초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

병원의 예약부도는 병원 측면에서는 자원의 효율성을 저하시키고, 환자 측면에서는 건강 수준의 저하를 가져 올 수 있는, 양자 모두에게 위해한 현상이다. 또한 예약부도 환자는 향후 병원 이탈의 가능성이 매우 높아서 예약 환자에 대한 부도 감축을 위한 활동은 병원의 기존 고객 유지를 위한 CRM활동으로서도 의의를 가질 수 있다. 이에 본 연구에서는 예약부도 관리의 시작 단계로서 예약부도의 결정 요인을 분석하고 예약부도 확률을 예측하고자 하였다. 이를 위해 예약을 준수한 집단과 예약부도를 낸 집단에 대하여 환자의 일반적 특성, 진료의 특성, 진료일의 특성, 환자의 이전 진료력을 비교함으로써 예약부도의 원인을 찾아보았다. 조사 대상 예약 진료 473,724건 중 예약준수는 401,309명, 예약부도는 72,415건으로 예약부도율은 15.3%였다. 환자의 일반적 특성 중에는 연령이 낮아질수록, 보험유형이 의료 급여이거나 자동차 보험인 경우, 그리고 진료비 할인을 받지 않는 경우에 예약부도가 높은 것으로 나타났다. 진료의 특성에 따라서는 재진보다 초진이, 의사 연차에 따라서는 경력이 낮을수록 부도 확률이 높았다. 진료 시간대별 예약부도 확률은 오전 진료에 비해 오후 진료 시, SMS발송 여부에 따라서는 발송했을 때 보다 미발송했을 때 부도 확률이 더 높았다. 환자의 예약 방법에 따라서는 창구에서 예약을 한 경우에 진료과나 전화 예약을 한 경우보다 부도낼 확률이 낮았다. 예약 후 경과일수에 따른 예약부도 확률은 예약 후 경과일수가 많아질수록 부도 확률이 높아졌다. 환자의 이전 진료력에 따른 예약부도 확률은 입원 이력이 없는 환자가 있는 환자보다, 평균 진료비가 낮을 수록 부도 확률이 높았다. 환자의 이전의 진료 건수에 따른 예약부도 확률은 진료건수가 높을 수록 부도 확률은 적어졌다. 진료일의 특성중에서는 눈비가 오지 않을 경우에 비해 올 경우 예약부도 확률이 더 높았다. 이상의 연구 결과를 종합해 볼 때 , 본 연구의 의의 및 제한점은 다음과 같다. 기존의 대부분의 병원 예약부도 환자 관련 연구는 부도 환자의 설문에 의한 소규모 분석이었던 것에 비해 병원의 ...

병원의 예약부도는 병원 측면에서는 자원의 효율성을 저하시키고, 환자 측면에서는 건강 수준의 저하를 가져 올 수 있는, 양자 모두에게 위해한 현상이다. 또한 예약부도 환자는 향후 병원 이탈의 가능성이 매우 높아서 예약 환자에 대한 부도 감축을 위한 활동은 병원의 기존 고객 유지를 위한 CRM활동으로서도 의의를 가질 수 있다. 이에 본 연구에서는 예약부도 관리의 시작 단계로서 예약부도의 결정 요인을 분석하고 예약부도 확률을 예측하고자 하였다. 이를 위해 예약을 준수한 집단과 예약부도를 낸 집단에 대하여 환자의 일반적 특성, 진료의 특성, 진료일의 특성, 환자의 이전 진료력을 비교함으로써 예약부도의 원인을 찾아보았다. 조사 대상 예약 진료 473,724건 중 예약준수는 401,309명, 예약부도는 72,415건으로 예약부도율은 15.3%였다. 환자의 일반적 특성 중에는 연령이 낮아질수록, 보험유형이 의료 급여이거나 자동차 보험인 경우, 그리고 진료비 할인을 받지 않는 경우에 예약부도가 높은 것으로 나타났다. 진료의 특성에 따라서는 재진보다 초진이, 의사 연차에 따라서는 경력이 낮을수록 부도 확률이 높았다. 진료 시간대별 예약부도 확률은 오전 진료에 비해 오후 진료 시, SMS발송 여부에 따라서는 발송했을 때 보다 미발송했을 때 부도 확률이 더 높았다. 환자의 예약 방법에 따라서는 창구에서 예약을 한 경우에 진료과나 전화 예약을 한 경우보다 부도낼 확률이 낮았다. 예약 후 경과일수에 따른 예약부도 확률은 예약 후 경과일수가 많아질수록 부도 확률이 높아졌다. 환자의 이전 진료력에 따른 예약부도 확률은 입원 이력이 없는 환자가 있는 환자보다, 평균 진료비가 낮을 수록 부도 확률이 높았다. 환자의 이전의 진료 건수에 따른 예약부도 확률은 진료건수가 높을 수록 부도 확률은 적어졌다. 진료일의 특성중에서는 눈비가 오지 않을 경우에 비해 올 경우 예약부도 확률이 더 높았다. 이상의 연구 결과를 종합해 볼 때 , 본 연구의 의의 및 제한점은 다음과 같다. 기존의 대부분의 병원 예약부도 환자 관련 연구는 부도 환자의 설문에 의한 소규모 분석이었던 것에 비해 병원의 데이터웨어하우스 시스템에 구축되어 있는 대용량 자료를 중심으로 분석하였으므로, 이 연구에서 구축된 모델은 해당 병원 정보시스템에 직접 적용하여 실제 고객관계관리 활동으로 손쉽게 이행할 수 있는 기틀을 마련했다는 점에서 연구의 의의를 찾을 수 있겠다. 또한 기존의 이탈 환자 분석도 정제된 데이터베이스의 부재로 인해 대부분의 연구가 퇴원 요약 데이터베이스를 중심으로 중증도가 있는 병원의 퇴원환자를 대상으로 연구가 많았던 반면, 본 연구에서는 실제로 의료기관 선택의 폭이 비교적 넓은 외래 환자를 대상으로 하였다는 점에서도 연구의 기여를 찾을 수 있겠다. 그러나 일개 종합병원의 사례만을 분석했으므로, 본 연구 결과를 일반화시키기에는 한계가 있어 보이며, 특히 조사 대상 병원이 공공 병원의 성격이 강한 특성을 가지고 있으므로, 비슷한 규모의 병원이라 할지라도 진료비의 구성내용 등에 차이가 있을 수 있을 것이다. 그럼에도 불구하고 데이터웨어하우스 시스템의 구축 여부에 관계 없이 대부분의 병원 정보 시스템은 구축 자료의 종류나 사용 가능한 자료의 범주가 매우 유사하게 구성되어 있기 때문에 어느 병원에서나 손쉽게 모델 구축에 있어 기초 자료로 활용할 수 있는 계기를 마련했다고 사료된다. 또한 병원의 데이터웨어하우스 시스템에 구축되어 있는 자료를 중심으로 분석하였므로 환자의 개인적 특성 및 진료 예약 당일의 환자의 특별한 사유 등에 관한 부가적인 요인들에 대한 추가 연구가 필요할 것이다. 마지막으로, 효과적인 환자와의 관계를 유지하기 위해서는 환자가 원하는 욕구를 파악하는 것이 중요하다. 현재 병원의 정보 시스템은 지나치게 원무 및 처방 전달 시스템에 집중되어 있다. 따라서 환자 개개인의 직업, 라이프 스타일이나 가치, 개성에 관한 정보를 데이터베이스화 한다면 고객을 보다 폭 넓게 이해할 수 있을 것이며, 고객별로 차별화된 서비스의 막강한 토대가 될 수 있을것이다. 이에 더불어 기존 자료의 적극적인 분석과 고객 자료에 대한 좀 더 적극적인 수집이 필요하다고 할 수 있겠다.

Abstract ▼ AI-Helper

Objective: Hospital no-shows hurt not only the hospital but the patients as well. They can reduce the efficiency of resources of the hospital and decrease the level of care provided to patients. Furthermore, because of the high possibility of patient withdrawal of no-show appointments, the measures ...

Objective: Hospital no-shows hurt not only the hospital but the patients as well. They can reduce the efficiency of resources of the hospital and decrease the level of care provided to patients. Furthermore, because of the high possibility of patient withdrawal of no-show appointments, the measures to reduce the hospital no shows are meaningful to Customer Relationship Management(CRM) activities in order to maintain the previous patient levels. The purpose of this study is to analyze the determining factors and predict the possibility of hospital no shows at the beginning stage of "hospital no-show management". Methods: The data reprocessed and analysed for the purpose of this study was collected among the number of patients who visited once or who had visited again one general hospital(with 745 beds) located in Gyeonggi-do during the first half year of 2003 and 2004 except for new patients. Analyses were performed using the descriptive statistics, frequency analysis and X2 -test to assess the general characteristics and data distributions of the patients. And multiple logistic regression was conducted in order to establish the no-show forecasting model. To determine the cause of no-shows in the no-show group and show group a few variables selected by four categories such as the general characteristics of the patients, characteristics of medical service, characteristics of reserved days and previous history of the patients. Results: The cancellation ratio of registered patients (473,724) who were subjects in this study was 15.3%(72,415) and 401,309 patients kept their reservation. The no show ratio in the patient's general characteristics were higher in the younger patients, car insurance and government provided health benefits, and the absence of a discount for the fee for service. According to the characteristics of medical service, the no-show ratios were higher in new patients rather than old patients and in new doctors. According to the time of treatment the no-show ratios were higher in the afternoon than in the morning. I also found that rates were higher when we didn't send the SMS(short message service) messages to the patients than when we did. When the patient made a reservation at the window, the no-show rates were lower than the telephone reservation to the department. As the reservation days passed by the no-show rates were increased. According to the results of the patient's previous history model, the no-show ratios were higher in new patients who had never been hospitalized and used the cheaper the medical service fee. The more treatment the patient required, the less the no-show ratios. According to the results of the characteristics of reserved days, the weather seemed to play an important part. The no-show ratios were higher if it were raining or snowing. Conclusion: The most important factors in determining hospital no-shows are the discount type of service, the average fee for the service, previous no-show ratios, the reservation method, and the number of days that pass after the reservation has been made. Most of the previous studies on the hospital no-shows of the patients were conducted by a questionnaire to a small group of patients. However, the data in this study was based on the data in the outpatient data warehouse system. I expect that the model used in this paper can be used to establish a customer management system on cancelled reservations by applying in the hospital information system directly. But I think there is a limit to generalize the results of this study because this is just an example of a general hospital. Key words: no-show, cause for no-show, forecasting model, hospital management, database

주제어