Charlson 동반질환의 ICD-10 알고리즘 예측력 비교연구 Comparative Study on Three Algorithms of the ICD-10 Charlson Comorbidity Index with Myocardial Infarction Patients원문보기
Objectives: To compare the performance of three International Statistical Classification of Diseases, 10th Revision translations of the Charlson comorbidities when predicting in-hospital among patients with myocardial infarction (MI). Methods: MI patients ${\geq}20$ years of age with the ...
Objectives: To compare the performance of three International Statistical Classification of Diseases, 10th Revision translations of the Charlson comorbidities when predicting in-hospital among patients with myocardial infarction (MI). Methods: MI patients ${\geq}20$ years of age with the first admission during 2006 were identified(n=20,280). Charlson comorbidities were drawn from Heath Insurance Claims Data managed by Health Insurance Review and Assessment Service in Korea. Comparisions for various conditions included (a) three algorithms (Halfon, Sundararajan, and Quan algorithms), (b) lookback periods (1-, 3- and 5-years), (c) data range (admission data, admission and ambulatory data), and (d) diagnosis range (primary diagnosis and first secondary diagnoses, all diagnoses). The performance of each procedure was measured with the c-statistic derived from multiple logistic regression adjusted for age, sex, admission type and Charlson comorbidity index. A bootstrapping procedure was done to determine the approximate 95% confidence interval. Results: Among the 20,280 patients, the mean age was 63.3 years, 67.8% were men and 7.1% died while hospitalized. The Quan and Sundararajan algorithms produced higher prevalences than the Halfon algorithm. The c-statistic of the Quan algorithm was slightly higher, but not significantly different, than that of other two algorithms under all conditions. There was no evidence that on longer lookback periods, additional data, and diagnoses improved the predictive ability. Conclusions: In health services study of MI patients using Health Insurance Claims Data, the present results suggest that the Quan Algorithm using a 1-year lookback involving primary diagnosis and the first secondary diagnosis is adequate in predicting in-hospital mortality.
Objectives: To compare the performance of three International Statistical Classification of Diseases, 10th Revision translations of the Charlson comorbidities when predicting in-hospital among patients with myocardial infarction (MI). Methods: MI patients ${\geq}20$ years of age with the first admission during 2006 were identified(n=20,280). Charlson comorbidities were drawn from Heath Insurance Claims Data managed by Health Insurance Review and Assessment Service in Korea. Comparisions for various conditions included (a) three algorithms (Halfon, Sundararajan, and Quan algorithms), (b) lookback periods (1-, 3- and 5-years), (c) data range (admission data, admission and ambulatory data), and (d) diagnosis range (primary diagnosis and first secondary diagnoses, all diagnoses). The performance of each procedure was measured with the c-statistic derived from multiple logistic regression adjusted for age, sex, admission type and Charlson comorbidity index. A bootstrapping procedure was done to determine the approximate 95% confidence interval. Results: Among the 20,280 patients, the mean age was 63.3 years, 67.8% were men and 7.1% died while hospitalized. The Quan and Sundararajan algorithms produced higher prevalences than the Halfon algorithm. The c-statistic of the Quan algorithm was slightly higher, but not significantly different, than that of other two algorithms under all conditions. There was no evidence that on longer lookback periods, additional data, and diagnoses improved the predictive ability. Conclusions: In health services study of MI patients using Health Insurance Claims Data, the present results suggest that the Quan Algorithm using a 1-year lookback involving primary diagnosis and the first secondary diagnosis is adequate in predicting in-hospital mortality.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 연구에서는 건강보험청구자료를 사용하여 심근경색 환자를 대상으로 Charlson 동반질환의 ICD-10알고리즘을 비교하고자 한다. 그리고 동반질환 보정에서 제기되는 동반질환 관찰기간, 자료와 진단명의 범위에 따른 결과예측력 비교를 통하여 적절한 동반질환 보정방법에 대한 가이드라인을 제시하고자 한다.
이 연구에서는 건강보험청구자료를 사용하여 심근경색 환자를 대상으로 Charlson 동반질환의 ICD-10알고리즘을 비교하고자 한다. 그리고 동반질환 보정에서 제기되는 동반질환 관찰기간, 자료와 진단명의 범위에 따른 결과예측력 비교를 통하여 적절한 동반질환 보정방법에 대한 가이드라인을 제시하고자 한다.
그러나 동반질환을 장기간 관찰한 경우 동반질환을 관찰할 기회는 증가되지만 효율적이지 않다. 이 연구에서는 병원내 사망을 예측함에 있어 적절한 동반질환 관찰기간을 제시하기 위해 입원시점을 기준으로 이전 1년, 3년, 5년 동안 동반질환을 관찰하였다. 건강보험청구자료는 의료기관을 방문한 환자의 모든 입원, 외래 진료내역을 포함하고 있고, 환자의 주진단명과 제1부진단명이 기록된 자료 외에 모든 진단명이 기록된 자료가 별도로 구성되어 있어 동반질환을 관찰하기 위한 자료의 범위 결정이 필요하다.
제안 방법
Charlson 동반질환의 ICD-10 알고리즘, 관찰기간, 그리고 자료와 진단명의 범위에 따른 병원내 사망의 예측력을 비교하였다. 자료의 범위에 따른 예측력 비교결과, 환자의 주진단명과 제1 부진단명을 사용하여 1년 동안 동반질환을 관찰한 Quan 알고리즘은 입원자료만을 대상으로 한 예측모형의 C-통계량은 0.
건강보험청구자료는 환자의 주진단 그리고 제1부진단명으로 구성된 자료와 환자의 모든 진단명이 기록된 자료가 별도로 구축되어 있고, 또한 입원과 외래자료로 구분된다. 건강보험청구자료를 사용한 연구에서는 타당한 자료의 범위를 제시하지 않고, 자료의 접근 범위 내에서 사용하였고, 동반질환 관찰기간 또한 연구자의 임상적 판단, 자료의 접근성을 고려하여 비교적 짧은 기간을 설정하였다. 따라서 효율성측면에서 적절한 자료의 범위와 관찰기간 설정 또한 관심사항이 아닐 수 없다.
또한 자료에 청구된 진단명은 시간적 관계를 알 수 없어 동반 질환과 합병증을 정확히 구분할 수 없으나, 조작적으로 입원시점에 청구된 진단명을 제외하여 합병증을 분리하였다. 둘째, 심근경색 환자만을 대상으로 전환 알고리즘과 관찰 기간, 그리고 자료와 진단명의 범위에 따른 병원내 사망의 예측력을 비교하였다. 따라서 이 연구결과를 토대로 다른 질환 혹은 수술환자에 적용하기에는 제한이 따른다.
따라서 입원자료와 입원 · 외래자료에 대하여 주 · 부진단명을 사용한 경우와 모든 진단명을 사용한 경우로 구분하여 결과 예측력을 비교하였다.
이 연구는 심근경색 환자를 대상으로 행정자료에서 동반 질환 보정방법으로 널리 사용되는 Charlson 동반질환을 ICD-10으로 전환한 알고리즘의 예측력을 비교하고, 동반질환 보정에서 제기되는 관찰기간, 그리고 자료와 진단명의 범위를 고려하여 여러 상황하에서 결과 예측력을 비교하였다. 관찰기간, 자료범위 그리고 진단명 범위에 따른 예측력 비교결과 입원자료의 주진단명과 제 1부진단명을 사용하여 입원시점을 기준으로 이전 1년 동안 동반질환을 관찰하는 것이 결과예측력 측면에서 효율적이었고, 모든 상황하에서 Quan 등이 제시한 알고리즘이 다른 알고리즘에 비해 결과 예측력이 조금 높았지만 유의한 차이는 없었다.
이 연구에서는 심근경색 환자를 대상으로 Charlson 동반 질환 알고리즘, 관찰기간, 그리고 자료와 진단명 범위에 따른 동반질환 분포를 살펴보고, 각 상황에서 병원내 사망에 대한 예측력을 비교하였다. 결과예측모형은 성별, 연령, 입원경로, Charlson 동반질환을 보정한 다중 로지스틱모형(multiple logistic regression)을 사용하였고, Charlson 동반 질환은 0점, 1점, 2점, 3점 이상으로 구분하여 범주형 변수로 사용하였다.
입원자료의 주진단명과 제1부진단명을 사용하여 ICD-10알고리즘과 동반질환 관찰기간에 따른 Charlson 동반질환 유병률을 살펴보았다 (Table 3). 1년 동안 Charlson 동반질환을 관찰한 경우 울혈성 심부전과 만성 합병증을 동반한 당뇨의 유병률이 가장 높았고, Halfon 알고리즘을 사용한 경우 울혈성 심부전의 유병률은 3.
대상 데이터
연구기간 동안 심근경색으로 입원한 환자는 24,668명이 었다 (Table 2). 이 중에서 이전에 입원한 경험이 있는 환자 4,388명을 제외한 20,280명을 대상으로 하였다.
이 연구는 2006년에 급성 또는 속발성 심근경색으로 입원한 20세 이상 환자를 대상으로 하였다. 심근경색 환자는 건강보험청구자료에서 주 · 부진단명이 급성 심근경색(ICD-10 코드: I21.
연구기간 동안 심근경색으로 입원한 환자는 24,668명이 었다 (Table 2). 이 중에서 이전에 입원한 경험이 있는 환자 4,388명을 제외한 20,280명을 대상으로 하였다. 심근경색 환자의 평균 연령은 61.
데이터처리
5에서 1사이의 값을 갖고, 1에 가까울수록 결과를 잘 설명한다고 할 수 있다. C-통계량의 95% 신뢰구간은 붓스트랩 방법으로 산출하였고, 신뢰구간이 겹치는 경우 예측력이 유의한 차이가 없는 것으로 간주하였다. 자료구축과 통계분석은 SAS version 9.
결과예측모형은 성별, 연령, 입원경로, Charlson 동반질환을 보정한 다중 로지스틱모형(multiple logistic regression)을 사용하였고, Charlson 동반 질환은 0점, 1점, 2점, 3점 이상으로 구분하여 범주형 변수로 사용하였다. 결과예측력은 결과를 설명하는 정도를 나타내며, 이 연구에서는 예측력 비교기준으로 C-통계량을 사용하였다. C-통계량은 ROC (Receiver Operating Characteristic) 곡선 아래의 면적으로 0.
C-통계량의 95% 신뢰구간은 붓스트랩 방법으로 산출하였고, 신뢰구간이 겹치는 경우 예측력이 유의한 차이가 없는 것으로 간주하였다. 자료구축과 통계분석은 SAS version 9.13(SAS Inc., Cary, NC, USA)을 사용하였다.
이론/모형
이 연구에서는 심근경색 환자를 대상으로 Charlson 동반 질환 알고리즘, 관찰기간, 그리고 자료와 진단명 범위에 따른 동반질환 분포를 살펴보고, 각 상황에서 병원내 사망에 대한 예측력을 비교하였다. 결과예측모형은 성별, 연령, 입원경로, Charlson 동반질환을 보정한 다중 로지스틱모형(multiple logistic regression)을 사용하였고, Charlson 동반 질환은 0점, 1점, 2점, 3점 이상으로 구분하여 범주형 변수로 사용하였다. 결과예측력은 결과를 설명하는 정도를 나타내며, 이 연구에서는 예측력 비교기준으로 C-통계량을 사용하였다.
성능/효과
입원자료의 주진단명과 제1부진단명을 사용하여 ICD-10알고리즘과 동반질환 관찰기간에 따른 Charlson 동반질환 유병률을 살펴보았다 (Table 3). 1년 동안 Charlson 동반질환을 관찰한 경우 울혈성 심부전과 만성 합병증을 동반한 당뇨의 유병률이 가장 높았고, Halfon 알고리즘을 사용한 경우 울혈성 심부전의 유병률은 3.2%, Sundararajan 알고리즘 2.0%, Quan 알고리즘 3.4%였다. 전환 알고리즘들은 동반질환 유병률이 비슷하였으나, 뇌혈관 질환의 경우 Halfon 알고리즘은 0.
Charlson 동반질환의 ICD-10 알고리즘을 비교한 결과, 입원자료 그리고 주진단명과 제1 부진단명을 대상으로 1년 동안 동반질환을 관찰한 모형을 기준으로 Quan 알고리즘의 예측력은 0.701 (95% CI=0.671-0.739)로 Sundararajan 알고리즘, 0.698 (95% CI=0.669-0.735), Halfon 알고리즘 0.698 (95% CI=0.669-0.737)보다 약간 높지만, 알고리즘간 예측력의 유의한 차이는 없었다.
Charlson 동반질환의 ICD-10 알고리즘을 비교한 결과, 입원자료의 주진단명과 제1부진단명을 사용하여 1년 동안 관찰한 경우 Quan 알고리즘의 예측력은 0.701 (95% CI=0.671-0.739)로 Sundararajan 알고리즘 0.698 (95% CI=0.669-0.735), Halfon 알고리즘 0.698 (95% CI=0.669-0.737)보다 조금 높지만 예측력의 유의한 차이가 없었다. Sundararajan 등[10]은 입원한 환자를 대상으로 Charlson 동반질환의 ICD-10 알고리즘을 비교한 결과, Quan 알고리즘이 다른 알고리즘이 병원내 사망의 예측력이 조금 높았다고 보고하였고, 이는 본 연구결과와 일치하였다.
ICD-10 알고리즘에 따라 Charlson 동반질환 유병률은 비슷하였으나, 뇌혈관계 질환은 다른 질환에 비해 알고리즘에 따른 유병률 차이가 컸다. Halfon등은 뇌혈관질환을 뇌혈관 질환의 후유증(I69.
알고리즘에 따른 Charlson 동반질환 유병률 비교결과 Quan 알고리즘이 다른 알고리즘에 비해 동반질환 유병률이 높았다. Quan 알고리즘을 기준으로 동반질환을 1년 동안 관찰한 경우 뇌혈관계 질환의 유병률은 3.8%, 3년 6.9%, 5년 8.6%로 관찰기간이 증가할수록 동반질환 유병률이 증가하였고, 다른 질환에서도 관찰기간이 증가함에 따라 유병률이 증가하였다.
이 연구는 심근경색 환자를 대상으로 행정자료에서 동반 질환 보정방법으로 널리 사용되는 Charlson 동반질환을 ICD-10으로 전환한 알고리즘의 예측력을 비교하고, 동반질환 보정에서 제기되는 관찰기간, 그리고 자료와 진단명의 범위를 고려하여 여러 상황하에서 결과 예측력을 비교하였다. 관찰기간, 자료범위 그리고 진단명 범위에 따른 예측력 비교결과 입원자료의 주진단명과 제 1부진단명을 사용하여 입원시점을 기준으로 이전 1년 동안 동반질환을 관찰하는 것이 결과예측력 측면에서 효율적이었고, 모든 상황하에서 Quan 등이 제시한 알고리즘이 다른 알고리즘에 비해 결과 예측력이 조금 높았지만 유의한 차이는 없었다.
관찰기간에 따른 예측력 비교결과, Halfon알고리즘을 대상으로 입원자료 그리고 주진단명과 제1 부진단명만을 사용한 모형은 1년 동안 동반질환을 관찰한 경우 예측력은 0.698 (95% CI=0.669-0.737), 3년 0.701 (95% CI=0.673-0.738), 5년 0.703 (95% CI=0.676-0.739)로 관찰기간이 길어질수록 예측력은 높아지지만, 유의한 차이는 없었다. 그리고 Quan과 Sundararajan 알고리즘도 관찰기간이 증가할수록 모형들간에 예측력의 유의한 차이는 없었다.
722)보다 예측력이 높으나, 유의한 차이를 보이지 않았다 (Table 4). 그리고 Sundararajan 알고리즘과 Halfon 알고리즘은 입원 자료만 사용한 경우와 입원과 외래자료를 모두 사용한 모형 간에는 결과예측력의 차이는 없었다.
726)보다 조금 높지만 유의한 차이가 없었다. 그리고 진단명의 범위에 따른 예측력의 유의한 차이가 없었고, 따라서 모든 진단명을 고려하기보다는 주진단명과 제1 부진단명을 사용하는 것이 효율적이라 할 수 있다.
동반질환 관찰기간에 따른 예측력 비교결과, 입원자료의 주진단명과 제1부진단명을 사용한 Quan 알고리즘은 입원 시점을 기준으로 이전 1년 동안 동반질환을 관찰한 경우 예측력은 0.701 (95% CI=0.671-0.739)로 3년 0.703 (95% CI=0.675-0.739), 5년 0.704 (95% CI=0.677-0.739)로 장기간 동반질환을 관찰한 모형과 비교하여 예측력의 유의한 차이는 없었다. 급성심근경색 환자를 대상으로 관찰기간을 비교한 연구 [6]에서는 입원시점에 기록된 동반질환만을 고려하기보다는 그 이전에 기록된 동반질환을 포함하는 경우 예측력이 높다고 보고하였다.
8%로 비교적 큰 차이를 보였다. 동반질환을 1년 동안 관찰한 경우 Charlson 동반질환지수가 0점인 환자는 Halfon 알고리즘 86.8%, Sundararajan 알고리즘 86.5%, Quan 알고리즘 84.1%로 대부분의 환자들이 Charlson 동반질환지수가 낮았고, 3점 이상에 해당되는 환자는 각각 2.7%, 2.8%, 3.7%였다. 알고리즘에 따른 Charlson 동반질환 유병률 비교결과 Quan 알고리즘이 다른 알고리즘에 비해 동반질환 유병률이 높았다.
심근경색 환자를 대상으로 Charlson 동반질환의 ICD-10 전환 알고리즘, 관찰기간 그리고 자료와 진단명의 범위에 따른 결과예측력을 비교한 결과, 입원자료의 주진단명과 제 1부진단명을 사용하여 이전 1년 동안 동반질환을 관찰하는 Quan 알고리즘이 가장 적절하였다. 비록 다른 질환과 수술환자를 대상으로 하는 보건의료연구에 적용되기에는 제한점이 있지만, 심근경색 환자를 대상으로 하는 연구에서 동반질환 보정방법에 대한 가이드라인이 될 것으로 기대된다.
7%였다. 알고리즘에 따른 Charlson 동반질환 유병률 비교결과 Quan 알고리즘이 다른 알고리즘에 비해 동반질환 유병률이 높았다. Quan 알고리즘을 기준으로 동반질환을 1년 동안 관찰한 경우 뇌혈관계 질환의 유병률은 3.
그리고 Zhang 등 [3]은 관찰기간과 자료의 범위에 따른 1년 사망을 예측력을 비교한 결과, 2년간 입원자료, 1년의 외래자료 그리고 보조청구자료를 사용한 경우 유의하게 예측력이 높다고 보고하였다. 이 연구에서는 입원자료만 사용한 모형과 입원과 외래자료를 모두 사용한 모형을 비교한 결과, Sundararajan 알고리즘으로 모든 진단명을 1년 동안 관찰한 경우 입원자료에서의 예측력은 0.699 (95% CI=0.671-0.736)로 입원과 외래자료 0.689 (95% CI=0.661-0.726)보다 조금 높지만 유의한 차이가 없었다. 그리고 진단명의 범위에 따른 예측력의 유의한 차이가 없었고, 따라서 모든 진단명을 고려하기보다는 주진단명과 제1 부진단명을 사용하는 것이 효율적이라 할 수 있다.
Charlson 동반질환의 ICD-10 알고리즘, 관찰기간, 그리고 자료와 진단명의 범위에 따른 병원내 사망의 예측력을 비교하였다. 자료의 범위에 따른 예측력 비교결과, 환자의 주진단명과 제1 부진단명을 사용하여 1년 동안 동반질환을 관찰한 Quan 알고리즘은 입원자료만을 대상으로 한 예측모형의 C-통계량은 0.701 (95% CI=0.671-0.739)로 입원과 외래 자료를 모두 사용한 모형 0.684 (95% CI= 0.655-0.722)보다 예측력이 높으나, 유의한 차이를 보이지 않았다 (Table 4). 그리고 Sundararajan 알고리즘과 Halfon 알고리즘은 입원 자료만 사용한 경우와 입원과 외래자료를 모두 사용한 모형 간에는 결과예측력의 차이는 없었다.
4%였다. 전환 알고리즘들은 동반질환 유병률이 비슷하였으나, 뇌혈관 질환의 경우 Halfon 알고리즘은 0.5%인 반면에 Sundararajan 알고리즘 3.7%, Quan 알고리즘 3.8%로 비교적 큰 차이를 보였다. 동반질환을 1년 동안 관찰한 경우 Charlson 동반질환지수가 0점인 환자는 Halfon 알고리즘 86.
진단명의 범위에 따른 예측력 비교결과, 입원자료만을 사용하여 1년간 동반질환을 관찰한 Sundararajan 알고리즘은 모든 진단명을 사용한 경우 C-통계량은 0.699 (95% CI=0.671-0.736)로 주진단명과 제 1부진단명만을 대상으로 한 모형 0.698 (95% CI=0.669-0.735)과 예측력의 차이는 없었다. 그리고 입원자료를 대상으로 한 Quan과 Halfon 알고리즘도 모든 진단명을 사용한 모형과 주진단명과 제1부진단명을 사용한 모형간에는 예측력의 차이가 없었다.
후속연구
따라서 이 연구결과를 토대로 다른 질환 혹은 수술환자에 적용하기에는 제한이 따른다. 그러나 심근경색환자를 대상으로 많은 보건의료 연구가 이뤄지고 있다는 점에서 연구결과의 활용도가 높을 것으로 기대된다. 셋째, 결과예측모형은 성별, 연령, 입원경로 그리고 동반질환만을 모형에 포함하였고, 환자의 예후와 관련된 질환의 중증도와 임상적 특성을 반영하지 못하였다는 제한점이 있다.
비록 다른 질환과 수술환자를 대상으로 하는 보건의료연구에 적용되기에는 제한점이 있지만, 심근경색 환자를 대상으로 하는 연구에서 동반질환 보정방법에 대한 가이드라인이 될 것으로 기대된다. 그리고 이 연구를 기초로 다양한 질환과 수술환자를 대상으로 단기사망, 장기사망, 재입원 그리고 진료비 등과 같은 결과에 있어 동반질환 보정과 관련된 방법론적 연구가 필요할 것으로 사료된다.
심근경색 환자를 대상으로 Charlson 동반질환의 ICD-10 전환 알고리즘, 관찰기간 그리고 자료와 진단명의 범위에 따른 결과예측력을 비교한 결과, 입원자료의 주진단명과 제 1부진단명을 사용하여 이전 1년 동안 동반질환을 관찰하는 Quan 알고리즘이 가장 적절하였다. 비록 다른 질환과 수술환자를 대상으로 하는 보건의료연구에 적용되기에는 제한점이 있지만, 심근경색 환자를 대상으로 하는 연구에서 동반질환 보정방법에 대한 가이드라인이 될 것으로 기대된다. 그리고 이 연구를 기초로 다양한 질환과 수술환자를 대상으로 단기사망, 장기사망, 재입원 그리고 진료비 등과 같은 결과에 있어 동반질환 보정과 관련된 방법론적 연구가 필요할 것으로 사료된다.
그러나 심근경색환자를 대상으로 많은 보건의료 연구가 이뤄지고 있다는 점에서 연구결과의 활용도가 높을 것으로 기대된다. 셋째, 결과예측모형은 성별, 연령, 입원경로 그리고 동반질환만을 모형에 포함하였고, 환자의 예후와 관련된 질환의 중증도와 임상적 특성을 반영하지 못하였다는 제한점이 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
Charlson 동반질환지수란 무엇인가?
Charlson 동반질환지수은 동반질환 보정방법 중에서 가장 널리 사용되는 방법으로 의무기록조사를 통하여 정의된 19개의 질환에 대하여 1~6점까지 일정한 가중치를 부여한 뒤 이 가중치의 합을 보정하는 방법이다. Charlson 동반질환지수는 동반질환과 질환의 중증도를 반영했다는 점에서 질환을 이분형 형태로 사용하는 Elixhauser 동반질환과 구분되며, 다른 동반질환 보정방법과의 비교연구를 통하여 예측력이 증명되었다 [7-9].
Charlson 동반질환지수는 어떠한 점에서 Elixhauser 동반질환과 구분되는가?
Charlson 동반질환지수은 동반질환 보정방법 중에서 가장 널리 사용되는 방법으로 의무기록조사를 통하여 정의된 19개의 질환에 대하여 1~6점까지 일정한 가중치를 부여한 뒤 이 가중치의 합을 보정하는 방법이다. Charlson 동반질환지수는 동반질환과 질환의 중증도를 반영했다는 점에서 질환을 이분형 형태로 사용하는 Elixhauser 동반질환과 구분되며, 다른 동반질환 보정방법과의 비교연구를 통하여 예측력이 증명되었다 [7-9]. 그러나 Charlson 동반질환은 의무기록 자료를 토대로 개발되어 진단명이 ICD-9-CM(International Classification of Disease, 9th Revision, Clinical Modification) 혹은 ICD-10(International Statistical Classification of Disease, 10th Revision)으로 분류된 행정자료에 적용되기 위해서는 진단코드의 정의가 필요하다.
동반질환 보정에 있어 제기되는 여러 상황하에서 예측력을 비교한 본 연구의 제한점은 무엇인가?
이 연구는 동반질환 보정에 있어 제기되는 여러 상황하에서 예측력을 비교하였지만 몇가지 제한점이 존재한다. 첫째, 건강보험청구자료는 환자의 모든 진료내역이 포함되어 있다는 장점이 있으나, 진료비 심사를 목적으로 구축된 자료이므로 진단명의 부정확성이 문제된다. 건강보험청구 자료를 사용한 기존 연구들 [17-20,22]은 경험적인 접근 방법으로 동반질환을 정의하였으나, 부정확성에 대한 문제는 여전히 존재할 수 있다. 이 연구에서는 진단명에 대한 제약을 두지 않고, 청구된 진단명을 그대로 사용하여 동반질환 유병률이 과대추정될 가능성을 배제할 수 없을 것이다. 또한 자료에 청구된 진단명은 시간적 관계를 알 수 없어 동반 질환과 합병증을 정확히 구분할 수 없으나, 조작적으로 입원시점에 청구된 진단명을 제외하여 합병증을 분리하였다. 둘째, 심근경색 환자만을 대상으로 전환 알고리즘과 관찰 기간, 그리고 자료와 진단명의 범위에 따른 병원내 사망의 예측력을 비교하였다. 따라서 이 연구결과를 토대로 다른 질환 혹은 수술환자에 적용하기에는 제한이 따른다. 그러나 심근경색환자를 대상으로 많은 보건의료 연구가 이뤄지고 있다는 점에서 연구결과의 활용도가 높을 것으로 기대된다. 셋째, 결과예측모형은 성별, 연령, 입원경로 그리고 동반질환만을 모형에 포함하였고, 환자의 예후와 관련된 질환의 중증도와 임상적 특성을 반영하지 못하였다는 제한점이 있다.
참고문헌 (22)
Charlson ME, Pompei P, Ales KL, MacKenzie CR. A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation. J Chronic Dis 1987; 40(5): 373-383.
Zhang JX, Iwashyna TJ, Christakis NA. The performance of different lookback periods and sources of information for Charlson comorbidity adjustment in Medicare claims. Med Care 1999; 37(11): 1128-1139.
Kim KH, Ahn LS. A comparative study on comorbidity measurements with lookback period using health insurance database: Focused on patients who underwent percutaneous coronary intervention. J Prev Med Public Health 2009; 42(2): 267-273. (Korean)
Stukenborg GJ, Wagner DP, Connors AF Jr. Comparison of the performance of two comorbidity measures, with and without information from prior hospitalization. Med Care 2001; 39(7): 727-739.
Schneeweiss S, Wang PS, Avorn J, Glynn RJ. Improved comorbidity adjustment for predicting mortality in Medicare populations. Health Serv Res 2003; 38(4): 1103-1120.
Birim O, Maat AP, Kappetein AP, van Meerbeeck JP, Damhuis RA, Bogers AJ. Validation of the Charlson comorbidity index in patients with operated primary nonsmall cell lung cancer. Eur J Cardiothorac Surg 2003; 23(1): 30-34.
Birim O, Kappetein AP, Bogers AJ. Charlson comorbidity index as a predictor of long-term outcome after surgery for nonsmall cell lung cancer. Eur J Cardiothorac Surg 2005; 28(5): 759-762.
Sundararajan V, Quan H, Halfon P, Fushimi K, Luthi JC, Burnand B, et al. Cross-national comparative performance of three versions of the ICD-10 Charlson index. Med Care 2007; 45(12): 1210-1215.
Deyo RA, Cherkin DC, Ciol MA. Adapting a clinical comorbidity index for use with ICD-9-CM administrative databases. J Clin Epidemiol 1992; 45(6): 613-619.
Romano PS, Roos LL, Jollis JG. Adapting a clinical comorbidity index for use with ICD-9-CM administrative data: Differing perspectives. J Clin Epidemiol 1993; 46(10): 1075-1079
Sundararajan V, Henderson T, Perry C, Muggivan A, Quan H, Ghali WA. New ICD-10 version of the Charlson comorbidity index predicted in-hospital mortality. J Clin Epidemiol 2004; 57(12): 1288-1294.
Quan H, Sundararajan V, Halfon P, Fong A, Burnand B, Luthi JC, et al. Coding algorithms for defining comorbidities in ICD-9-CM and ICD-10 administrative data. Med Care 2005; 43(11): 1130-1139.
Kyung MH, Yoon SJ, Ahn HS, Hwang SM, Seo HJ, Kim KH, et al. Prognostic impact of Charlson comorbidity index obtained from medical records and claims data on 1- year mortality and length of stay in gastric cancer patients. J Prev Med Public Health 2009; 42(2): 117-122. (Korean)
Choi WH, Yoon SJ, Ahn HS, Kyung MH, Kim KH, Kim KU. The prediction of health care outcome of total hop replacement arthroplasty patients using Charlson comorbidity index. Korean J Hospital Manage 2009; 14(1): 23-35. (Korean)
Kim NS. The Effect of Adherence to Antidepressant Treatment on Relapse and Recurrence of Depression [dissertation]. Seoul: Seoul University; 2008. (Korean)
Seo HJ. Prediction of Health Outcome using Charlson Comorbidity Index in Resected lung Cancer Patients: A Comparison of Medical Records Data and Administrative Data [dissertation]. Seoul: Korea University; 2008. (Korean)
Zhang JX, Iwashyna TJ, Christakis NA. The performance of different lookback periods and sources of information for Charlson comorbidity adjustment in Medicare claims. Med Care 1999; 37(11): 1128-1139.
Kim JY, Kim HY, Im JH. Development of Risk Adjustment and Prediction Methods for Care Episodes using National Health Insurance Database. Seoul; Health Insurance Review & Assessment Service; 2007. (Korean)
※ AI-Helper는 부적절한 답변을 할 수 있습니다.