초록 ▼

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

본 연구는 의료서비스의 질적 수준을 나타내는 지표인 퇴원 후 30일내에 계획에 없던 재입원에 영향을 미치는 요인을 파악하고, 머신러닝을 이용하여 재입원의 효율적 관리를 위한 재입원 예측모형을 개발하고자 하였다.
일개 대학병원의 3년간 퇴원요약자료 90,539건을 이용하여 CCS로 진단을 그룹화 하였고, CCI로 동반상병을 보정 한 후 머신러닝 기법인 로지스틱 회귀모형, 신경망모형, 의사결정나무모형으로 예측모형을 구축하고, ...

본 연구는 의료서비스의 질적 수준을 나타내는 지표인 퇴원 후 30일내에 계획에 없던 재입원에 영향을 미치는 요인을 파악하고, 머신러닝을 이용하여 재입원의 효율적 관리를 위한 재입원 예측모형을 개발하고자 하였다.
일개 대학병원의 3년간 퇴원요약자료 90,539건을 이용하여 CCS로 진단을 그룹화 하였고, CCI로 동반상병을 보정 한 후 머신러닝 기법인 로지스틱 회귀모형, 신경망모형, 의사결정나무모형으로 예측모형을 구축하고, AUC 값으로 모형의 성능을 평가하였다.
분석 결과 퇴원요약자료 기반의 머신러닝 예측모형 AUC 값은 0.66~0.763 이었으며, 로지스틱 회귀분석모형과 신경망 모형의 설명력이 높았다. LACE 지수로 분석한 모형의 AUC 값은 0.572~0.63으로 머신러닝 기반의 예측모형이 우수했다.
로지스틱 회귀모형을 이용하여 30일 이내에 계획에 없던 재입원에 영향을 주는 요인을 분석한 한 결과 입원과, CCS(주진단), 연령, charlson comorbidity index, 당뇨 여부, 고혈압 여부, 재원일수, 입원 중 전과여부, 수술여부, 응급실 경유여부, 치료결과, 퇴원 형태, 지난 1년간 입원횟수, 지난 6개월간 응급실 내원 횟수가 영향을 미치는 것으로 나타났다. 30일 이내 계획에 없던 재입원율은 7.7%로 혈액종양내과, 류마티스내과, 호흡기내과 등 내과계가 재입원율이 높았고, 주진단은 외부요인에 의한 폐질환이 가장 높았으며, 연령이 높을수록, CCI 동반상병 점수가 높을수록, 당뇨나 고혈압이 동반된 경우, 재원일수가 길수록, 입원기간 중 전과를 한 경우, 수술을 하지 않은 경우, 응급실을 경유한 경우, 치료받지 않고 진단만 받고 퇴원한 경우, 타병원으로 전원한 경우, 지난 6개월 동안 응급실 내원 횟수가 많을 경우, 지난 1년간 입원 횟수가 많은 수록 높았다.
본 연구는 일개 병원에 국한해서 모형을 개발하여 일반화하기에는 제한이 있으나, 전자의무기록 기반의 정확한 진단코드로 구축된 퇴원요약자료를 이용하여 머신러닝 기법으로 분석하고, 30일 이내 계획에 없던 재입원 예측모형을 구축했다는데 의의가 있다.

Abstract ▼ AI-Helper

The purpose of this study was developed prediction mode for unplanned readmission within 30 days discharge using machine learning. Unplanned readmission were indicator for quality of medical services. The analysis data were extracted discharge summary data set of university hospitals for 3 years. Th...

The purpose of this study was developed prediction mode for unplanned readmission within 30 days discharge using machine learning. Unplanned readmission were indicator for quality of medical services. The analysis data were extracted discharge summary data set of university hospitals for 3 years. The analysis subjects was 90,539. Diagnosis were grouped by CCS and comorbidity diagnosis were corrected by CCI. The data was analyzed by the machine learning techniques such as logistic regression model, decision tree model, neural network model. And we compared the LACE index model with a machine learning model. The model evaluation by AUC value.
The AUC value of the machine learning model by discharge summary based data set was 0.66 to 0.763. The logistic regression and neural network models had a high prediction value. The AUC value of the LACE index model was 0.572~0.63. The machine learning prediction model by discharge summary data set was more descriptive than the LACE index. The affecting factors within 30days readmission analyzed logistic regression.
The affecting factors were admission department, age, CCS(primary diagnosis), charlson comorbidity index, diabetes mellitus, hypertension, length of stay, whether or not the operation is performed, via emergency admission, treatment result, discharge type, number of emergency visits in last 6 month and number of admission in the last year. Unplanned readmission rate within 30days was 7.7%. The risk of unplanned readmission was oncology department, lung disease due to external agents, the CCI score was higher, with DM and hypertension, not treatment discharge, not operation, the more times visit ER last 6 months and the more admission last year.
This study was conducted only one hospital and it's difficult to generalized. But this study was meaningful that a readmission prediction model developed by machine learning techniques and using discharge summary data set on medical records with corrected diagnostic code.

주제어