본 논문에서는 환자들의 임상특성이 예약 부도에 미치는 영향을 분석하고자 한다. 미국의 한 보훈병원에 있는 7,055명 환자들의 진단 상병명과 그들의 예약 부도 데이터를 이용하여 진단 상병에 따른 예약 부도의 차이, 진단 상병의 개수에 따른 차이에 대해서 분석 및 비교를 실시하였다. 약물 중독, 우울증과 같은 정신질환과, 고혈압과 같은 만성 질환에서 예약 부도가 유의하게 높게 나타났다. 진단 상병의 개수가 증가할수록 예약 부도가 감소하는 것을 확인할 수 있으나, 진단 상병의 개수가 4개를 넘어서면 예약 부도가 통계적으로 유의하게 감소하지 않는 것으로 나타났다. 이러한 통계적 분석 과정을 통해 의료 환경에서 수행하고 있는 진료 및 예약 부도 관리의 문제점을 식별하여 제시하였다. 본 논문의 결과는 병원의 예약 부도에 대한 해결책을 찾는데 이용될 수 있다고 판단된다.
본 논문에서는 환자들의 임상특성이 예약 부도에 미치는 영향을 분석하고자 한다. 미국의 한 보훈병원에 있는 7,055명 환자들의 진단 상병명과 그들의 예약 부도 데이터를 이용하여 진단 상병에 따른 예약 부도의 차이, 진단 상병의 개수에 따른 차이에 대해서 분석 및 비교를 실시하였다. 약물 중독, 우울증과 같은 정신질환과, 고혈압과 같은 만성 질환에서 예약 부도가 유의하게 높게 나타났다. 진단 상병의 개수가 증가할수록 예약 부도가 감소하는 것을 확인할 수 있으나, 진단 상병의 개수가 4개를 넘어서면 예약 부도가 통계적으로 유의하게 감소하지 않는 것으로 나타났다. 이러한 통계적 분석 과정을 통해 의료 환경에서 수행하고 있는 진료 및 예약 부도 관리의 문제점을 식별하여 제시하였다. 본 논문의 결과는 병원의 예약 부도에 대한 해결책을 찾는데 이용될 수 있다고 판단된다.
This study focuses on analyzing no-shows associated with patients' clinical characteristics described by diagnoses in their medical data. A dataset of 7,055 patient-records from a Veterans hospital in the United States was used to test if there is difference on no-shows along with each patient's dia...
This study focuses on analyzing no-shows associated with patients' clinical characteristics described by diagnoses in their medical data. A dataset of 7,055 patient-records from a Veterans hospital in the United States was used to test if there is difference on no-shows along with each patient's diagnosed diseases and the number of diagnoses. Patients with mental diseases such as drug dependence abuse and major depression, and chronic diseases such as hypertension are more likely to no-show. In comparisons with the number of diagnoses, the no-show decreases as the number of diagnoses increases up to four and doesn't change significantly afterwards. We provide managerial insights on clinical operations problems from statistical analysis. We believe that our results can be used to develop appropriate solutions on no-shows in clinics.
This study focuses on analyzing no-shows associated with patients' clinical characteristics described by diagnoses in their medical data. A dataset of 7,055 patient-records from a Veterans hospital in the United States was used to test if there is difference on no-shows along with each patient's diagnosed diseases and the number of diagnoses. Patients with mental diseases such as drug dependence abuse and major depression, and chronic diseases such as hypertension are more likely to no-show. In comparisons with the number of diagnoses, the no-show decreases as the number of diagnoses increases up to four and doesn't change significantly afterwards. We provide managerial insights on clinical operations problems from statistical analysis. We believe that our results can be used to develop appropriate solutions on no-shows in clinics.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이는 기존 관련 문헌에서 많이 다루어졌던 나이, 예약시간, 재진여부 등과 같은 요인에 상병이라는 요인을 추가하는 것으로써, no-show 원인 분석과 no-show 관리에 새로운 기여를 할 수 있으리라 기대된다. 또한, 본 논문은 환자의 상병과 no-show와의 관계 분석 결과와 상병의 특성을 결합하여 no-show를 줄일 수 있는 방법에 대한 시사점을 제공한다. 본 논문의 결과 는 차후 no-show 관리 방법으로 쓰이고 있는 SMS와 해피콜과 같은 알림 서비스, 예약 방문 환자에게 주어지는 장려 우대책[13], no-show 예방 캠페인[7]과 같은 방법의 적용에 근간 정보로 이용될 수 있으며, 결과적으로 환자에게 정확하고 좋은 품질의 의료 서비스 제공과 병원 경영의 효율성 향상에 기여할 수 있을 것이다.
마지막으로 본 절에서는 환자가 보유한 상병의 개수와 no-show와의 관계에 대해서 살펴보도록 한다. 본 논문에서는 단독 상병으로 진단받은 환자부터 총 8개까지 다중 진단을 받은 환자의 데이터를 분석하였다.
마지막으로 본 절에서는 환자가 보유한 상병의 개수와 no-show와의 관계에 대해서 살펴보도록 한다. 본 논문에서는 단독 상병으로 진단받은 환자부터 총 8개까지 다중 진단을 받은 환자의 데이터를 분석하였다. 9개부터 최대 11개까지도 존재했으나, 그 수가 총 38명(9개 28명, 10개 8명, 11개 2명)으로 매우 적어 통계적 분석에 적합하지 않아서 제외하였다.
본 논문에서는 환자 개개인이 가지고 있는 상병이 no-show에 미치는 영향에 대해 집중 적으로 분석하고자 한다. Kwon et al.
본 논문에서는 환자의 의료 데이터를 이용하여 환자의 임상특성에 따른 no-show의 변동에 대해서 분석하였다. 환자의 no-show에 대한 관리는 환자에게 지속적이고 안정적인 의료 서비스를 제공하는데 도움이 될 뿐만 아니라, 병원 자원의 효율적 운용에도 매우 밀접 한 관계가 있다.
상병과 %no-show의 상관관계가 상병의 특징이 아닌 나이에 의해 결정되는지 파악하기 위해 상병과 나이의 관계를 조사하였다. Davis et al.
[12]은 연구의 한계점을 명시하면서 환자의 상병이 noshow에 미치는 영향이 있을 것이라는 가설을 제시하였고, 추후 상병군에 대한 no-show 연구가 필요할 것이라고 명시하였다. 이러한 결과를 바탕으로 본 논문은 주기적으로 방문하는 환자들이 갖고 있는 15개 상병이 no-show에 미치는 영향력의 차이를 각 상병 별로, 그리고 종합적으로 분석하여, 환자의 병력 및 상병 특성과 no-show와의 관계를 규명한다. 이는 기존 관련 문헌에서 많이 다루어졌던 나이, 예약시간, 재진여부 등과 같은 요인에 상병이라는 요인을 추가하는 것으로써, no-show 원인 분석과 no-show 관리에 새로운 기여를 할 수 있으리라 기대된다.
[12]은 2013년부터 2014년까지 서울 지역의 한 대학병원 외래진료 예약의 데이터베이스를 이용하여, 인구사회학적 요인, 예약 관련 요인, 진료 요인으로 나누어 no-show 발생 요인에 대한 원인을 규명하고, 각각의 요인별 no-show 비율이 높게 나타나는 그룹을 찾고 그 결과를 기존 문헌과 비교하였다. 이를 바탕으로 no-show 관리용 별도 데이터베이스 구축이 좋은 방법이 될 것이라고 제시하였다. 뿐만 아니라 분석 결과를 바탕으로 no-show가 높게 나타나는 환자 군의 정확한 정보 획득, 신뢰도를 기반으로 하는 충성심 획득, 병의 경중에 따른 no-show 관리군 설정 등의 방안을 제안하였다.
가설 설정
no-show 관리에 있어서 no-show를 많이 하는 특정 환자군, 예를 들면 정신관련 상병, 만성 상병 환자들의 예약에 더 많은 노력을 기울여 상병이 중증으로 가는 것을 예방하고 신뢰성을 바탕으로 한 충성도를 높여가는 것이 효율적이고 효과적인 방법이라고 할 수 있다. 이에 더불어 본 연구는 상병들 간 no-show 비율의 차이를 살펴보면서 환자 입장에서의 의료 정보 이해와 병원의 의료 서비스 전달 간의 차이가 있을 수도 있다는 가설을 도출하였다. 추가 분석으로 이에 대한 검정을 실시하여 가설 타당성이 입증된다면 의료 서비스 전달 체계의 적절한 개선 및 조정이 필요할 것이다
제안 방법
[Figure 2]는 상병 별 %no-show의 분포를 요약해서 보여주고 있다. %no-show를 10.0% 단위로 나누어 no-show 비율이 10.0% 미만인 범주부터 최대 70.0% no-show까지 각 범주 별 환자 수를 바탕으로 도표를 구성했다. 각각의 상병을 보유한 환자들의 수에 차이가 있기 때문에 [Figure 2]에서는 상대적 도수로 나타내어 각각의 상병마다 막대 값을 다 더하면 1이 되도록 표시하였다.
상병 특성에 대한 이해를 위해서 환자들의 상병 진단 유무를 표시하는 이진 코드를 가지 고 상병들 간 spearman 상관계수를 계산하여 상관 분석을 실시한다. 그리고 10년 단위로 구 분된 환자의 연령대와 각각의 상병 사이의 상관 분석을 통해서 나이와 상병의 연관성을 파악한다.
모든 쌍의 비교를 수행하여 no-show가 유의하게 낮은 상병과 높은 상병으로 분류하고 이를 바탕으로 해석한다. 그리고 no-show를 10.0% 단위로 나누어 각각의 no-show 구간에 환자 들이 어떻게 분포되어 있는지 확인하고, noshow 비율 분포가 상병마다 다른지 확인한다.
몇몇 문헌들[4, 18]이 환자의 임상 특성을 기록한 데이터를 no-show 예측에 적용하였으나, 임상 특성과의 연관성을 집중적으로 분석함에 있어 미흡함이 있었다. 따라서, 본 연구에서는 환자가 보유하고 있는 상병 데이터와 no-show 기록을 이용하여, 상병의 특성, 상병의 유무에 따른 no-show 변동, 상병 별 no-show 비교, 그리고 진단되었던 상병의 개수와 no-show 변동에 대해 분석하여 임상 특성이 no-show에 미치는 영향에 대해 다각도로 분석하였다.
0%로 유지할 수 있도록 Tukey 방식을 사용한 다중비교로 하여, 상병에 따라 %no-show가 다르게 나타나는지 확인한다. 모든 쌍의 비교를 수행하여 no-show가 유의하게 낮은 상병과 높은 상병으로 분류하고 이를 바탕으로 해석한다. 그리고 no-show를 10.
본 연구는 우선 앞에서 언급한 15가지 상병 간 상관관계 분석, 그리고 상병과 나이와의 상관관계 분석을 통해서 상병의 특성을 이해하고, no-show와 관련하여 다음과 같은 분석들을 실시한다. 첫째, 환자의 상병 병력이 no-show에 미치는 영향을 분석하고, 둘째, 상병 간 no-show 비율의 차이를 비교하며, 마지막으로 진단된 상병의 개수에 따른 no-show 분석을 수행한다.
이를 바탕으로 no-show 관리용 별도 데이터베이스 구축이 좋은 방법이 될 것이라고 제시하였다. 뿐만 아니라 분석 결과를 바탕으로 no-show가 높게 나타나는 환자 군의 정확한 정보 획득, 신뢰도를 기반으로 하는 충성심 획득, 병의 경중에 따른 no-show 관리군 설정 등의 방안을 제안하였다. 여기에서 언급한 Min and Koo[18]와 Kwon et al.
상병 별로 환자들의 no-show 비율 비교는 모임오류수준을 5.0%로 유지할 수 있도록 Tukey 방식을 사용한 다중비교로 하여, 상병에 따라 %no-show가 다르게 나타나는지 확인한다. 모든 쌍의 비교를 수행하여 no-show가 유의하게 낮은 상병과 높은 상병으로 분류하고 이를 바탕으로 해석한다.
상병 병력이 no-show에 미치는 영향을 확인하기 위하여 각각의 상병으로 진단되었던 환자와 상병에 해당되지 않았던 환자 사이의 %no-show를 비교한다. no-show를 0.
그 가운데 Min and Koo[18] 는 미국의 한 퇴역 군인 병원의 자료를 이용하여 인적특성, 임상특성, 예약특성으로 분류된 3가지 요인으로 no-show를 분석하였다. 인적 특성으로는 나이, 거주지부터 병원까지의 내원 거리, 성별 등을 이용하였고, 임상특성으로는 환자가 보유하고 있는 상병 12종을 고려하였으며, 예약특성은 예약요일, 재진여부, 예약 대기 시간을 요인으로 설정하였다. Min and Koo[18] 는 예약대기시간, 나이 요인, 상병 요인들의 유의한 영향을 확인하였으며, 로지스틱 회귀분석을 이용하여 no-show 예측 모형을 개발하였다.
본 연구는 우선 앞에서 언급한 15가지 상병 간 상관관계 분석, 그리고 상병과 나이와의 상관관계 분석을 통해서 상병의 특성을 이해하고, no-show와 관련하여 다음과 같은 분석들을 실시한다. 첫째, 환자의 상병 병력이 no-show에 미치는 영향을 분석하고, 둘째, 상병 간 no-show 비율의 차이를 비교하며, 마지막으로 진단된 상병의 개수에 따른 no-show 분석을 수행한다. 구체적인 연구 방법은 다음과 같다.
대상 데이터
본 논문에서는 단독 상병으로 진단받은 환자부터 총 8개까지 다중 진단을 받은 환자의 데이터를 분석하였다. 9개부터 최대 11개까지도 존재했으나, 그 수가 총 38명(9개 28명, 10개 8명, 11개 2명)으로 매우 적어 통계적 분석에 적합하지 않아서 제외하였다.
80 이상 데이터 의 수가 52개로 매우 미비하여 이 구간에 속한 데이터를 제거하였다. 둘째, 본 데이터에는 남성 6939명, 여성 116명으로 성비가 매우 크게 되어 있어, 성별에 대한 구분은 하지 않고 분석을 실시하였다.
본 논문에서 사용한 데이터는 미국의 한 보훈병원 외래 진료에 대한 2년간의 기록을 정리 한 것으로 총 32개의 속성(attribute)을 가지고 있으며, 환자 수를 기준으로 총 7,055명의 noshow 비율, 임상 특성, 연령 등이 기록되어 있다. 여기서 no-show 비율은 %no-show로 기록되어 있는데, no-show 발생 횟수를 총 예약 횟수로 나눈 값으로, 예약된 날짜 이전에 병원 측에 연락을 하지 않고 일방적으로 예약을 파기한 비율을 의미한다.
본 연구 수행을 위해 데이터의 정제를 실시하였는데, 첫째 %no-show가 0.80 이상 데이터 의 수가 52개로 매우 미비하여 이 구간에 속한 데이터를 제거하였다. 둘째, 본 데이터에는 남성 6939명, 여성 116명으로 성비가 매우 크게 되어 있어, 성별에 대한 구분은 하지 않고 분석을 실시하였다.
앞에서 언급한 것과 같이 전이성고형종양, 치매, 조현병, 심근경색은 분석대상에서 제외하였고, 총 11개 의 상병들을 서로 비교하였다.
데이터처리
ANOVA 사후 분석으로 상병의 개수 별 차이를 판별하기 위해 8개 진단명 개수의 모든 쌍에 대한 다중 비교를 수행하였다. 전체 유의수준을 5.
no-show가 발생했을 때, 상병들 간 %noshow에 차이가 존재하는지 %no-show의 평균 값을 다중 비교를 통해 확인하였다. 5%의 모임 오류수준으로 Tukey 방식을 이용한 분석결과는 [Table 2]에 정리하였다.
상병 병력이 no-show에 미치는 영향을 확인하기 위하여 각각의 상병으로 진단되었던 환자와 상병에 해당되지 않았던 환자 사이의 %no-show를 비교한다. no-show를 0.10 단위 구간으로 나누어 모든 구간 도수 분포가 다른 지 카이제곱 검정을 이용하여 검정한다. 상병 진단 여부와 no-show사이에 상호 관련성이 낮다면 모든 구간에 동일한 도수 분포를 보일 것이며, 상병 진단 여부에 따라 no-show 변동이 있다면 다른 도수 분포를 가지게 될 것이다.
마지막으로 진단 상병의 개수에 따른 noshow 비율의 변화는 분산분석(Analysis of Variance)으로 ‘진단 상병 개수’가 no-show 비율 변화를 야기하는 요인인지 확인하고, 사후 분석으로 상병 개수 별 차이에 대한 검정을 실시한다.
상병 특성에 대한 이해를 위해서 환자들의 상병 진단 유무를 표시하는 이진 코드를 가지 고 상병들 간 spearman 상관계수를 계산하여 상관 분석을 실시한다. 그리고 10년 단위로 구 분된 환자의 연령대와 각각의 상병 사이의 상관 분석을 통해서 나이와 상병의 연관성을 파악한다.
이론/모형
마지막으로 진단 상병의 개수에 따른 noshow 비율의 변화는 분산분석(Analysis of Variance)으로 ‘진단 상병 개수’가 no-show 비율 변화를 야기하는 요인인지 확인하고, 사후 분석으로 상병 개수 별 차이에 대한 검정을 실시한다. 이때도 역시 Tukey 방식을 이용하여 모임오류수준을 5.0%로 유지하도록 한다. 추가로 주로 다른 상병과 같이 진단되는 상병의 종류와 단독으로 진단되는 상병을 분류하여 no-show 관리에 대한 시사점을 도출한다.
성능/효과
0%와 20~30% 구간은 도수가 유사하지만 10% 미만의 도수보다는 상대적으로 적게 나타났다. 50.0% 이상의 no-show 비율을 보이는 환자의 수는 매우 적었고, 30.0~ 40.0%의 no-show 비율을 보이는 환자 수는 40.0~50.0%의 환자 수와 비슷하지만 대부분 조금씩 적었다.
Davis et al.[5]을 비롯한 기존의 여러 연구에서 나이와 no-show 비율의 상관관계가 존재한다는 결과가 있었으며, 본 연구에서도 나이와 평균 %no-show를 분석했을 때, 나이가 증가할수록 %no-show가 통계적으로 유의하게 감소한다는 결과를 얻었다. 한편 각각의 상병과 연령 사이의 연관성을 확인하기 위해 상관 검정을 실시한 결과([Table 1] 참조) 15개의 상병 모두에서 유의한 상관관계(p-value < .
고혈압(HTN) 은 약물의존성 남용(Drug Dependence Abuse)을 제외하고 관상동맥질환(CAD), 울혈성심부 전(CHF), 심방세동(AF)에 비해서 no-show 비율이 상대적으로 높게 나타났다(즉, 고혈압-다른 상병 > 0).
001)를 확인 할 수 있었다. 다만 상관계수는 고혈압(Hypertension)에서 최대 0.33이 나왔고 심근경색(Myocardial Infarction), 전이성고형종양(Metastatic Solid Tumor), 조현병(Schizophrenia)에서 0.05 내외의 상대적으로 낮은 상관 계수가 나타났다.
0% 신뢰구간을 표시한 것으로, 진단 상병의 개수(numDiagns)가 많아질수록 no-show가 감소하고 있음을 보여주고 있다. 단일 상병으로 진단받은 환자의 평균 %no-show는 37.8%인데, 상병의 개수가 8개인 환자의 평균 %no-show는 16.2%로 55.8% 가량 감소하였다. 진단 상병의 개수를 요인으로 하여 ANOVA을 수행한 결과, 진단 상병의 개수는 %no-show에 통계적으로 유의한 (p-value < .
즉, 분석 결과를 해석하면 no-show 발생은 이들의 진단 여부와 연관성이 크지 않다고 할 수 있으나 이는 올바른 해석이 아니다. 데이터를 재검토한 결과, 전이성고형종양, 치매, 조현병, 심근경색이 있던 환자들의 noshow 발생 건수가 상대적으로 매우 적었기 때문에, 각 %no-show 구간 별 차이를 통계적으로 유의하게 보기 어려웠음이 드러났다. 전이 성고형종양, 치매, 조현병, 심근경색을 병력으로 가진 환자 가운데 한 번이라도 no-show를 한 환자의 비율은 각각 1.
예를 들면, 고지혈증을 가진 환자가 고혈압도 같이 가지고 있는 경우가 많았으며, 고지혈증, 당뇨, 고혈압, 관상동맥질환 사이에는 이러한 상관관계가 유의하게 나타났다. 또한, 만성폐쇄성폐질환과 울혈성심부전 사이에도 유의한 상관관계가 발견되었다. 이들의 상관 정도를 나타내는 상관계수는 최대 0.
본 연구에서는 의료 데이터를 활용하여 no-show와 환자 상병 특성과의 관계를 분석했고, 상병의 종류, 진단되었던 상병의 개수에 따라 no-show가 유의미하게 변화함을 확인할 수 있었다. 이는 곧 상병의 특성에 따라 환자 no-show 관리의 집중도를 다르게 하는 것이 필요함을 시사한다.
상병 별 no-show 비율의 비교에서는 앞에서 언급한, 발생시 no-show가 유의하게 증가 한 상병들(약물중독, 주요 우울증, 만성통증)의 no-show 비율이 타 상병보다 유의하게 높았다. 또한 고혈압이나 만성폐쇄성폐질환에서 유의하게 높은 no-show 비율을 보였는데, 이들은 장기적이고 지속적인 관리가 필요하며 한 두 번의 내원으로 치료가 쉽게 이루어지지 않는다는 특성을 가지고 있다.
상병 병력에 따라 %no-show에 차이가 존재하는지 카이제곱 검정을 실시한 결과, 고지 혈증, 당뇨, 만성폐쇄성폐질환, 고혈압, 관상동 맥질환, 심근경색, 울혈성심부전, 심방세동, 뇌졸중, 약물의존성남용, 주요 우울증, 만성 통증에서 no-show에 유의한 차이가 나타났다. 이 가운데 약물의존성남용, 주요 우울증, 그리고 만성 통증으로 진단되었을 때, no-show 비율 이 유의하게 증가하는 결과를 얻었다.
상병의 유무에 따른 no-show 변동을 살펴 본 결과, 데이터에 기록된 15가지 상병들 가운 데 8종에서 no-show 비율이 유의하게 낮게 나타났다. 정신적 상태와 연관된 상병인 약물의존성남용이나 주요 우울증에서 그리고 만성적 질환인 만성 통증에서 no-show 비율이 유의하게 높아졌고, 이는 곧 이러한 상병으로 진단받을 경우 환자는 병원에 더 내원하지 않는 다는 것을 의미이다.
고혈압(HTN) 은 약물의존성 남용(Drug Dependence Abuse)을 제외하고 관상동맥질환(CAD), 울혈성심부 전(CHF), 심방세동(AF)에 비해서 no-show 비율이 상대적으로 높게 나타났다(즉, 고혈압-다른 상병 > 0). 약물의존성 남용과 주요 우울증과 같은 정신 관련 상병과 만성 통증에서도 no-show 비율이 상대적으로 높게 나타났다.
상병 병력에 따라 %no-show에 차이가 존재하는지 카이제곱 검정을 실시한 결과, 고지 혈증, 당뇨, 만성폐쇄성폐질환, 고혈압, 관상동 맥질환, 심근경색, 울혈성심부전, 심방세동, 뇌졸중, 약물의존성남용, 주요 우울증, 만성 통증에서 no-show에 유의한 차이가 나타났다. 이 가운데 약물의존성남용, 주요 우울증, 그리고 만성 통증으로 진단되었을 때, no-show 비율 이 유의하게 증가하는 결과를 얻었다.
ANOVA 사후 분석으로 상병의 개수 별 차이를 판별하기 위해 8개 진단명 개수의 모든 쌍에 대한 다중 비교를 수행하였다. 전체 유의수준을 5.0%로 하여 Tukey 방식을 적용한 결과 1, 2, 3개까지는 %no-show가 모두 다르며, 4개 이상으로 다중 진단을 받은 환자의 no-show 비율의 차이는 통계적으로 유의하지 않았다. 즉, 환자의 상병의 개수가 증가할수록 평균 no-show 비율은 감소하나, 4개 이상의 상병을 병력으로 가지게 되면 no-show의 감소폭은 유의하지 않다는 의미이다.
상병의 유무에 따른 no-show 변동을 살펴 본 결과, 데이터에 기록된 15가지 상병들 가운 데 8종에서 no-show 비율이 유의하게 낮게 나타났다. 정신적 상태와 연관된 상병인 약물의존성남용이나 주요 우울증에서 그리고 만성적 질환인 만성 통증에서 no-show 비율이 유의하게 높아졌고, 이는 곧 이러한 상병으로 진단받을 경우 환자는 병원에 더 내원하지 않는 다는 것을 의미이다. 주요 우울증, 약물중독과 같은 증세는 쉽게 호전되기 어렵지만 꾸준한 치료를 통해 해결해야 한다.
진단 상병의 개수를 요인으로 하여 ANOVA을 수행한 결과, 진단 상병의 개수는 %no-show에 통계적으로 유의한 (p-value < .001) 영향을 미치고 있다고 결론지을 수 있다.
30 가량으로 나타났다. 추가적으로 관상동맥질환(CAD)과 울혈성심부전(CHF) 간에도 상관계수가 0.30 정도로 유의하게 나타났다.
30정도로 매우 크지는 않았으나, 여러 의학 논문에서 나온 결과와 유사한 수준이었다. 추가적으로 본 논문에서는 환자의 나이와 상병 간의 상관관계를 살펴보았는데, 데이터에 있는 모든 상병에서 나이와의 상관관계가 유의하게 나타났다. 즉, 나이가 많을수록 각각의 상병 발생률이 유의하게 높아진다는 의미이다.
환자가 가지고 있는 진단 상병의 개수가 적을수록 병원에서는 no-show를 줄일 수 있는 다양한 방법을 더 적극적으로 모색할 필요가 있다. 한 가지 상병 진단을 가진 환자들의 noshow 비율은 0.37정도로 비교적 크게 나타났고, 수가 많아질수록 no-show는 유의하게 감소하는 모습을 보였다. 환자의 상병 악화와 추가 발병 가능성을 줄이기 위해서 no-show 관리가 필요하다고 볼 때, 비교적 경증에 속하는 단일 상병을 가지고 있지만 그것이 중증도가 높은 상병의 위험 요인에 속한다면, 이러한 환자들에게는 더 집중적으로 병원 내원의 당위성과 경각심을 부여해야 할 필요가 있다[8, 15].
한편 각각의 상병과 연령 사이의 연관성을 확인하기 위해 상관 검정을 실시한 결과([Table 1] 참조) 15개의 상병 모두에서 유의한 상관관계(p-value < .001)를 확인 할 수 있었다.
그러므로, 환자들에게 예약 알림과 같은 적극적 방법 을 통해 no-show를 줄일 수 있도록 해야 한다. 한편, 진단 상병이 1개에서 4개까지는 no-show 비율이 유의하게 꾸준히 감소했던 반면, 4개 이상을 가진 환자군의 no-show 비율 차이는 평균은 감소했으나 유의한 수준은 아니었다. 즉, 단순히 진단명의 수를 이용해서 no-show 가능성에 차이를 두어 환자군을 구분하고 이에 따른 적절한 no-show 관리를 수행할 수도 있을 것이다.
환자가 가지고 있는 상병 목록을 가지고 상병들 간 발병 빈도의 상관관계를 분석한 결과 일반적으로 연관성이 있다고 알려져 있는 상병들 간에는 유의한 상관관계가 나타났다. 예를 들면, 고지혈증을 가진 환자가 고혈압도 같이 가지고 있는 경우가 많았으며, 고지혈증, 당뇨, 고혈압, 관상동맥질환 사이에는 이러한 상관관계가 유의하게 나타났다.
후속연구
Kwon et al.[12]은 연구의 한계점을 명시하면서 환자의 상병이 noshow에 미치는 영향이 있을 것이라는 가설을 제시하였고, 추후 상병군에 대한 no-show 연구가 필요할 것이라고 명시하였다. 이러한 결과를 바탕으로 본 논문은 주기적으로 방문하는 환자들이 갖고 있는 15개 상병이 no-show에 미치는 영향력의 차이를 각 상병 별로, 그리고 종합적으로 분석하여, 환자의 병력 및 상병 특성과 no-show와의 관계를 규명한다.
보훈병원, 공공병원, 영리병원과 같은 병원 분류 별로 그리고 각 분류 내의 여러 병원마다 환자의 구성, 상병의 종류가 다를 수 있고, 의료 서비스 전달 체계도 다를 수 있다. 그러므로, 본 연구의 활용성을 높이기 위해서는 여러 지역의 다양한 병원 데이터를 분석하여 유사성 있는 결과는 일반화 시키고 차이점에 대해서 추가 연구를 실시하는 것이 필요하다.
또한, 본 논문은 환자의 상병과 no-show와의 관계 분석 결과와 상병의 특성을 결합하여 no-show를 줄일 수 있는 방법에 대한 시사점을 제공한다. 본 논문의 결과 는 차후 no-show 관리 방법으로 쓰이고 있는 SMS와 해피콜과 같은 알림 서비스, 예약 방문 환자에게 주어지는 장려 우대책[13], no-show 예방 캠페인[7]과 같은 방법의 적용에 근간 정보로 이용될 수 있으며, 결과적으로 환자에게 정확하고 좋은 품질의 의료 서비스 제공과 병원 경영의 효율성 향상에 기여할 수 있을 것이다.
다양한 의료 데이터 활용 가능성이 높아지는 것은 의료 서비스의 품질 향상에 새로운 기여를 할 수 있는 연구의 기회가 많아진다는 것을 의미한다. 본 연구 결과의 적용 및 확장을 위해서 공공병원, 영리병원 등 다양한 종류의 여러 병원 데이터를 이용하여 본 연구 결과를 일반화시 키고 다양한 상병에 대해 유사한 분석을 실시하는 것이 필요하다. 추가로 no-show가 환자의 예방/건강관리에 끼치는 영향에 대한 연구를 제안한다.
상기 상병은 급성 또는 중증도가 높은 병이며 이들을 병력으로 가지고 있던 환자들의 no-show 비율이 낮게 나타나는 것은 당 연하다. 본 연구에서 이용한 데이터로는 위의 4가지 상병이 no-show 변동에 영향을 주지 못하므로, 이후 분석에서는 제외하였다
이러한 결과를 바탕으로 본 논문은 주기적으로 방문하는 환자들이 갖고 있는 15개 상병이 no-show에 미치는 영향력의 차이를 각 상병 별로, 그리고 종합적으로 분석하여, 환자의 병력 및 상병 특성과 no-show와의 관계를 규명한다. 이는 기존 관련 문헌에서 많이 다루어졌던 나이, 예약시간, 재진여부 등과 같은 요인에 상병이라는 요인을 추가하는 것으로써, no-show 원인 분석과 no-show 관리에 새로운 기여를 할 수 있으리라 기대된다. 또한, 본 논문은 환자의 상병과 no-show와의 관계 분석 결과와 상병의 특성을 결합하여 no-show를 줄일 수 있는 방법에 대한 시사점을 제공한다.
이에 더불어 본 연구는 상병들 간 no-show 비율의 차이를 살펴보면서 환자 입장에서의 의료 정보 이해와 병원의 의료 서비스 전달 간의 차이가 있을 수도 있다는 가설을 도출하였다. 추가 분석으로 이에 대한 검정을 실시하여 가설 타당성이 입증된다면 의료 서비스 전달 체계의 적절한 개선 및 조정이 필요할 것이다
본 연구 결과의 적용 및 확장을 위해서 공공병원, 영리병원 등 다양한 종류의 여러 병원 데이터를 이용하여 본 연구 결과를 일반화시 키고 다양한 상병에 대해 유사한 분석을 실시하는 것이 필요하다. 추가로 no-show가 환자의 예방/건강관리에 끼치는 영향에 대한 연구를 제안한다. 예를 들면, no-show를 했던 환자의 방문주기 안에 급성 증상이 발생하여 walk-in 을 한다거나 응급방문을 하는 경우가 유의하게 있다면 no-show가 환자의 예방 관리를 위해서 지양되어야 함을 실증적으로 보여주는 결과가 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
고령화에 따라 의료 서비스 요구가 증가하면서 예약 진료 시스템에 발생하는 문제점은?
환자에게 적절하고 정확한 의료 서비스를 제공하고 병원 자원을 효율적으로 사용하기 위하여 대부분의 병원은 예약 진료 시스템을 사용하고 있다. 그러나 사회가 고령화 되어감에 따라 의료 서비스 요구가 증가하고, 이는 곧 예약의 증가, 예약 대기의 증가, 그리고 예약 부도 (no-show)의 증가로 이어지고 있다[16, 18]. 이러한 상황에서 환자들은 불필요하게 길어진 예약 대기 때문에 건강 상태의 불확실성이 증가하게 되며[6], 불필요한 응급 진료를 받는 경우가 발생하기도 한다[10].
병원의 예약 관리 시스템에 오버부킹을 적용하는 방안은?
[17]은 많은 호텔, 항공사에서 쓰이는 오버부킹(overbooking)을 병원의 예약 관리 시스템에 적용하는 방법에 대해 연구하였다. 그들은 no-show로 예측되는 환자들 수와 walk-in 환자 수의 불확실성을 고려하여 추가로 진료 예약을 받아 예약 대기를 줄이고 결과적으로 no-show를 줄이는 선순환 과정을 만드는 방법에 대해 연구하였다. 이 가운데 Daggy et al.
대부분의 병원이 예약 진료 시스템을 사용하는 이유는?
환자에게 적절하고 정확한 의료 서비스를 제공하고 병원 자원을 효율적으로 사용하기 위하여 대부분의 병원은 예약 진료 시스템을 사용하고 있다. 그러나 사회가 고령화 되어감에 따라 의료 서비스 요구가 증가하고, 이는 곧 예약의 증가, 예약 대기의 증가, 그리고 예약 부도 (no-show)의 증가로 이어지고 있다[16, 18].
참고문헌 (27)
Atun, A. R., Sittampalam S. R., and Mohan, A., "Uses and Benefits of SMS in Healthcare Delivery," Centre for Health Management, Imperial College London, UK, 2005.
Belardi, F. G., Weir S., and Craig F. W., “A controlled trial of an advanced access appointment system in a residency family medicine center,” Family Medicine, Vol. 36, No. 5, pp. 341-345, 2004.
Chung, K. and Min, D., “Staffing a service system with appointment-based customer arrivals,” Journal of the Operational Research Society, Vol. 65, No. 10, pp. 1533-1543, 2014.
Davis et al., "Large-scale no- show patterns and distributions for clinic operational research," Healthcare, Vol. 4, No. 1, p. 15, 2016.
George, A. and Rubin, G., “Non-attendance in general practice: A systematic review and its implications for access to primary health care,” Family Practice, Vol. 20, No. 2, pp. 178-184, 2003.
Hamilton, W., Round, A., and Sharp, D., "Patient, hospital, and general practitioner characteristics associated with non-attendance: A cohort study," British Journal of General Practice, Vol. 52, No. 477, pp. 317-319, 2002.
Hwang, J. I., “Factors influencing consultation time and waiting time of ambulatory patients in a tertiary teaching hospital,” Quality Improvement in Health Care, Vol. 12, No. 1, pp. 6-16, 2006.
Kang, H. J., "National-level use of health care big data and its policy implications," Health and Welfare Policy Forum, Vol. 8, pp. 55-71, 2016.
Kim, S. and Giachetti, R., "A stochastic mathematical appointment overbooking model for healthcare providers to improve profits," IEEE Transactions on Systems, Man, and Cyberbetics-Part A: Systems and Humans, Vol. 36, No. 6, pp. 1211-1219, 2006.
Kopach et al., “Effect of clinical characteristics on successful open access scheduling,” Health Care Management Science, Vol. 10, No. 2, pp. 111-124, 2007.
Kwon, S. T., Lee, Y. S., Han, E., and Kim, T. H., "Factors associated with no-show in an academic medical center," Korean Public Health Research, Vol. 41, No. 2, pp. 29-46, 2015.
Lacy, N. L., Paulman, A., Reuter, M. D., and Lovejoy, B., "Why we don't come: Patient perceptions on no-shows," Annals of Family Medicine, Vol. 2, No. 6, pp. 541-545, 2004.
LaGanga L. and Lawrence S., “Appointment overbooking in health care clinics to improve patient service and clinic performance,” Production and Operations Management, Vol. 21, No. 5, pp. 874-888, 2012.
Lasser, K. E., Mintzer, I. L., Lambert, A., Cabral, H., and Bor, D. H., “Missed appointment rates in primary care: the importance of site of care,” Journal of Health Care for the Poor and Undeserved, Vol. 16, No. 3, pp. 475-486, 2005.
Lee, S. and Yih, Y., “Analysis of an open access scheduling system in outpatient clinics: A simulation study,” Simulation: Transactions of The Society for Modeling and Simulation International, Vol. 86, No. 8-9, pp. 503-518, 2010.
Lee, S., Min, D., Ryu, J., and Yih, Y., "A simulation study of appointment scheduling in outpatient clinics: open access and overbooking," Simulation: Transactions of The Society for Modeling and Simulation International., Vol. 89, No. 12, pp. 1459-1473, 2013.
Min, D. and Koo, H., “no-show related factors for outpatients at a hospital,” The Journal of Society for e-Business Studies, Vol. 22, No. 1, pp. 37-49, 2017.
Nguyen, D. L., Dejesus, R. S., and Wieland, M. L., “Missed appointments in resident continuity clinic: Patient characteristics and health care outcomes,” Journal of Graduate Medical Education, Vol. 3, No. 3, pp. 350-355, 2011.
Parikh et al., “The effectiveness of outpatient appointment reminder systems in reducing no-show rates,” American Journal of Medicine, Vol. 123, No. 6, pp. 542-548, 2010.
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.
Samuels et al., “Missed appointments factors contributing to high no-show rates in an urban pediatrics primary care clinic,” Clinic Pediatrics, Vol. 54, No. 10, pp. 976-982, 2015.
United States Department of Veterans Affairs, "Audit of Veterans Health Administration's Efforts to Reduce Unused Outpatient Appointments," U.S. Department of Venterans Affairs Office of Inspector General, Washington, DC, USA, 2008.
Yoon, J., "Waste of the worth of 2.5 trillion KRW in clinical resources by no-shows," The Hospital Newspaper, April 27, 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.