[논문]병원 외래환자의 예약부도 요인

민대기; 구훈영

doi:10.7838/jsebs.2017.22.1.037

병원 외래환자의 예약부도 요인
No-Show Related Factors for Outpatients at a Hospital 원문보기

한국전자거래학회지 = The Journal of Society for e-Business Studies, v.22 no.1, 2017년, pp.37 - 49

민대기 (School of Business, Ewha Womans University) , 구훈영 (School of Business, Chungnam National University)

초록
AI-Helper

병원 진료의 효율성과 진료 품질의 극대화를 위해 진료예약을 시행하고 있다. 그러나 예약일에 방문하지 않는 예약부도로 인해 의료서비스 자원이 낭비되고 다른 환자의 진료기회를 박탈하는 등 현대 병원 운영에서 주요한 이슈의 하나로 떠오르고 있다. 이러한 예약부도의 원인을 분석하기 위해 미국의 한 보훈병원의 5만 건 진료예약 데이터를 대상으로 예약부도 요인의 중요도와 유의성을 검정하였다. 랜덤 포레스트와 로지스틱 회귀분석 결과, 예약대기시간, 방문율, 내원거리, 예약부도율, 환자 나이, 중증도, 질병의 복합도, 만성통증, 우울증, 약물의존 등이 주요한 원인으로 파악되었다. 예약대기시간과 방문율, 내원거리, 예약부도율은 SMS 사전 통지를 강화하고 사후 전화 상담을 통해 점진적으로 개선 가능할 것으로 판단되며 기타 요인에 대해서는 환자 그룹별로 차별화된 대응방안을 구성하는 것을 고려해 볼 수 있다.

Abstract ▼ AI-Helper

In order to maximize the efficiency and the quality of care in a hospital, hospitals in general operate by appointments. Patient no-shows or missed appointments waste the time of staffs who prepare for appointments, deprive patients of needed care, and increase burden on clinic capacity. The purpose of this study is to examine the importance and significance of factors that affect patient no-shows. The actual data of 50,000 outpatient appointments is compiled and analyzed from a VAMC in the United States with aims to identify the factors that contribute to outpatient no-shows and to draw meaningful implications. Random forest along with logistic regression analysis identify the factors affecting no-shows; appointment leadtime, show-up rate, travel distance, no-show rate in previous period, patient age, severity, complexity of disease, chronic pain, depression, drug dependence. The appointment leadtime, show-up rate, travel distance and previous no-show rate can be improved by enhancing SMS pre-notification and by improving afterwards telephone counseling. For other factors, it needs to study on the service differentiation with the characteristics of each patient group.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

나이, 거주지로부터 병원까지의 내원거리, 교육년수, 성별 등 환자의 인적사항에 따라서 예약부도 여부에 차이가 있는지를 살펴보았다. [Table 1]에 제시된 통계분석 결과를 살펴보면 예약부도 여부에 따라서 나이, 내원거리, 교육수준의 평균값에 차이가 있는 것을 확인할 수 있었으나, 성별에 따른 차이는 확인되지 않았다.
진료비, 진료과, SMS 수신여부, 수납 여부 등은 데이터 확보의 한계로 포함할 수 없었다. 대신 병력에 대한 상세 정보를 포함하여 특정 통증이나 병력에 따른 예약부도 영향을 분석하고자 하였다.
또한 일부 질병/증상의 유무가 예약부도에 유의미한 영향을 미치지만 12개의 질병/증상을 개별적으로 고려하는 것은 의료현장에서의 활용도 측면에서 적절하지 않은 것으로 판단된 다. 따라서 본 연구에서는 개별 환자가 갖고 있는 질병/증상의 수가 예약부도에 미치는 영향을 분석하기 위하여 질병코드를 이용하였 다. 예약부도에 따른 질병코드의 평균값 차이를 살펴보면 많은 질병/증상을 보유한 환자일수록 예약부도 발생 가능성이 낮은 것을 알수 있다.
본 연구에서는 개별 질병/증상에 의한 부도 예약 효과와 함께 환자의 전반적인 상태를 나타내기 위하여 질병코드를 사용하였다. 질병코드는 각 질병의 유무를 0과 1의 이진수로 나타내고, 환자별로 12개 질병에 대한 이진수 값을 모두 더한 것을 의미한다.
본 연구에서는 관련 연구와의 연속성을 유지하며 예약부도의 원인을 특정하고 향후 예측 및 정책 수립에 활용할 수 있도록 특정병원의 진료예약데이터 5만여 건을 활용하여 분석 하고자 한다. 이를 통해 외래환자의 예약부도 요인을 확인하고 예약부도에 대한 대응방안에 시사점을 제공하고자 한다.
본 연구에서는 미국 인디애나폴리스에 위치한 VAMC(Veterans Administration Medical Center)의 진료예약 자료를 이용하여 예약부도에 영향을 미치는 요인을 분석하였다. VAMC는 우리나라의 보훈병원과 같이 퇴역군인들을 대상으로 하는 의료기관이다.
본 연구에서는 미국의 한 보훈병원의 진료 예약데이터 5만 건을 활용하여 예약부도에 영향을 주는 주요 요인을 분석하였다. 기존 문헌과의 연속성과 데이터의 가용성을 고려하고, 차이검정을 통해 22개의 요인을 1차적으로 선별하였다.
예약부도 요인을 확인하기 위하여 본 연구 에서는 정상방문과 예약부도가 발생한 진료예 약을 두 그룹으로 구분하고 두 그룹 사이에 요인별 값에 있어 통계적으로 유의미한 차이가 존재하는지 확인하도록 한다. 문헌연구를 통하여 통계적 유의성 검정에서 검토한 예약부도 요인은 인적특성, 임상특성, 예약특성 등의 세 유형으로 구분하여 고려하였다.
이는 각 변수가 목표 변수를 구분하는데 기여도를 의미하는 것으로 통계적인 검정은 어렵지만 실증적으로 예약부도 예측을 위한 분류의 정확도에 기여하는 수준을 측정하는데 도움을 준다. 예약부도를 구별해내는데 기여가 큰 요인들을 1차적으로 선별함으로써 실증적으로 의미있는 요인들에 대해서 범위를 좁혀 통계적 유의성을 검증하고자 하였다.
본 연구에서는 관련 연구와의 연속성을 유지하며 예약부도의 원인을 특정하고 향후 예측 및 정책 수립에 활용할 수 있도록 특정병원의 진료예약데이터 5만여 건을 활용하여 분석 하고자 한다. 이를 통해 외래환자의 예약부도 요인을 확인하고 예약부도에 대한 대응방안에 시사점을 제공하고자 한다.
환자가 보유하고 있는 질병 또는 증상에 따라서 예약부도 발생에 차이가 있는지 살펴보 았다. 본 연구에서 고려한 12개 질병/증상 별 예약부도 발생 빈도와 카이제곱 검정 결과, 고지혈증(Hyperlipidemia), 당뇨(Diabete), 우울증 (Major Depression), 만성폐쇄성폐질환(COPD), 고혈압(HTN), 심장질환(CAD), 약물의존(Drug Dependence Abuse), 심방세동(Atrial Fibrilation) 은 예약부도 발생에 유의미한 영향을 미치는 것을 확인할 수 있었다.

제안 방법

본 연구에서는 미국의 한 보훈병원의 진료 예약데이터 5만 건을 활용하여 예약부도에 영향을 주는 주요 요인을 분석하였다. 기존 문헌과의 연속성과 데이터의 가용성을 고려하고, 차이검정을 통해 22개의 요인을 1차적으로 선별하였다. 예약부도 여부를 종속변수로 분류의 정확도에 영향을 미치는 요인을 랜덤포레스트의 지니 중요도를 기준으로 12개의 요인을 선별하였다.
랜덤 포레스트 적용에 있어 R(v3.2.4)의 Randomforest 함수를 사용하였고 생성시키는 나무의 수를 500개로 하고 나무의 분지에 사용되는 변수의 수 등은 기본 설정을 사용하여 분석하였다([Table 2]참조). 랜덤 포레스트 실행 과정에서 의사결정나무의 분지 원리와 동일한 척도를 사용하는 Gini 중요도를 이용하여 각 변수의 중요도를 측정할 수 있다.
마지막으로 질병코드와 함께 환자의 전반적인 중증도 상태를 나타내는 지표로 찰슨동반 질환지수를 고려하였다. 찰슨동반질환지수의 경우 수치값이 높을수록 환자의 동반질환이 많고 중증도가 높음을 의미한다.
예약부도 요인을 확인하기 위하여 본 연구 에서는 정상방문과 예약부도가 발생한 진료예 약을 두 그룹으로 구분하고 두 그룹 사이에 요인별 값에 있어 통계적으로 유의미한 차이가 존재하는지 확인하도록 한다. 문헌연구를 통하여 통계적 유의성 검정에서 검토한 예약부도 요인은 인적특성, 임상특성, 예약특성 등의 세 유형으로 구분하여 고려하였다.
앞서 고려했던 환자의 인적특성과 임상특성은 진료예약 시점과 독립적인 정적특성이었다 면, 예약특성은 진료예약의 시점과 관련있는 동적특성을 갖는다. 본 연구는 예약요일, 재진여 부, 예약대기시간 등의 예약특성을 고려하였다.
본 연구에서 고려되는 요인은 기존 문헌연구의 요인들을 가능한 한 많이 포함하고자 하였으며 일부 데이터의 한계나 사회적, 환경적 특성차이로 선별하여 사용되었다. 예약부도 원인에 대한 조사 문헌에서 사용된 요인 중에서는 예약일 잊음, 개인 사정 등은 데이터화될 수없는 사후적인 조사 정보이므로 포함시킬 수 없었으며 통증, 예약 대기시간, 거리를 분석 대상 요인으로 포함하였다.
기존 문헌과의 연속성과 데이터의 가용성을 고려하고, 차이검정을 통해 22개의 요인을 1차적으로 선별하였다. 예약부도 여부를 종속변수로 분류의 정확도에 영향을 미치는 요인을 랜덤포레스트의 지니 중요도를 기준으로 12개의 요인을 선별하였다. 선별된 요인에 대한 통계적 유의성과 인과관계의 방향성을 확인하기 위해 로지스틱 회귀분석을 수행하였다.
이진 종속변수에 대한 데이터분석에 있어 분류의 정확도가 높은 방법의 하나로 알려진 랜덤 포레스트(random forest)를 이용하여 해당 데이터로부터 추출할 수 있는 예약부도에 대한 주요 요인을 분석하였다[23]. 랜덤 포레스트는 의사결정나무를 배깅(bagging)하는 방식으로 하나의 의사결정나무처럼 분류의 구조를 명확히 보여주지는 못하지만 분류 정확도에 영향을 주는 주요한 요인을 도출하기에 적절한 방법이다.
진료예약 데이터를 이용한 연구에서 사용된 요인들 중 가장 많이 주목받은 나이, 예약 대기 시간, 거리, 병원 방문회수, 예약부도율, 성별, 병력, 학력을 포함하였다. 진료비, 진료과, SMS 수신여부, 수납 여부 등은 데이터 확보의 한계로 포함할 수 없었다.

대상 데이터

수집한 데이터는 개인을 식별할 수 있는 정보를 제외한 나이, 성별, 거주지, 질병이력, 학력과 같은 환자의 기본 인적사항과 함께 진료예약일자, 실제 내원일자, 재진 여부, 예약부도 여부 등의 진료예약 자료, 그리고 방문당일 담당 의료진, 내원시간, 진료시간, 진료내역 등을 포함하고 있다. 수집한 데이터 중에서 본 연구의 목적인 예약부도 요인 분석을 위하여 사전 문헌연구와 검토를 통하여 일부 자료만을 선별하여 활용하였다.
일부 자료 값이 미흡하거나 진료예약 데이터가 명확하지 않은 자료를 제외하고 실제 분석에는 49,995건의 진료예약자료를 본 연구에 사용하였다. 수집한 데이터는 개인을 식별할 수 있는 정보를 제외한 나이, 성별, 거주지, 질병이력, 학력과 같은 환자의 기본 인적사항과 함께 진료예약일자, 실제 내원일자, 재진 여부, 예약부도 여부 등의 진료예약 자료, 그리고 방문당일 담당 의료진, 내원시간, 진료시간, 진료내역 등을 포함하고 있다. 수집한 데이터 중에서 본 연구의 목적인 예약부도 요인 분석을 위하여 사전 문헌연구와 검토를 통하여 일부 자료만을 선별하여 활용하였다.
외래환자의 2년 동안(2003～2004년)의 진료 예약 자료 약 75,500건을 취합하였으며, 남성 6,940명, 여성 117명으로 총 7,057명의 외래환자 자료를 대상으로 하였다. 일부 자료 값이 미흡하거나 진료예약 데이터가 명확하지 않은 자료를 제외하고 실제 분석에는 49,995건의 진료예약자료를 본 연구에 사용하였다.
외래환자의 2년 동안(2003～2004년)의 진료 예약 자료 약 75,500건을 취합하였으며, 남성 6,940명, 여성 117명으로 총 7,057명의 외래환자 자료를 대상으로 하였다. 일부 자료 값이 미흡하거나 진료예약 데이터가 명확하지 않은 자료를 제외하고 실제 분석에는 49,995건의 진료예약자료를 본 연구에 사용하였다. 수집한 데이터는 개인을 식별할 수 있는 정보를 제외한 나이, 성별, 거주지, 질병이력, 학력과 같은 환자의 기본 인적사항과 함께 진료예약일자, 실제 내원일자, 재진 여부, 예약부도 여부 등의 진료예약 자료, 그리고 방문당일 담당 의료진, 내원시간, 진료시간, 진료내역 등을 포함하고 있다.

데이터처리

각 변수가 예약부도 여부에 미치는 영향과 방향성을 분석하기 위하여 예약부도 여부를 종속변수(no-show = 1, show-up = 0)로 하는 이항로지스틱 회귀분석을 수행하였다([Table 3]참조). 분석 결과에 의하면 본 연구에서 고려한 12개의 변수 중에서 우울증을 제외한 모든 변수가 예약부도에 유의미한 영향을 미치는 것으로 확인되었다.
개별 요인이 예약부도에 미치는 영향을 분석하기 위하여 통계검정을 수행하였다. 내원거리, 예약대기시간 등과 같은 수치자료의 경우에는 예약부도 여부를 기준으로 구분된 두 그룹사이의 평균 값 차이에 대한 t검정을 수행하였다.
개별 요인이 예약부도에 미치는 영향을 분석하기 위하여 통계검정을 수행하였다. 내원거리, 예약대기시간 등과 같은 수치자료의 경우에는 예약부도 여부를 기준으로 구분된 두 그룹사이의 평균 값 차이에 대한 t검정을 수행하였다. 또한 성별, 질병의 유무 등과 같은 명목 자료에 대해서는 각 그룹에 속하는 진료예약 빈도에 대한 카이제곱 검정을 수행하였다.
내원거리, 예약대기시간 등과 같은 수치자료의 경우에는 예약부도 여부를 기준으로 구분된 두 그룹사이의 평균 값 차이에 대한 t검정을 수행하였다. 또한 성별, 질병의 유무 등과 같은 명목 자료에 대해서는 각 그룹에 속하는 진료예약 빈도에 대한 카이제곱 검정을 수행하였다. 개별 요인에 따른 예약부도 수준의 차이가 유의 하다면 해당 요인들을 추가적인 분석에 적용 하는 것을 고려할 수 있다.
예약부도 여부를 종속변수로 분류의 정확도에 영향을 미치는 요인을 랜덤포레스트의 지니 중요도를 기준으로 12개의 요인을 선별하였다. 선별된 요인에 대한 통계적 유의성과 인과관계의 방향성을 확인하기 위해 로지스틱 회귀분석을 수행하였다. 유의한 요인 중 가장 큰 영향을 미치는 요인으로 이전 기록의 예약부도율이 압도적이었으며 이는 기존 문헌의 반복된 지적과 동일한 결과이다.
진료예약 데이터를 이용한 연구에서는 명목형 종속변수 분석에 사용되는 로지스틱 회귀 분석을 통해 예약부도에 영향을 주는 요인을 판별하였다[7]. 3만 건의 외래진료에 대한 로지스틱 회귀분석의 결과 낮은 연령, 미혼, 겨울, 병원 방문회수, 예약대기시간이 2주 이상, 장거리 등이 예약부도율이 유의하게 높은 경우였다[4].

이론/모형

따라서 질병코드의 값이 클수록 보다 많은 질병 또는 증상을 보유 하고 있음을 나타낸다. 질병코드와 함께 환자의 상태를 나타내는 수치로 찰슨동반질환지수 (Charlson Index)를 고려하였다[4].

성능/효과

진료예약 데이터를 이용한 연구에서는 명목형 종속변수 분석에 사용되는 로지스틱 회귀 분석을 통해 예약부도에 영향을 주는 요인을 판별하였다[7]. 3만 건의 외래진료에 대한 로지스틱 회귀분석의 결과 낮은 연령, 미혼, 겨울, 병원 방문회수, 예약대기시간이 2주 이상, 장거리 등이 예약부도율이 유의하게 높은 경우였다[4]. 이중에서 가장 중요한 요인으로는 병원 방문회수와 이전의 예약부도율로 파악되었다.
나이가 상대적으로 젊고, 교육수준이 높은 환자의 경우 예약부도율이 높은 것을 확인활수 있었다. 내원거리의 경우 병원에서 멀리 떨어진 곳에 거주하는 환자의 경우 예약부도가 빈번하게 발생하였다.
인구사회학적 정보와 진료기록을 이용해 예약 부도를 예측한 연구에서는 로지스틱 회귀분석과 베이지안 추론을 통해 성별, 나이, 결혼여부, 보험종류, 이전 방문기록이 중요한 요인으로 평가되었다[1]. 대장내시경 검사에 대한 예약부도 예측에서는 예약부도를 예측함으로써 질병의 위험성을 낮추고 내시경 의료시스템의 자원 활용을 증가시킬 수 있다고 주장하였으며, 로지스틱 회귀분석을 이용한 결과 성별, 병력, 예약대기시간, 교육수준, 예약취소 회수가 주요요인으로 나타났다[2]. 예약취소를 제외하거나 예약부도와 묶어 생각하던 이전의 논문들과 다르게 진료도착, 예약취소 그리고 예약부 도를 구분하여 분석한 연구에서는 로지스틱 회귀분석 결과 예약대기시간, 의료보험 종류, 나이 그리고 과거 방문 기록이 주요 요인으로 나타났다[17].
다른 연구에서 다루지 않았던 질병/증상 요인 중에서 약물의존, 우울증, 만성통증의 유의한 영향은 예약부도 관리에 있어 새로운 시사점을 줄 수 있다. 또한 질병코드와 찰슨동반질환지수의 유의한 영향은 질병의 복합도와 중증도 또한 예약부도에 있어 유의미한 요인임을 확인해주었다. 내원거리의 경우 유의하지만 영향의 크기가 상대적으로 크지 않은 것은 거리와 예약부도의 관계가 선형의 비례관계가 아니라 근거리와 장거리에서 예약부도율이 높은 비선형적 관계에서 기인하는 것으로 추정된다.
하지만 상세하게 살펴보면 내원거리와 예약부도율 사이에는 단순한 선형적 관계보다는 유(U)자형의 비선형 관계가 존재함을 알 수 있었다. 병원으로부터 거주 지의 거리가 아주 작거나 먼 경우에 예약부도 율이 상대적으로 증가하며, 중간 거리의 경우 예약부도율이 가장 작아지는 것을 나타내었다.
환자가 보유하고 있는 질병 또는 증상에 따라서 예약부도 발생에 차이가 있는지 살펴보 았다. 본 연구에서 고려한 12개 질병/증상 별 예약부도 발생 빈도와 카이제곱 검정 결과, 고지혈증(Hyperlipidemia), 당뇨(Diabete), 우울증 (Major Depression), 만성폐쇄성폐질환(COPD), 고혈압(HTN), 심장질환(CAD), 약물의존(Drug Dependence Abuse), 심방세동(Atrial Fibrilation) 은 예약부도 발생에 유의미한 영향을 미치는 것을 확인할 수 있었다. 이에 반해 치매(Dementia), 만성통증(Chronic Pain), 전이성고형종양(Metastatic Solid Tumor), 뇌졸중(Stroke)은 유의한 차이를 확인할 수 없었다.
각 변수가 예약부도 여부에 미치는 영향과 방향성을 분석하기 위하여 예약부도 여부를 종속변수(no-show = 1, show-up = 0)로 하는 이항로지스틱 회귀분석을 수행하였다([Table 3]참조). 분석 결과에 의하면 본 연구에서 고려한 12개의 변수 중에서 우울증을 제외한 모든 변수가 예약부도에 유의미한 영향을 미치는 것으로 확인되었다. 특히, 교차비를 기준으로 예약 부도율이 11.
찰슨동반질환지수의 경우 수치값이 높을수록 환자의 동반질환이 많고 중증도가 높음을 의미한다. 분석결과를 살펴보면 예약부도 환자의 경우 찰슨동반질환 지수의 평균값이 낮아 건강상태가 상대적으로 좋은 환자에서 예약부도가 발생함을 알 수 있었다.
한 소아과 진료데터를 로지스틱 회귀분석 결과에서는 나이가 많을수록 예약부도 비율이 높게 나타났는데 이는 소아과 환자를 대상으로 한 것이므로 어린 소아에 비해 연령이 높은 소아나 청소년의 경우 예약부도 경향이 증가하는 것으로 해석할 수 있다 [21]. 서울의 한 대학병원의 외래환자에 대해 조사된 연구로 긴 예약대기시간, 낮은 연령, 궂은 날씨가 예약부도 가능성을 떨어뜨리고 서울에 거주하는 환자에 비해 서울 외에 거주하는 환자의 예약부도 가능성이 낮았다. 예약시 간별로는 오후 5시 이후, 요일별로는 토요일의 예약부도율이 높았다[8, 9, 12, 22].
1 수준의 유의성을 최소 기준으로 선별하였다. 선별된 요인은 22개로 인적특성 중 나이, 내원거리, 교육년수, 성별, 방문율, 예약부도율, 임상 특성 중 12개 질병/증상 여부, 질병코드, 찰슨동반질환지수, 예약특성 중 예약대기시간, 재진 여부이다.
과거 예약부도율과 함께 정상적인 방문율에 따른 차이를 고려하였다. 예약부도 발생여부에 따라 방문율에 다소 차이가 발생하였으나, 예약부도율이 보다 많은 영향을 미치는 것을 확인하였다.
재진인 경우 처음 방문하는 진료예약과 비교하여 예약부도 발생 가능성이 높아졌다. 예약부도가 발생한 환자의 과거 평균 예약부도율은 예약부도가 발생하지 않은 경우에 비하여 2배 이상 높은 것으로 확인되었다. 이는 과거 예약부도가 많이 발생한 환자에 게서 다시 예약부도가 발생한 가능성이 높다는 것을 의미한다.
요인들 중에서 예약부도율, 방문율, 교육수준, 예약대기시간, 내원거리, 찰슨동반질환지수, 재진여부, 약물의존은 예약부도와 정(+)의 관계를 보였다. 이는 방문회수가 많고 이전 예약에서 부도비율이 높을수록 예약부도 가능성이 높다는 것이다.
문헌연구에 의하면 나이가 적을수록 그리고 내원거리가긴 경우에 예약부도 확률이 높아지는 것으로 알려져 있다[4]. 임상특성은 외래환자가 갖고 있는 질병/증상의 유형을 나타내며, 본 연구에서 취합한 데이터에서는 당뇨 등 총 12개의 질병/증상 유형을 제시하고 있다. 환자가 갖고 있는 질병/증상의 특성에 따라서 예약부도와 정상방문이 영향을 받을 수 있음을 예상할 수 있다.
예약대기기간의 경우 문헌연구에서도 확인 바와 같이 예약대기시간이 길수록 예약부도가 발생하였다([Figure 1]참조). 특히 일정 기간(약 360일)이후에는 예약부도율이 급격하게 증가하는 것을 확인할 수 있었다. 방문예정 시점과 비교하여 오래전에 진료예약을 한 경우 진료예약 일정을 잊거나 잘못 기억하는 경우가 발생하므로 부도예약의 발생 가능성이 증가하는 것은 당연하다 할 수 있다.

후속연구

본 연구는 60대 이상의 노년층이 환자인 진료예약데이터에 대한 분석이므로 노인 전문 병원이나 보훈 병원 등에 대한 예약부도 관리에 고려될 수 있을 것으로 판단된다. 그러나 문화적, 시대적 차이가 존재하므로 적용 시 보수적 접근을 고려하는 것이 바람직하며 일반 대형 병원 등에 일반화하기에는 한계가 있을 수 있다.
예약대기시간의 경우, 진료예약일 가까운 시일에 SMS 활용하면 짧은 예약대기시간의 효과를 기대할 수 있을 것이며 이는 기존의 일반적인 대응방안인 SMS 통지의 효과를 재확인해준다. 제한된 자원을 효과적으로 활용하기 위하여 SMS 통지와 전화상담 등의 선별적 대응이 가능할 것이다. 내원거리가 먼 경우, 나이가 적은 환자 등을 중점적으로 SMS 통지나 예약 재확인 등을 진행하는 것이 바람직하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	예약부도는 무엇을 말하는가?	그러나, 예약을 한 후해당 예약일에 병원에 오지 않는 경우, 적절한 치료를 받지 못할 수 있고, 다른 환자의 예약기 회를 박탈하게 되고, 의료서비스 자원도 낭비 하게 된다. 이렇게 예약일 이전에 예약변경 또는 취소하지 않고 해당 진료일에 병원에 오지 않는 경우를 예약부도(no-show 또는 missed apponintment)라 한다. 이러한 예약부도는 진료예약을 이중으로 받아 손실을 보전하려 하게 하고, 이를 보완하기 위해 백업자원들도 준비해야 한다.
	예약부도율이 일정 수준을 넘는 환자는 조사할 때 다르게 취급해야 하는 이유는?	이상의 대응에서도 예약부도율이 일정 수준을 넘는 환자의 경우, 예약부도 원인을 개별적으로 파악하여 대응하는 방안도 고려해 볼 수있다. 방문회수가 늘어날수록 예약부도율도 늘어나므로 방문율과 예약부도율 모두 높은 환자 그룸에 대한 차별적 대응이 필요하다.
	예약부도 원인을 분석한 결과, 비율과 원인이 각각 어떻게 나타나는가?	예약부도 원인에 대한 연구로 5천 건에서 14 만 건의 외래진료 예약 건에 대한 분석결과 11%에서 25%까지의 예약부도율을 보였으며, 예약일 잊음, 일정 충돌 등의 개인사정이 예약 부도 원인의 다수를 차지하였다[6, 14, 18]. 예약부도 원인에 대한 또 다른 이유로는 의사소통 문제에 의한 예약오류, 초진 시간 대기시간, 증세 호전, 날씨, 교통수단, 통증, 근무 시간중 방문 문제, 먼 거리와 보험 미가입 등이 추가적인 예약부도 사유로 조사되었다[19, 20, 21].

참고문헌 (23)

Alaeddini, A., Yang, K., Reddy, C. and Yu, S., "A probabilistic model for predicting the probability of no-show in hospital appointments," Health care management science, Vol. 14, No. 2, pp. 146-157, 2011.

상세보기
Blumenthal, D. M., Singal, G., Mangla, S. S., Macklin, E. A., and Chung, D. C., "Predicting non-adherence with outpatient colonoscopy using a novel electronic tool that measures prior non-adherence," Journal of general internal medicine, Vol. 30, No. 6, pp. 724-731, 2015.

상세보기
Charupanit, W., "Factors Related to Missed Appointments at a Psychiatry Clinic in Songklanagarind Hospital," Korean Nursing Science Society Conference, pp. 126-126, 2009. 10.
Daggy, J., Lawley, M., Willis, D., Thayer, D., Suelzer, C., DeLaurentis, P. C., and Sands, L., "Using no-show modeling to improve clinic performance," Health Informatics Journal, Vol. 16, No. 4, pp. 246-259, 2010.

상세보기
Glowacka, K. J., Henry, R. M., and May, J. H., "A hybrid data mining/simulation approach for modelling outpatient noshows in clinic scheduling," Journal of the Operational Research Society, Vol. 60, No. 8, pp. 1056-1068, 2009.

상세보기
Guzek, L. M., Fadel, W. F., and Golomb, M. R., "A Pilot Study of Reasons and Risk Factors for "No-Shows" in a Pediatric Neurology Clinic," Journal of child neurology, Vol. 30, No. 10, pp. 1295-1299, 2015.

상세보기
Hong, J., Park, W., Kim, Y., and Kook, K., "Analysis of Technology Protection Factors of Small and Medium Enterprises by Using Logistic Regression Analysis," The Journal of Society for e-Business Studies, Vol. 20, No. 3, pp. 1-10, 2015.
Kim, E. and Ham, S., "Informally Patients Prediction Model of Admission Patients," Journal of Korea Academia-Industrial Cooperation Society, Vol. 10, No. 11, pp. 3462-3472, 2009.
Kim, K., Han, S., Kang, H., and Son, B., "No-show analysis of new patients using health information," Journal of the Korean Data Analysis Society, Vol. 6, No. 6, pp. 1817-1827, 2004.
Kim, M., "Improvement of rescheduling rate through no-show rate reduction activities," Korean Society for Medical Quality Improvement Fall Conference, Vol. 2009 No. 3, 2009.
Kopach, R., DeLaurentis, P. C., Lawley, M., Muthuraman, K., Ozsen, L., Rardin, R., and Willis, D., "Effects of clinical characteristics on successful open access scheduling," Health care management science, Vol. 10, No. 2, pp. 111-124, 2007.

상세보기
Kwon, S., Lee, S., Han, E., and Kim, T., "No-show related factors for outpatients at a university hospital," Korea Health Research Institute (KINSH), Vol. 41, No. 2, pp. 29-46, 2015.
Lee, V. J., Earnest, A., Chen, M. I., and Krishnan, B., "Predictors of failed attendances in a multi-specialty outpatient centre using electronic databases," BMC health services research Vol. 5, No. 1, p. 1, 2005.

상세보기
Lee, W., "Effect analysis and method for no-show rate reduction," Korean Society for Medical Quality Improvement Fall Conference, Vol. 2005 No. 2, 2005.
Lotfi, V. and Torres, E., "Improving an outpatient clinic utilization using decision analysis-based patient scheduling," Socio-Economic Planning Sciences, Vol. 48, No. 2, pp. 115-126, 2014.

상세보기
Moon, J., "Reduction of outpatient noshow rate," Korean Society for Medical Quality Improvement Fall Conference, Vol. 2005 No. 1, 2005.
Norris, J. B., Kumar, C., Chand, S., Moskowitz, H., Shade, S. A., and Willis, D. R., "An empirical investigation into factors affecting patient cancellations and no-shows at outpatient clinics," Decision Support Systems, Vol. 57, pp. 428-443, 2014.

상세보기
Oh, Y., "An activity to reduce the no-show rate and reservation rate of patient reservation," Korean Society for Medical Quality Improvement Fall Conference, Vol. 2009 No. 2, 2009.
Paul, J. and Hanna, J. B., "Applying the marketing concept in health care: the no-show problem," Health marketing quarterly, Vol. 14, No. 3, pp. 3-17, 1997.
Peeters, F. P. and Bayer, H., "No-show for initial screening at a community mental health centre: rate, reasons and further help-seeking," Social Psychiatry and Psychiatric Epidemiology Vol. 34, No. 6, pp. 323-327, 1999.

상세보기
Samuels, R. C., Ward, V. L., Melvin, P., Macht-Greenberg, M., Wenren, L. M., Yi, J., and Cox, J. E., "Missed Appointments Factors Contributing to High No-Show Rates in an Urban Pediatrics Primary Care Clinic," Clinical pediatrics, 2015.
Shin, D., "Determinants of Hospital Reservation Defaults and Prediction of No-show Probability: The Case of I Hospital," Korea University Master's Thesis, 2005.
Yoo, J., "Random forest," Educational Evaluation Research, Vol. 28, pp. 427-448, 2015.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증