previous Next