병원 성과 비교를 위한 급성기 뇌졸중 사망률 위험보정모형의 타당도 평가 Evaluation of the Validity of Risk-Adjustment Model of Acute Stroke Mortality for Comparing Hospital Performance원문보기
Background: The purpose of this study was to develop risk-adjustment models for acute stroke mortality that were based on data from Health Insurance Review and Assessment Service (HIRA) dataset and to evaluate the validity of these models for comparing hospital performance. Methods: We identified pr...
Background: The purpose of this study was to develop risk-adjustment models for acute stroke mortality that were based on data from Health Insurance Review and Assessment Service (HIRA) dataset and to evaluate the validity of these models for comparing hospital performance. Methods: We identified prognostic factors of acute stroke mortality through literature review. On the basis of the avaliable data, the following factors was included in risk adjustment models: age, sex, stroke subtype, stroke severity, and comorbid conditions. Survey data in 2014 was used for development and 2012 dataset was analysed for validation. Prediction models of acute stroke mortality by stroke type were developed using logistic regression. Model performance was evaluated using C-statistics, $R^2$ values, and Hosmer-Lemeshow goodness-of-fit statistics. Results: We excluded some of the clinical factors such as mental status, vital sign, and lab finding from risk adjustment model because there is no avaliable data. The ischemic stroke model with age, sex, and stroke severity (categorical) showed good performance (C-statistic=0.881, Hosmer-Lemeshow test p=0.371). The hemorrhagic stroke model with age, sex, stroke subtype, and stroke severity (categorical) also showed good performance (C-statistic=0.867, Hosmer-Lemeshow test p=0.850). Conclusion: Among risk adjustment models we recommend the model including age, sex, stroke severity, and stroke subtype for HIRA assessment. However, this model may be inappropriate for comparing hospital performance due to several methodological weaknesses such as lack of clinical information, variations across hospitals in the coding of comorbidities, inability to discriminate between comorbidity and complication, missing of stroke severity, and small case number of hospitals. Therefore, further studies are needed to enhance the validity of the risk adjustment model of acute stroke mortality.
Background: The purpose of this study was to develop risk-adjustment models for acute stroke mortality that were based on data from Health Insurance Review and Assessment Service (HIRA) dataset and to evaluate the validity of these models for comparing hospital performance. Methods: We identified prognostic factors of acute stroke mortality through literature review. On the basis of the avaliable data, the following factors was included in risk adjustment models: age, sex, stroke subtype, stroke severity, and comorbid conditions. Survey data in 2014 was used for development and 2012 dataset was analysed for validation. Prediction models of acute stroke mortality by stroke type were developed using logistic regression. Model performance was evaluated using C-statistics, $R^2$ values, and Hosmer-Lemeshow goodness-of-fit statistics. Results: We excluded some of the clinical factors such as mental status, vital sign, and lab finding from risk adjustment model because there is no avaliable data. The ischemic stroke model with age, sex, and stroke severity (categorical) showed good performance (C-statistic=0.881, Hosmer-Lemeshow test p=0.371). The hemorrhagic stroke model with age, sex, stroke subtype, and stroke severity (categorical) also showed good performance (C-statistic=0.867, Hosmer-Lemeshow test p=0.850). Conclusion: Among risk adjustment models we recommend the model including age, sex, stroke severity, and stroke subtype for HIRA assessment. However, this model may be inappropriate for comparing hospital performance due to several methodological weaknesses such as lack of clinical information, variations across hospitals in the coding of comorbidities, inability to discriminate between comorbidity and complication, missing of stroke severity, and small case number of hospitals. Therefore, further studies are needed to enhance the validity of the risk adjustment model of acute stroke mortality.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
뇌졸중으로 인한 사망에 영향을 미치는 위험요인을 파악하기 위하여 문헌 검토를 시행하였다. 검색방법으로 키워드 검색과 주제 검색을 이용하였고, 검색연도는 1990년부터 2015년까지, 언어는 영어 또는 한국어로 제한하였다.
그러나 중요한 위험요인들을 보정했을지라도 높은 사망률이 항상 질 나쁜 의료서비스와 관련된 것은 아니기 때문에[6], 사망률 결과 공개에 대한 우려의 목소리가 높다. 따라서 이 연구에서는 현재 급성기 뇌졸중 적정성 평가자료를 바탕으로 사망률 위험보정모형을 개발하고 그 타당성을 평가하였고, 병원별 결과 비교를 위한 목적으로 사용할 때 고려해야 할 사항들을 제시하였다.
이 연구에서는 급성기 뇌졸중 적정성 평가자료를 이용하여 병원별 결과 비교를 위한 사망률 위험보정모형을 구축하고 그 타당성을 평가하였다. 허혈성뇌졸중 사망률 위험보정모형 중에서는 성별, 연령, NIHSS(범주형)을 이용한 모형 I-1이 개발자료와 검증자료에서 모두 가장 좋은 성과를 보였다.
제안 방법
분석에 사용한 자료는 급성기 뇌졸중 적정성 평가결과 산출 시 사용하는 자료로, 병원에서 제출한 조사표 자료와 평가기간의 건강보험 진료비 청구자료로 구분된다. 2014년(5차) 평가자료를 이용하여 모형을 개발하였고, 2012년(4차) 평가자료를 이용하여 모형을 검증하였다. 허혈성뇌졸중과 출혈성뇌졸중은 사망률의 차이가 크고 질병의 특성이 다르기 때문에 별도로 구분하여 모형을 개발하였다.
동반질환의 경우 평가기간 건강보험 진료비 청구자료에 청구된 주·부상병을 이용하였고, 이분형 변수로 변환하여 모형에 적용하였다. NIHSS와 GCS의 경우 중증도에 따라 분류한 범주형 변수(NIHSS 1-5, 6-13, 14-42,GCS 13-15, 9-12, 3-8)와 연속형 변수를 각각 모형에 적용하였다.
검색결과 선택한 47개의 문헌에서 중복된 문헌을 제외하고, 최종 34개의 문헌에 대하여 뇌졸중 유형과 종속변수, 모형에서 사용한 위험보정요인을 중심으로 검토를 시행하였다(Appendix 1).
뇌졸중으로 인한 사망에 영향을 미치는 위험요인을 파악하기 위하여 문헌 검토를 시행하였다. 검색방법으로 키워드 검색과 주제 검색을 이용하였고, 검색연도는 1990년부터 2015년까지, 언어는 영어 또는 한국어로 제한하였다. 검색원은 국외 검색 데이터베이스인 ‘PubMed’를 이용하였다.
검색을 위한 관련 주제를 ‘중증도 보정 뇌졸중 사망률,’ ‘뇌졸중 사망률에 영향을 미치는 요인,’ ‘뇌졸중 사망률 예측에 대한 통계적 모형’으로 정하고, 이에 대한 검색어로 ‘stroke,’ ‘mortality,’ ‘risk factor,’ ‘prognosis factor,’ ‘risk adjustment’를 사용하였다.
이에 정부에서는 2006년부터 심·뇌혈관질환 종합대책을 수립하여 위험요인을 관리하고, 심·뇌혈관질환 관리센터를 운영하는 등의 다각적인 노력을 기울이고 있다. 또한 이러한 노력의 일환으로 뇌졸중 환자에게 제공되는 의료서비스의 질을 높이기 위하여 급성기 뇌졸중 적정성 평가를 추진하였다.
분석대상은 기존의 급성기 뇌졸중 적정성 평가에서 사망률 지표 산출 시 사용하는 기준을 적용하였다. 허혈성뇌졸중의 경우 의료기관에서 뇌졸중 중증도 척도로 NIHSS를 작성한 건이 10건 이상이면서, 평가대상자의 90% 이상 작성한 기관을 대상으로 하였으며, 평가대상자 중 전원 온 경우와 NIHSS 기록이 없는 사례는 제외하였다.
선정한 위험요인들에 대해 단변수 분석을 시행하였다. 경피적 관상동맥중재술, 관상동맥우회로조성술, 투석과 같이 발생률이 1% 이하인 변수는 분석에서 제외하였다.
입원 후 30일 내 사망자와 생존자의 특성에 대하여 단변수 분석을 시행하였다(Table 2). 두 군 간 성별, 연령, NIHSS 점수, 흡연력에서 유의한 차이를 보였고, 동반질환 중에서는 심방세동, 부정맥, 울혈성심부전, 이상지질혈증, 만성폐쇄성폐질환에서 유의한 차이를 보였다.
입원 후 30일 내 사망자와 생존자의 특성에 대하여 단변수 분석을 시행하였다(Table 4). 두 군 간 성별과 연령은 유의한 차이가 없었고, 뇌졸중 유형, GCS 점수에서 유의한 차이를 보였다.
종속변수는 입원 후 30일 내 원내 사망 여부이며, 독립변수는 환자 특성, 질병상태 관련 특성, 동반질환, 입원기간 중 시행된 시술과 수술, 치료과정, 병원 특성을 이용하였다. 동반질환의 경우 평가기간 건강보험 진료비 청구자료에 청구된 주·부상병을 이용하였고, 이분형 변수로 변환하여 모형에 적용하였다.
키워드 검색을 위한 검색어는 뇌졸중(stroke)과 사망률(mortality)이며, 제목과 초록에 위험보정(risk management)을 포함한 것으로 검색을 시행하였다. 그 결과 총 74개 문헌이 검색되었고, 연구자 1인이 제목과 초록을 검토하여 24개를 선택하였다.
2014년(5차) 평가자료를 이용하여 모형을 개발하였고, 2012년(4차) 평가자료를 이용하여 모형을 검증하였다. 허혈성뇌졸중과 출혈성뇌졸중은 사망률의 차이가 크고 질병의 특성이 다르기 때문에 별도로 구분하여 모형을 개발하였다.
후보 변수들을 로지스틱회귀분석에 적합하여 모형을 개발하였다. 후보 변수 중 기존의 급성기 뇌졸중 적정성 평가의 위험보정모형에서 사용한 성별, 연령, 뇌졸중 유형, 뇌졸중 중증도 척도는 반드시 모형에 포함하였고, 다른 후보 변수의 경우 단계별 선택방법을 적용하여 유의수준 0.05를 기준으로 모형에 포함될 변수를 선정하였다. 모든 분석은 SAS 통계 프로그램(SAS Institute Inc.
후보 변수들을 로지스틱회귀분석에 적합하여 모형을 개발하였다. 후보 변수 중 기존의 급성기 뇌졸중 적정성 평가의 위험보정모형에서 사용한 성별, 연령, 뇌졸중 유형, 뇌졸중 중증도 척도는 반드시 모형에 포함하였고, 다른 후보 변수의 경우 단계별 선택방법을 적용하여 유의수준 0.
대상 데이터
그러나 검색결과가 많지 않아서 위험요인과 예측에 관련된 검색어는 제외하였다. 검색결과 총 36개의 문헌이 검색되었고, 연구자 1인이 초록을 검토하여 23개의 문헌을 선택하였다.
검색원은 국외 검색 데이터베이스인 ‘PubMed’를 이용하였다.
입원 당시의 환자상태, 혈액검사결과와 같은 세부적인 임상정보는 수집된 자료가 없었다. 과거력이나 동반질환의 경우 정확하게 수집된 자료가 없어 평가기간의 건강보험 진료비 청구자료의 상병코드를 이용하였다. 그러나 상병코드의 경우에도 환자의 모든 동반 질환에 대해서는 알 수 없어 동반질환지수(comorbidity index)를 산출할 수 없었으며, 해당 질환이 발생한 시점도 확인할 수 없다는 제한점이 있었다.
키워드 검색을 위한 검색어는 뇌졸중(stroke)과 사망률(mortality)이며, 제목과 초록에 위험보정(risk management)을 포함한 것으로 검색을 시행하였다. 그 결과 총 74개 문헌이 검색되었고, 연구자 1인이 제목과 초록을 검토하여 24개를 선택하였다.
급성기 뇌졸중 적정성 평가의 대상 환자는 뇌졸중(한국 표준 질병·사인 분류 I60-I63)을 주 상병으로 증상 발생 후 7일 이내 응급실을 통해 입원한 환자이며, 대상기관은 종합병원 이상의 의료기관이다.
또한 모형의 R2값도 살펴보았는데, R2 값은 결과의 총 변이를 위험도 보정인자가 얼마나 많이 설명하는지를 나타낸다. 로지스틱분석의 특성상 R2값은 낮게 나오지만 모형 간 비교를 위해 참고자료로 사용하였다. 모형의 적합도(calibration)를 확인하기 위해 Hosmer-Lemeshow 검정방법을 이용하였는데, 예측된 값의 평균과 실제 결과의 평균의 차이가 적을수록 적합 오류(calibration error)가 적음을 의미한다.
출혈성뇌졸중의 경우 의료기관에서 뇌졸중 중증도 척도로 GCS를 작성한 건이 5건 이상이면서 평가대상자의 90% 이상 작성한 기관을 대상으로 하였으며, 평가대상자 중 전원 온 경우와 GCS 기록이 없는 사례는 제외하였다. 모형개발에 사용한 2014년 자료에서 분석대상자는 68개 기관 1,316명으로, 평가대상기관의 36%, 전체 평가대상자의 55%에 해당하였다. 병원별 분석대상자의 범위는 5-57명이었고, 조사망률의 범위는 0%-60.
모형검증을 위한 2012년 자료는 94개 기관 4,494명으로 구성되었다.
0%였다. 모형검증을위한 2012년자료는 75개기관 1,431명으로 구성되었다.
분석에 사용한 자료는 급성기 뇌졸중 적정성 평가결과 산출 시 사용하는 자료로, 병원에서 제출한 조사표 자료와 평가기간의 건강보험 진료비 청구자료로 구분된다. 2014년(5차) 평가자료를 이용하여 모형을 개발하였고, 2012년(4차) 평가자료를 이용하여 모형을 검증하였다.
1. 사망률 위험요인의 선정
선행연구를 검토하여 뇌졸중으로 인한 사망에 영향을 주는 요인을 선정하였다. 그러나 일부 요인들의 경우 현재 급성기 뇌졸중 적정성 평가자료에서 수집하지 않거나 이용할 수 없어 모형개발에 포함할 수 없었다.
이 연구는 급성기 뇌졸중 적정성 평가를 기반으로 수행한 연구로 다음과 같은 제한점을 가진다. 첫째, 이 연구를 위한 자료원은 평가기간 동안의 건강보험 진료비 청구자료와 급성기 뇌졸중 적정성 평가를 위해 수집된 조사표 자료이다. 두 자료원 모두 사망률 산출을 목적으로 수집되지 않아 뇌졸중 사망에 영향을 미치는 위험요인 중 환자의 의식 상태, 활력징후, 혈액검사와 같은 임상적인 상태에 대한 세부정보는 이용할 수 없었다.
데이터처리
05) 모형의 적합성을 인정할 수 있다. 또한 특정한 자료를 이용하여 개발한 모형이 다른 상황에서도 얼마나 잘 수행하는지 결정하기 위해 검증(validation)과정이 필요한데, 2012년 평가자료를 이용하여 모형개발 시와 동일하게 C-통계량, R2 값, Hosmer-Lemeshow 검정을 시행하여 개발모형을 검증하였다.
05를 기준으로 모형에 포함될 변수를 선정하였다. 모든 분석은 SAS 통계 프로그램(SAS Institute Inc., Cary, NC, USA)으로 수행하였다.
모형의 판별능력(discrimination)을 보기 위해 C-통계량을 평가하였다. 판별능력이란 결과변수가 사망인 경우 생존한 사람보다 사망한 사람에 대해 더 높은 사망확률을 예측하는 정도이다.
경피적 관상동맥중재술, 관상동맥우회로조성술, 투석과 같이 발생률이 1% 이하인 변수는 분석에서 제외하였다. 연속형 변수는 t 검정, 범주형변수는 카이제곱검정 또는 피셔의 정확검정을 시행하였다. 검정결과 p<0.
이론/모형
로지스틱분석의 특성상 R2값은 낮게 나오지만 모형 간 비교를 위해 참고자료로 사용하였다. 모형의 적합도(calibration)를 확인하기 위해 Hosmer-Lemeshow 검정방법을 이용하였는데, 예측된 값의 평균과 실제 결과의 평균의 차이가 적을수록 적합 오류(calibration error)가 적음을 의미한다. Hosmer-Lemeshow 통계량은 기대사망률을 10분위로 구분하여 각 그룹의 기대사망자 수와 실제사망자 수의 분포 간에 유의한 차이가 없을 때(p>0.
성능/효과
출혈성뇌졸중 위험보정 사망에 대한 로지스틱회귀모형의 분석 결과는 Table 5와 같다. 4개의 모형 모두에서 GCS는 사망위험에 통계적으로 유의했으며, 뇌졸중 유형에따른 사망위험 증가는 통계적으로 유의하지 않았다. GCS 점수는 범주형으로 넣었을 때보다 연속형으로 넣었을 때 C-통계량과 R2 값이 증가하는 양상을 보였다.
허혈성뇌졸중 위험보정 사망에 대한 로지스틱회귀모형의 분석결과는 Table 3과 같다. 4개의 모형 모두에서 성별, 연령, NIHSS 점수는 위험 예측에 통계적으로 유의한 변수였다. NIHSS는 범주형으로 넣었을 때보다 연속형으로 넣었을 때 C-통계량이 증가하는 양상을 보였다.
4개의 모형 모두에서 GCS는 사망위험에 통계적으로 유의했으며, 뇌졸중 유형에따른 사망위험 증가는 통계적으로 유의하지 않았다. GCS 점수는 범주형으로 넣었을 때보다 연속형으로 넣었을 때 C-통계량과 R2 값이 증가하는 양상을 보였다. 모형 H-3과 H-4에서 입원 후 30일 내 원내 사망에 유의하게 영향을 미치는 질환은 고혈압과 만성신부전으로, 고혈압은 사망위험을 낮추는 효과를, 만성신부전은 사망위험을 높이는 효과를 나타내었다.
4개의 모형 모두에서 성별, 연령, NIHSS 점수는 위험 예측에 통계적으로 유의한 변수였다. NIHSS는 범주형으로 넣었을 때보다 연속형으로 넣었을 때 C-통계량이 증가하는 양상을 보였다. 모형 I-3과 I-4에서 입원 후 30일 내 원내 사망에 유의하게 영향을 미치는 질환은 이상지질혈증으로 사망의 위험을 낮추는 방향으로 작용하였다.
개발된 4개의 모형 모두 C-통계량이 0.8 이상,Hosmer-Lemeshow 검정결과 p>0.05 이상으로 좋은 적합 결과를 보였다.
개발된 모형 중 3개의 모형(H-1, H-2, H-4)에서 C-통계량이 0.8 이상, Hosmer-Lemeshow 검정결과 p>0.05로 좋은 적합 결과를 보였다.
05 이상으로 좋은 적합 결과를 보였다. 그러나 검증자료를 개발한 모형에 적용하였을 때 모형 I-1을 제외한 3개의 모형에서 C-통계량은 높게 유지되었으나 Hosmer-Lemeshow 검정결과 적합도가 떨어지는 것을 확인할 수 있었다.
평가 전체 대상 기관 중 허혈성 뇌졸중의 경우 58%, 출혈성뇌졸중의 경우 36%만이 분석에 이용되었는데, 이렇게 많은 기관이 제외될 경우 병원별 결과 비교를 위한 위험보정은 그 의미가 줄어들 수 있다. 넷째, 급성기 뇌졸중 적정성 평가는 연중 3개월만 평가하고, 그 시기가 매년 다르므로 분석에 이용한 대상이 전체 뇌졸중 환자를 대표한다고 볼 수 없다. 또한 진료건수가 작은 병원의 경우 분석에 포함되지 않았는데 소규모 병원을 분석에 포함한다면 적은 사례 수로 인하여 모형 추정치의 정밀성이 더 낮아질 수 있을 것이다[14].
입원 후 30일 내 사망자와 생존자의 특성에 대하여 단변수 분석을 시행하였다(Table 2). 두 군 간 성별, 연령, NIHSS 점수, 흡연력에서 유의한 차이를 보였고, 동반질환 중에서는 심방세동, 부정맥, 울혈성심부전, 이상지질혈증, 만성폐쇄성폐질환에서 유의한 차이를 보였다. 병원 관련 요인을 살펴보면 상급종합병원이 종합병원보다 생존분율이 유의하게 높았으며, 생존군에서 병원의 병상 수와 3개월간 허혈성뇌졸중 진료건수가 유의하게 높았다.
입원 후 30일 내 사망자와 생존자의 특성에 대하여 단변수 분석을 시행하였다(Table 4). 두 군 간 성별과 연령은 유의한 차이가 없었고, 뇌졸중 유형, GCS 점수에서 유의한 차이를 보였다. 동반질환 중에서는 고혈압과 만성신부전 유무에서 유의한 차이를 보였다.
첫째, 이 연구를 위한 자료원은 평가기간 동안의 건강보험 진료비 청구자료와 급성기 뇌졸중 적정성 평가를 위해 수집된 조사표 자료이다. 두 자료원 모두 사망률 산출을 목적으로 수집되지 않아 뇌졸중 사망에 영향을 미치는 위험요인 중 환자의 의식 상태, 활력징후, 혈액검사와 같은 임상적인 상태에 대한 세부정보는 이용할 수 없었다. 둘째, 동반질환에 대해 현재 이용할 수 있는 자료는 건강보험 청구자료의 질병코드로, 병원별로 코딩의 차이가 있을 수 있으며 환자 상태보다는 급여 심사기준에 맞추어 코딩하였을 가능성이 있다[29].
05로 좋은 적합 결과를 보였다. 또한 이 모형들은 검증자료를 개발한 모형에 적용하였을 때에도 모형의 판별능력과 보정능력이 유지됨을 알 수 있었다. 모형 H-3은 개발자료와 검증자료에서 모두 Hosmer-Lemeshow 검정결과 p<0.
05로 적합능력이 조금 떨어졌다. 모든 모형에서 성별, 연령, NIHSS가 유의한 변수였으며, NIHSS가 높을수록 사망의 위험이 증가하였다. 기존의 연구들에서도 환자집단과 모형의 이질성에도 불구하고 뇌졸중 중증도 지표와 연령이 강한 예측인자로 일관되게 포함되었다[7-9].
GCS 점수는 범주형으로 넣었을 때보다 연속형으로 넣었을 때 C-통계량과 R2 값이 증가하는 양상을 보였다. 모형 H-3과 H-4에서 입원 후 30일 내 원내 사망에 유의하게 영향을 미치는 질환은 고혈압과 만성신부전으로, 고혈압은 사망위험을 낮추는 효과를, 만성신부전은 사망위험을 높이는 효과를 나타내었다. 개발된 모형 중 3개의 모형(H-1, H-2, H-4)에서 C-통계량이 0.
모형 H-3은 개발자료와 검증자료에서 모두 Hosmer-Lemeshow 검정결과 p<0.05로 적절하지 않은 모형으로 판단되었다.
01). 모형검증을 위한 2012년 자료에서는 분석대상자와 제외 대상자의 입원 후 30일 내 사망률이 각각 3.74%, 5.99%로 유의하게 달랐다.
동반질환 중에서는 고혈압과 만성신부전 유무에서 유의한 차이를 보였다. 병원 관련 요인을 살펴보면 뇌졸중 집중치료실이 있는 병원에서 유의하게 생존분율이 높았으며, 생존군과 사망군에서 병원 유형이나 병상수, 3개월간 출혈성뇌졸중 진료건수에서는 차이가 없었다.
두 군 간 성별, 연령, NIHSS 점수, 흡연력에서 유의한 차이를 보였고, 동반질환 중에서는 심방세동, 부정맥, 울혈성심부전, 이상지질혈증, 만성폐쇄성폐질환에서 유의한 차이를 보였다. 병원 관련 요인을 살펴보면 상급종합병원이 종합병원보다 생존분율이 유의하게 높았으며, 생존군에서 병원의 병상 수와 3개월간 허혈성뇌졸중 진료건수가 유의하게 높았다.
분석대상의 입원 후 30일 내 원내 사망률은 3.72%이었고, 분석 제외대상의 경우 5.41%로 통계적으로 유의한 차이를 보였다(p= 0.01). 모형검증을 위한 2012년 자료에서는 분석대상자와 제외 대상자의 입원 후 30일 내 사망률이 각각 3.
그러나 위험보정은 통계적인 절차로, 모형의 타당성을 평가하기 위해서는 우선적으로 임상적으로 신뢰할 수 있어야 한다. 세부적인 임상정보의 부족, 동반질환에 대한 병원별 코딩의 차이, POA와 HAC 구분의 어려움, 다양한 뇌졸중 중증도 지표의 사용, 진료건수가 적은 병원들의 존재 등으로 인하여 현 수준에서는 개발된 위험보정모형을 이용한 사망률로 병원별 결과를 비교하는 것은 잘못된 결과를 야기할 수 있다. 따라서 정확한 위험보정 사망률의 산출을 위하여 잠재적인 위험요인과 뇌졸중 사망과의 관련성과병원의 노력으로 뇌졸중 사망률을 감소시킬 수 있는지에 대한 추가 연구가 필요할 것이다.
따라서 위험보정을 위해 질병코드를 이용할 경우 병원별 코딩의 일관성이 먼저 확보되어야 하며, 동반질환의 발생시기의 수집이 필요하다. 셋째, 뇌졸중 중증도 지표로 NIHSS와 GCS만을 사용하였기 때문에 다른 뇌졸중 중증도 지표를 사용한 기관 및 환자는 분석에서 모두 제외되었다. 평가 전체 대상 기관 중 허혈성 뇌졸중의 경우 58%, 출혈성뇌졸중의 경우 36%만이 분석에 이용되었는데, 이렇게 많은 기관이 제외될 경우 병원별 결과 비교를 위한 위험보정은 그 의미가 줄어들 수 있다.
출혈성뇌졸중 사망위험 보정모형 중에서는 모형 H-1, H-2, H-4가 개발자료와 검증자료에서 모두 좋은 성과를 보였다. 이 중에서 성별, 연령, 뇌졸중유형, GCS(연속형)을이용한모형 H-2가선호되었고, GCS를 범주형으로 이용한 모형 H-1도 고려해볼 수 있겠다.
셋째, 뇌졸중 중증도 지표로 NIHSS와 GCS만을 사용하였기 때문에 다른 뇌졸중 중증도 지표를 사용한 기관 및 환자는 분석에서 모두 제외되었다. 평가 전체 대상 기관 중 허혈성 뇌졸중의 경우 58%, 출혈성뇌졸중의 경우 36%만이 분석에 이용되었는데, 이렇게 많은 기관이 제외될 경우 병원별 결과 비교를 위한 위험보정은 그 의미가 줄어들 수 있다. 넷째, 급성기 뇌졸중 적정성 평가는 연중 3개월만 평가하고, 그 시기가 매년 다르므로 분석에 이용한 대상이 전체 뇌졸중 환자를 대표한다고 볼 수 없다.
이 연구에서는 급성기 뇌졸중 적정성 평가자료를 이용하여 병원별 결과 비교를 위한 사망률 위험보정모형을 구축하고 그 타당성을 평가하였다. 허혈성뇌졸중 사망률 위험보정모형 중에서는 성별, 연령, NIHSS(범주형)을 이용한 모형 I-1이 개발자료와 검증자료에서 모두 가장 좋은 성과를 보였다. 나머지 3개의 모형은 검증자료에서 Hosmer-Lemeshow 검정결과 p<0.
후속연구
과거력이나 동반질환의 경우 정확하게 수집된 자료가 없어 평가기간의 건강보험 진료비 청구자료의 상병코드를 이용하였다. 그러나 상병코드의 경우에도 환자의 모든 동반 질환에 대해서는 알 수 없어 동반질환지수(comorbidity index)를 산출할 수 없었으며, 해당 질환이 발생한 시점도 확인할 수 없다는 제한점이 있었다. 병원 특성과 관련된 요인 중 병원의 교육수준과 병원별 연간 평균 뇌졸중 진료량에 대한 자료는 이용할 수 없었다(Table 1).
퇴원 후 30일 내 사망률의 경우에는 퇴원 후의 제공된 의료도 반영하게 되는데, 현실적으로 퇴원 후의 단계는 병원이 직접적으로 관리할 수 없기 때문에 병원의 노력으로 사망률을 낮출 수 있는 것에는 한계가 있다. 따라서 위험보정 사망률로 뇌졸중 진료의 질을 평가하기 위해서는 위험보정 사망률이 높은 병원이 낮은 병원에 비해 진료의 질적 수준이 낮은지, 병원이 노력하면 위험보정 사망률을 낮출 수 있는지, 병원 진료의 질과 관련된 사망을 잘 측정할 수 있는 방법에 대한 검증이 필요하다.
세부적인 임상정보의 부족, 동반질환에 대한 병원별 코딩의 차이, POA와 HAC 구분의 어려움, 다양한 뇌졸중 중증도 지표의 사용, 진료건수가 적은 병원들의 존재 등으로 인하여 현 수준에서는 개발된 위험보정모형을 이용한 사망률로 병원별 결과를 비교하는 것은 잘못된 결과를 야기할 수 있다. 따라서 정확한 위험보정 사망률의 산출을 위하여 잠재적인 위험요인과 뇌졸중 사망과의 관련성과병원의 노력으로 뇌졸중 사망률을 감소시킬 수 있는지에 대한 추가 연구가 필요할 것이다. 아울러 자료의 정확성을 제고하는 방안도 함께 고민해야 할 것이다.
넷째, 급성기 뇌졸중 적정성 평가는 연중 3개월만 평가하고, 그 시기가 매년 다르므로 분석에 이용한 대상이 전체 뇌졸중 환자를 대표한다고 볼 수 없다. 또한 진료건수가 작은 병원의 경우 분석에 포함되지 않았는데 소규모 병원을 분석에 포함한다면 적은 사례 수로 인하여 모형 추정치의 정밀성이 더 낮아질 수 있을 것이다[14].
질의응답
핵심어
질문
논문에서 추출한 답변
급성기 뇌졸중 적정성 평가의 기간과 시기와 발표 방법은 무엇인가?
급성기 뇌졸중 적정성 평가의 대상 환자는 뇌졸중(한국 표준 질병·사인 분류 I60-I63)을 주 상병으로 증상 발생 후 7일 이내 응급실을 통해 입원한 환자이며, 대상기관은 종합병원 이상의 의료기관이다. 평가기간은 연중 1회, 3개월(2016년부터는 6개월)로, 그 시기는 평가 연도별로 다르다. 평가결과는 병원별로 종합점수와 지표별 결과를 심평원 홈페이지를 통해 대중에게 공개하고 있다[2].
뇌혈관질환 발병 이후 생길 수 있는 후유증은 무엇인가?
뇌혈관질환은 우리나라 사망원인 중에서 단일 질환으로는 심장질환에 이어 2위에 해당하는 주요한 사망원인이며[1], 발병 이후 반신마비, 감각소실, 언어장애, 치매 등의 후유증으로 이어져 의료비의 부담을 가중시키고 있다[2]. 무엇보다 뇌혈관질환은 노인 인구에서의 발생률이 높은 질환이기 때문에[2,3], 고령화 사회에 접어든 우리나라에서 중요한 보건문제로 대두되고 있다.
고령화 사회에 접어든 우리나라에서 뇌혈관질환이 중요한 보건문제로 대두된 이유는?
뇌혈관질환은 우리나라 사망원인 중에서 단일 질환으로는 심장질환에 이어 2위에 해당하는 주요한 사망원인이며[1], 발병 이후 반신마비, 감각소실, 언어장애, 치매 등의 후유증으로 이어져 의료비의 부담을 가중시키고 있다[2]. 무엇보다 뇌혈관질환은 노인 인구에서의 발생률이 높은 질환이기 때문에[2,3], 고령화 사회에 접어든 우리나라에서 중요한 보건문제로 대두되고 있다. 이에 정부에서는 2006년부터 심·뇌혈관질환 종합대책을 수립하여 위험요인을 관리하고, 심·뇌혈관질환 관리센터를 운영하는 등의 다각적인 노력을 기울이고 있다.
참고문헌 (31)
Statistics Korea. Statistics for cause of death 2014 [Internet]. Daejeon: Statistics Korea; 2014 [cited 2016 Aug 4]. Avaliable from: http://www.index.go.kr/potal/main/EachDtlPageDetail.do?idx_cd1012.
Health Insurance Review and Assessment Service. 2014 Acute stroke assessment report [Internet]. Wonjul: Health Insurance Review and Assessment Service; 2014 [cited 2016 Aug 4]. Avaliable from: http://www.hira.or.kr/re/diag/getDiagEvlList.do?pgmidHIRAA030004000000.
Mozaffarian D, Benjamin EJ, Go AS, Arnett DK, Blaha MJ, Cushman M, et al. Heart disease and stroke statistics: 2015 update: a report from the American Heart Association. Circulation 2015;131(4):e29-e322. DOI: https://doi.org/10.1161/CIR.0000000000000152.
Mainz J. Defining and classifying clinical indicators for quality improvement. Int J Qual Health Care 2003;15(6):523-530. DOI: https://doi.org/10.1093/intqhc/mzg081.
Mant J. Process versus outcome indicators in the assessment of quality of health care. Int J Qual Health Care 2001;13(6):475-480. DOI: https://doi.org/10.1093/intqhc/13.6.475.
Pitches DW, Mohammed MA, Lilford RJ. What is the empirical evidence that hospitals with higher-risk adjusted mortality rates provide poorer quality care?: a systematic review of the literature. BMC Health Serv Res 2007;7:91. DOI: https://doi.org/10.1186/1472-6963-7-91.
Smith EE, Shobha N, Dai D, Olson DM, Reeves MJ, Saver JL, et al. Risk score for in-hospital ischemic stroke mortality derived and validated within the Get With the Guidelines-Stroke Program. Circulation 2010;122(15):1496-1504. DOI: https://doi.org/10.1161/CIRCULATIONAHA.109.932822.
Adams HP Jr, Davis PH, Leira EC, Chang KC, Bendixen BH, Clarke WR, et al. Baseline NIH Stroke Scale score strongly predicts outcome after stroke: a report of the Trial of Org 10172 in Acute Stroke Treatment (TOAST). Neurology 1999;53(1):126-131. DOI: https://doi.org/10.1212/wnl.53.1.126.
Counsell C, Dennis M, McDowall M, Warlow C. Predicting outcome after acute and subacute stroke: development and validation of new prognostic models. Stroke 2002;33(4):1041-1047. DOI: https://doi.org/10.1161/hs0402.105909.
Katzan IL, Spertus J, Bettger JP, Bravata DM, Reeves MJ, Smith EE, et al. Risk adjustment of ischemic stroke outcomes for comparing hospital performance: a statement for healthcare professionals from the American Heart Association/American Stroke Association. Stroke 2014;45(3):918-944. DOI: https://doi.org/10.1161/01.str.0000441948.35804.77.
Smith EE, Shobha N, Dai D, Olson DM, Reeves MJ, Saver JL, et al. A risk score for in-hospital death in patients admitted with ischemic or hemorrhagic stroke. J Am Heart Assoc 2013;2(1):e005207. DOI: https://doi.org/10.1161/JAHA.112.005207.
Tabak YP, Johannes RS, Silber JH. Using automated clinical data for risk adjustment: development and validation of six disease-specific mortality predictive models for pay-for-performance. Med Care 2007;45(8):789-805. DOI: https://doi.org/10.1097/mlr.0b013e31803d3b41.
Kai S, Jiaoyan Q, Weihua S, Yinhui Z, Channa Z, Li S, et al. Low estimated glomerular filtration rate is associated with high recurrence rate and poor prognosis of hemorrhage stroke. Curr Neurovasc Res 2015;12(2):109-119. DOI: https://doi.org/10.2174/1567202612666150305110709.
Iezzoni LI, Risk adjustment for measuring health care outcomes. 3rd ed. Chicago (IL): Health Adminstration Press; 2003.
Lane-Fall MB, Neuman MD. Outcomes measures and risk adjustment. Int Anesthesiol Clin 2013;51(4):10-21. DOI: https://doi.org/10.1097/AIA.0b013e3182a70a52.
Iezzoni LI, Shwartz M, Ash AS, Mackiernan YD. Predicting in-hospital mortality for stroke patients: results differ across severity-measurement methods. Med Decis Making 1996;16(4):348-356. DOI: https://doi.org/10.1177/0272989x9601600405.
Centers for Medicare and Medicaid Services. Outcome measures [Internet]. Baltimore (MD): Centers for Medicare and Medicaid Services; 2015 [cited 2016 Oct 11]. Avaliable from: https://www.cms.gov/medicare/quality-initiatives-patient-assessment-instruments/hospitalqualityinits/outcomemeasures.html.
Canadian Institute for Health Information. HSMR: a new approach for measuring hospital mortality trends in Canada [Internet]. Ottawa (ON): Canadian Institute for Health Information; 2007 [cited 2016 Oct 11]. Available from: https://secure.cihi.ca/free_products/HSMR_hospital_mortality_trends_in_canada.pdf.
National Health Performance Authority. Towards public reporting of standardised hospital mortality in Australia [Internet]. Sydney (NSW): National Health Performance Authority; 2016 [cited 2016 Oct 11]. Available from: http://www.nhpa.gov.au/internet/nhpa/publishing.nsf/Content/0D85279DAD3E50E8CA257F56001F92FA/$File/Mortality_update_FINAL%20RELEASE_27Jan16.pdf.
Saposnik G, Baibergenova A, O'Donnell M, Hill MD, Kapral MK, Hachinski V, et al. Hospital volume and stroke outcome: does it matter? Neurology 2007;69(11):1142-1151. DOI: https://doi.org/10.1212/01.wnl.0000268485.93349.58.
Reeves MJ, Smith E, Fonarow G, Hernandez A, Pan W, Schwamm LH, et al. Off-hour admission and in-hospital stroke case fatality in the get with the guidelines-stroke program. Stroke 2009;40(2):569-576. DOI: https://doi.org/10.1161/STROKEAHA.108.519355.
Tung YC, Chang GM, Chen YH. Associations of physician volume and weekend admissions with ischemic stroke outcome in Taiwan: a nationwide population-based study. Med Care 2009;47(9):1018-1025. DOI: https://doi.org/10.1097/MLR.0b013e3181a81144.
Xian Y, Holloway RG, Chan PS, Noyes K, Shah MN, Ting HH, et al. Association between stroke center hospitalization for acute ischemic stroke and mortality. JAMA 2011;305(4):373-380. DOI: https://doi.org/10.1001/jama.2011.22.
Bravata DM, Wells CK, Lo AC, Nadeau SE, Melillo J, Chodkowski D, et al. Processes of care associated with acute stroke outcomes. Arch Intern Med 2010;170(9):804-810. DOI: https://doi.org/10.1001/archinternmed.2010.92.
Hacke W, Kaste M, Bluhmki E, Brozman M, Davalos A, Guidetti D, et al. Thrombolysis with alteplase 3 to 4.5 hours after acute ischemic stroke. N Engl J Med 2008;359(13):1317-1329. DOI: https://doi.org/10.1056/NEJMoa0804656.
Higginson IJ, Sen-Gupta GJ. Place of care in advanced cancer: a qualitative systematic literature review of patient preferences. J Palliat Med 2000;3(3):287-300. DOI: https://doi.org/10.1089/jpm.2000.3.287.
Bae SO, Kang GW. A comparative study of the disease codes between Korean National Health Insurance claims and Korean national hospital discharge in-depth injury survey. Health Policy Manag 2014;24(4):322-329. DOI: https://doi.org/10.4332/KJHPA.2014.24.4.322.
Mohammed MA, Deeks JJ, Girling A, Rudge G, Carmalt M, Stevens AJ, et al. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ 2009;338: b780. DOI: https://doi.org/10.1136/bmj.b780.
Nicholl J. Case-mix adjustment in non-randomised observational evaluations: the constant risk fallacy. J Epidemiol Community Health 2007; 61(11):1010-1013. DOI: https://doi.org/10.1136/jech.2007.061747.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.