병원 재원일수의 효율적 관리는 병원의 수익과 환자의 진료비 절감을 위해 매우 중요한 요소이다. 이러한 재원일수의 효율적 관리를 위해서는 병원들이 재원일수에 대해서 벤치마킹을 할 수 있도록 지원이 필요하고 재원일수 절감의 구체적인 방향을 제시해 줄 수 있는 재원일수 예측모형의 개발이 필요하다. 본 연구에서는 2013년과 2014년도 퇴원손상환자자료 중 급성뇌졸중 환자를 추출하여 분석용 자료를 만들고 인공지능을 이용하여 급성뇌졸중 환자의 재원일수 예측모형을 개발하였다. 분석용 자료는 훈련용 60%, 평가용 40%로 분류하였다. 모형개발은 전통적 통계기법인 다중회귀분석기법과 인공지능기법인 대화식 의사결정나무기법, 신경망 기법, 그리고 이들을 모두 통합한 앙상블기법을 이용하였다. 모형평가는 Root ASE(Absolute error) 지표를 이용하였는데, 다중회귀분석은 23.7, 대화식결정나무 23.7, 신경망 분석은 22.7, 앙상블은 22.7로 나타났고 이를 통하여 재원일수 예측모형 개발에 인공지능기법의 유용성이 입증되었다. 앞으로 재원일수 예측모형개발에 인공지능 기법을 보다 효율적으로 활용할 수 있는 방안에 대해서 계속적인 연구가 이루어 질 필요가 있다.
병원 재원일수의 효율적 관리는 병원의 수익과 환자의 진료비 절감을 위해 매우 중요한 요소이다. 이러한 재원일수의 효율적 관리를 위해서는 병원들이 재원일수에 대해서 벤치마킹을 할 수 있도록 지원이 필요하고 재원일수 절감의 구체적인 방향을 제시해 줄 수 있는 재원일수 예측모형의 개발이 필요하다. 본 연구에서는 2013년과 2014년도 퇴원손상환자자료 중 급성뇌졸중 환자를 추출하여 분석용 자료를 만들고 인공지능을 이용하여 급성뇌졸중 환자의 재원일수 예측모형을 개발하였다. 분석용 자료는 훈련용 60%, 평가용 40%로 분류하였다. 모형개발은 전통적 통계기법인 다중회귀분석기법과 인공지능기법인 대화식 의사결정나무기법, 신경망 기법, 그리고 이들을 모두 통합한 앙상블기법을 이용하였다. 모형평가는 Root ASE(Absolute error) 지표를 이용하였는데, 다중회귀분석은 23.7, 대화식결정나무 23.7, 신경망 분석은 22.7, 앙상블은 22.7로 나타났고 이를 통하여 재원일수 예측모형 개발에 인공지능기법의 유용성이 입증되었다. 앞으로 재원일수 예측모형개발에 인공지능 기법을 보다 효율적으로 활용할 수 있는 방안에 대해서 계속적인 연구가 이루어 질 필요가 있다.
The efficient management of the Length of Stay(LOS) is important in hospital. It is import to reduce medical cost for patients and increase profitability for hospitals. In order to efficiently manage LOS, it is necessary to develop an artificial intelligence-based prediction model that supports hosp...
The efficient management of the Length of Stay(LOS) is important in hospital. It is import to reduce medical cost for patients and increase profitability for hospitals. In order to efficiently manage LOS, it is necessary to develop an artificial intelligence-based prediction model that supports hospitals in benchmarking and reduction ways of LOS. In order to develop a predictive model of LOS for acute stroke patients, acute stroke patients were extracted from 2013 and 2014 discharge injury patient data. The data for analysis was classified as 60% for training and 40% for evaluation. In the model development, we used traditional regression technique such as multiple regression analysis method, artificial intelligence technique such as interactive decision tree, neural network technique, and ensemble technique which integrate all. Model evaluation used Root ASE (Absolute error) index. They were 23.7 by multiple regression, 23.7 by interactive decision tree, 22.7 by neural network and 22.7 by esemble technique. As a result of model evaluation, neural network technique which is artificial intelligence technique was found to be superior. Through this, the utility of artificial intelligence has been proved in the development of the prediction LOS model. In the future, it is necessary to continue research on how to utilize artificial intelligence techniques more effectively in the development of LOS prediction model.
The efficient management of the Length of Stay(LOS) is important in hospital. It is import to reduce medical cost for patients and increase profitability for hospitals. In order to efficiently manage LOS, it is necessary to develop an artificial intelligence-based prediction model that supports hospitals in benchmarking and reduction ways of LOS. In order to develop a predictive model of LOS for acute stroke patients, acute stroke patients were extracted from 2013 and 2014 discharge injury patient data. The data for analysis was classified as 60% for training and 40% for evaluation. In the model development, we used traditional regression technique such as multiple regression analysis method, artificial intelligence technique such as interactive decision tree, neural network technique, and ensemble technique which integrate all. Model evaluation used Root ASE (Absolute error) index. They were 23.7 by multiple regression, 23.7 by interactive decision tree, 22.7 by neural network and 22.7 by esemble technique. As a result of model evaluation, neural network technique which is artificial intelligence technique was found to be superior. Through this, the utility of artificial intelligence has been proved in the development of the prediction LOS model. In the future, it is necessary to continue research on how to utilize artificial intelligence techniques more effectively in the development of LOS prediction model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 이 모형은 재원일수의 중증도 보정을 목적으로 개발된 모형임에 따라 벤치마킹이나 실제적인 재원일수 절감을 위한 개선방안의 도출에는 제한점이 있다. 본 연구에서는 이러한 제한점을 극복하기 위해서 인공기능 기법을 이용하여 벤치마킹 목적의 급성뇌졸중의 재원일수 예측 모형을 개발하고, 이를 기반으로 인공지능의 다양한 기법을 효율적으로 활용하는 방안을 제시하고자 한다.
따라서 이제는 인공지능을 이용하여 재원일수의 예측모형의 우수성을 입증하는 연구보다는 인공지능의 다양한 기법을 보다 효율적으로 활용하여 실제 의료기관에서 재원일수를 절감할 수 있는 구체적인 방향을 제시할 수 있는 연구가 필요하다. 본 연구에서는 인공지능을 이용하여 재원일수 예측모형을 개발하여 재원일수에 대한 체계적인 벤치마킹과 이를 기반으로 구체적인 재원일수 절감을 위한 노력을 유도할 수 있는 데이터 분석 방안에 대해서 연구를 하고자 한다.
기술적 분석은 현황 및 관련요인을 파악하는 분석이고, 예측적 분석은 기존데이터를 기반으로 하여 예측을 하는 분석이고, 대안적 분석은 문제를 해결하기 어떤 방안을 쓰면 될지를 파악하는데 도움이 되는 기법이다[19]. 우리가 급성뇌졸중 환자의 재원일수 예측모형을 개발하는 목적은 벤치마킹을 통하여 실제적인 재원일수 관리가 이루어지도록하기 위해서이다. 이를 위해서는 기술적 분석, 예측적 분석, 대안적 분석이 모두 필요하다.
최근에 각광 받고 있는 인공지능 기법을 급성뇌졸중 환자의 재원일수 예측모형 개발에 효율적으로 활용할 수 있는 방안을 모색하기 위해 본 연구를 수행하였다. 이를 위해 2013년부터 2014년까지의 퇴원손상환자자료 중 한국표준질병사인분류(Korean Standard Classification of Disease, KCD)의 중분류 기준으로 주진단이 I60, I61, I62, I63인 급성 뇌졸중 환자 7,331건의 자료를 수집하였다.
제안 방법
급성 뇌졸중 환자의 재원일수 예측 모형을 다중회귀분석, 대화식 의사결정나무, 신경망, 앙상블 기법을 이용하여 개발하였다. 모형개발은 훈련용 60%, 평가용 40%로 분류한 다음 훈련용 데이터로 모형을 개발하고, 평가용 데이터를 이용하여 모형을 평가하였다.
급성 뇌졸중 환자의 재원일수 예측모형은 종속변수는 재원일수, 독립변수는 성, 연령, 지불보상유형, 입원경로, 수술유무, 부진단유무, 퇴원형태, 치료결과, 병상규모, 주진단, Charson comorbidity index, 병원소재지로 하여 단계별 선택방법에 따라서 모형을 개발하였다. 재원일수에 영향을 끼치는 유의한 변수는 성, 지불보상유형, 입원경로, 수술유무, 부진단유무, 퇴원형태, 치료결과, 병상규모, 주진단, Charson comorbidity index, 병원소재지로 나타났다.
급성 뇌졸중 환자의 재원일수 예측모형을 개발하기 위하여 일반적인 통계기법인 다중회귀분석과 인공지능기법인 대화식의사결정나무, 신경망 기법과 이들을 모두 통합한 앙상블 기법을 이용하여 모형을 개발하였다.
급성뇌졸중 환자의 재원일수 예측모형을 통계분석기법인 다중회귀분석기법, 인공지능기법인 대화식 의사결정나무, 신경망 기법을 이용하여 개발하였다. 또한 개발된 모형의 성능을 평가하고 평가결과를 검토한 결과 각각의 기법들이 정보 활용의 측면에서는 각기 장점이 있었다.
기존의 통계기반의 분석기법, 인공지능의 각 기법들은 각기 고유의 장점이 있으므로 이의 장점을 잘 살려서 종합적으로 데이터 분석을 할 필요가 있다는 것을 본 연구를 통해서 파악하게 되었다.
본 연구에서는 기술적 분석에는 다중회귀분석기법, 예측적 분석에는 신경망기법, 대안적 분석에는 대화식 의사결정나무 기법이 적합하다고 판단하고, 이들 모두를 이용하여 모형을 개발하였다. 또한 예측적 분석에는 신경망기법만을 쓰는 것 보다는 3가지 기법에서 예측한 평균값을 사용하는 것이 합리적이라 판단하여 앙상블 기법을 사용하는 것이 합리적이라 판단하여 4가지 기법을 모두 활용하여서 분석을 하였다.
급성 뇌졸중 환자의 재원일수 예측 모형을 다중회귀분석, 대화식 의사결정나무, 신경망, 앙상블 기법을 이용하여 개발하였다. 모형개발은 훈련용 60%, 평가용 40%로 분류한 다음 훈련용 데이터로 모형을 개발하고, 평가용 데이터를 이용하여 모형을 평가하였다. 모형평가는 Root ASE지표를 이용하였다.
이를 위해서는 기술적 분석, 예측적 분석, 대안적 분석이 모두 필요하다. 본 연구에서는 기술적 분석에는 다중회귀분석기법, 예측적 분석에는 신경망기법, 대안적 분석에는 대화식 의사결정나무 기법이 적합하다고 판단하고, 이들 모두를 이용하여 모형을 개발하였다. 또한 예측적 분석에는 신경망기법만을 쓰는 것 보다는 3가지 기법에서 예측한 평균값을 사용하는 것이 합리적이라 판단하여 앙상블 기법을 사용하는 것이 합리적이라 판단하여 4가지 기법을 모두 활용하여서 분석을 하였다.
본 연구에서는 선행연구 방법 및 전문가의 자문에 따라 급성 뇌졸중 환자의 성, 연령, 진료비 지불방법, 입원 경로, 사망 유무, 수술 유무, Charlson comorbidity index 등을 급성 뇌졸중 환자의 재원일수 예측 모형 개발을 위한 변수로 사용하였다.
수집된 전체 데이터에 대해서 기술통계, t검정, 분산분석을 실시하였다. 재원일수 예측모형 개발 및 평가는 데이터를 훈련용 60%, 평가용 40%로 나누어서 분석을 하였다. 재원일수 예측 모형개발은 단계적 선택의 다중 회귀분석기법, 대화식 의사결정나무기법, 신경망기법, 앙상블기법을 이용하였다.
대상 데이터
급성 뇌졸중 환자의 재원일수 예측 모형의 성능평가를 위해서 전체 데이터 중 60%는 모형개발용 분석자료(Train Data)로 사용하였고 나머지 40%에는 모형의 평가자료(Validation data)로 사용하여 모형의 타당도 평가를 실시하였다. 개발된 모형의 타당도 평가는 Root ASE(Absolute Squared Error)값을 이용하였다.
본 연구를 위해 질병관리본부로부터 2013년부터 2014년까지 퇴원손상 심층조사 자료 450,009건을 수집하였다. 퇴원손상 심층조사는 질병관리본부에서 미국의 퇴원환자조사 방법론을 근거로 하여 2004년에 구축하였으며, 전체 입원환자를 대상으로 조사한 전국단위의 행정자료이다.
본 연구의 분석대상자는 7,331명이였다. 분석대상자의 일반적 특성은 성별로는 남자 54.
수집된 퇴원손상 심층조사 자료 중 건강보험심사평가원의 급성 뇌졸중 평가대상 질환군 정의에 따라 본 연구에서도 퇴원손상 심층조사 자료의 주진단 자료를 바탕으로 주진단 코드가 I60, I61, I62, I63에 해당하는 급성 뇌졸중 환자 자료 7,409건을 추출하였으며, 선행연구의 분석 대상자 제외조건 및 전문가의 자문에 따라 0∼19세 및 93세 이상인 자료, 진료비지불방법이 무료, 공상, 기타, 불명인 자료, 입원경로가 기타, 불명인 자료, 재원일수가 366일 이상인 자료, 퇴원형태가 기타, 불명인 자료, 치료 결과가 기타 및 불명인 자료를 삭제한 7,331건을 급성 뇌졸중 환자의 재원일수 예측 모형개발을 위한 모형개발을 위한 분석대상자로 추출하였다[10].
최근에 각광 받고 있는 인공지능 기법을 급성뇌졸중 환자의 재원일수 예측모형 개발에 효율적으로 활용할 수 있는 방안을 모색하기 위해 본 연구를 수행하였다. 이를 위해 2013년부터 2014년까지의 퇴원손상환자자료 중 한국표준질병사인분류(Korean Standard Classification of Disease, KCD)의 중분류 기준으로 주진단이 I60, I61, I62, I63인 급성 뇌졸중 환자 7,331건의 자료를 수집하였다. 수집된 전체 데이터에 대해서 기술통계, t검정, 분산분석을 실시하였다.
데이터처리
3.1 통계분석
분석대상자의 일반적 특성, 제 특성에 따른 급성뇌졸중환자의 재원일수를 살펴보기 위해 t검정과 분산분석을 실시하였다
. 통계분석은 IBM SPSS statistics 20을 이용하였다.
이를 위해 2013년부터 2014년까지의 퇴원손상환자자료 중 한국표준질병사인분류(Korean Standard Classification of Disease, KCD)의 중분류 기준으로 주진단이 I60, I61, I62, I63인 급성 뇌졸중 환자 7,331건의 자료를 수집하였다. 수집된 전체 데이터에 대해서 기술통계, t검정, 분산분석을 실시하였다. 재원일수 예측모형 개발 및 평가는 데이터를 훈련용 60%, 평가용 40%로 나누어서 분석을 하였다.
이론/모형
급성 뇌졸중 환자의 재원일수 예측 모형의 성능평가를 위해서 전체 데이터 중 60%는 모형개발용 분석자료(Train Data)로 사용하였고 나머지 40%에는 모형의 평가자료(Validation data)로 사용하여 모형의 타당도 평가를 실시하였다. 개발된 모형의 타당도 평가는 Root ASE(Absolute Squared Error)값을 이용하였다.
모형개발에 사용된 다중회귀분석은 단계적 선택방법을(stepwise) 이용하여 급성 뇌졸중 환자의 재원일수에 유의한 영향을 미치는 변수만을 추출하고자 하였고, 대화식 의사결정나무분석은 분산의 감소량을 최대화하는 기준의 최적분리에 의해 지식마디가 형성되는 Variance reduction방법을 이용하여 모형을 개발하였으며, 신경망 분석은 Profit/Loss방법을 이용하였다. 앙상블모형은 각각의 다중회귀분석, 대화식 의사결정나무, 신경망 기법의 예측치를 평균으로 산출하는 앙상블 모형을 사용하였다.
재원일수 예측 모형개발은 단계적 선택의 다중 회귀분석기법, 대화식 의사결정나무기법, 신경망기법, 앙상블기법을 이용하였다. 모형평가는 Root ASE라는 평가지표를 이용해서 평가를 하였다.
모형개발은 훈련용 60%, 평가용 40%로 분류한 다음 훈련용 데이터로 모형을 개발하고, 평가용 데이터를 이용하여 모형을 평가하였다. 모형평가는 Root ASE지표를 이용하였다. 평가용 데이터에서 Root ASE는 신경망 기법이 22.
즉, 기술적분석, 예측적 분석, 대안적 분석이 모두 필요하다. 본 연구를 통하여 급성뇌졸중환자의 재원일수를 예측하는 모형을 다중회귀분석, 대화식 의사결정나무, 신경망분석, 앙상블 기법을 이용하여 개발하고 모형의 우수성은 Root ASE 지표를 이용하여 평가를 하였다. 분석결과 다중회귀분석은 23.
본 연구에서 , 다중회귀분석 및 인공지능분석은 SAS Enterprise Miner Workstation 13.1을 이용하였다.
모형개발에 사용된 다중회귀분석은 단계적 선택방법을(stepwise) 이용하여 급성 뇌졸중 환자의 재원일수에 유의한 영향을 미치는 변수만을 추출하고자 하였고, 대화식 의사결정나무분석은 분산의 감소량을 최대화하는 기준의 최적분리에 의해 지식마디가 형성되는 Variance reduction방법을 이용하여 모형을 개발하였으며, 신경망 분석은 Profit/Loss방법을 이용하였다. 앙상블모형은 각각의 다중회귀분석, 대화식 의사결정나무, 신경망 기법의 예측치를 평균으로 산출하는 앙상블 모형을 사용하였다.
재원일수 예측모형 개발 및 평가는 데이터를 훈련용 60%, 평가용 40%로 나누어서 분석을 하였다. 재원일수 예측 모형개발은 단계적 선택의 다중 회귀분석기법, 대화식 의사결정나무기법, 신경망기법, 앙상블기법을 이용하였다. 모형평가는 Root ASE라는 평가지표를 이용해서 평가를 하였다.
성능/효과
4% 등의 순으로 나타났다. Charlson comorability index는 0점 49.8%, 1점 28.0%, 2점 12.5%, 3점 6.0%, 4점 이상 3.7%로 점수가 낮은 집단이 많은 것으로 나타났다.
재원일수에 영향을 끼치는 주요 요인을 살펴보는 기술적 분석으로는 다중회귀분석이 가장 적합한 것으로 나타났다. 구체적으로 급성뇌졸중 환자의 재원일수 절감의 구체적인 방안을 마련하는 데는 대화식의사결정기법이 좋은 것으로 나타났다. 기존의 통계기반의 분석기법, 인공지능의 각 기법들은 각기 고유의 장점이 있으므로 이의 장점을 잘 살려서 종합적으로 데이터 분석을 할 필요가 있다는 것을 본 연구를 통해서 파악하게 되었다.
단계별 선택의 다중회귀분석결과에 따르면 재원일수에 영향을 끼치는 주요변수는 주진단, 수술유무, 부진단 유무, 입원경로 급성뇌졸중 환자의 재원일수에 영향을 끼치는 주요 요인을 알수 있었다.
대화식 의사결정나무 분석결과에 따르면 재원일수에 영향을 끼치는 주요 요인은 수술유무, Charlson comorbidity index, 주진단, 지불보상유형, 성, 연령, 병상 규모, 퇴원형태 등으로 나타났다. 특히, 이러한 요인의 영향력의 정도가 각 하위집단별로 다르게 나타났다.
첫째, 재원 기간을 줄수록 의료기관은 수익성이 향상될 수 있다. 둘째, 환자는 입원기간이 짧을수록 입원비가 절감되는 효과를 얻을 수 있다. 셋째.
급성뇌졸중 환자의 재원일수 예측모형을 통계분석기법인 다중회귀분석기법, 인공지능기법인 대화식 의사결정나무, 신경망 기법을 이용하여 개발하였다. 또한 개발된 모형의 성능을 평가하고 평가결과를 검토한 결과 각각의 기법들이 정보 활용의 측면에서는 각기 장점이 있었다. 이를 통해서 우리는 특정기법에 의존하는 분석보다는 분석목적에 맞추어서 거기에 가장 적합한 기법을 활용할 필요가 있다는 것을 알게 되었다.
모형평가 결과 Root ASE는 신경망 기법이 22.7, 앙상블 모형이 22.7이 가장 낮은 것으로 나타났다. 즉, 신경망 기법이나 앙상블기법이 예측력이 가장 우수한 것으로 나타났다.
병원소재별로는 제주를 기준으로 했을 경우 서울, 대구 등의 재원일수는 짧고, 부산, 대전 등의 재원일수는 길었다. 병상규모별로는 1,000병상 이상을 기준으로 했을 경우 100-299병상, 300-499병상은 재원일수가 길고, 500-599병상은 짧은 것으로 나타났다. 지불보상 유형별로는 일반을 기준으로 했을 때 건강보험, 의료급여 1종은 재원일수가 짧고, 의료급여 2종, 산재보험, 자동차보험은 길었다.
본 연구를 통하여 급성뇌졸중환자의 재원일수를 예측하는 모형을 다중회귀분석, 대화식 의사결정나무, 신경망분석, 앙상블 기법을 이용하여 개발하고 모형의 우수성은 Root ASE 지표를 이용하여 평가를 하였다. 분석결과 다중회귀분석은 23.7, 대화식의사결정나무는 23.7, 신경망분석은 22.7, 앙상블은 22.7로 나타났다. 즉, 신경망 기법이나 앙상블기법이 가장 좋은 것으로 나타났다.
분석대상자들이 이용한 병원의 소재지는 서울 21.3%, 경기 15.8%, 대구 7.4%, 광주 6.0% 등의 순으로 나타나서 서울지역 의료기관을 이용한 자가 가장 많은 것으로 나타났다.
본 연구의 분석대상자는 7,331명이였다. 분석대상자의 일반적 특성은 성별로는 남자 54.9%, 여자 45.1%였다. 연령별로는 70-79세가 31.
분석대상자의 주진단은 뇌경색 71.7, 뇌내출혈 15.4% 등의 순으로 나타났다. Charlson comorability index는 0점 49.
주진단의 경우 뇌경색 환자에 비해서 지주막하 출혈, 뇌내출혈 환자인 경우 재원일수는 길고, 기타 비외상성두 개내 출혈환자인 경우는 재원일수는 짧았다. 수술 및 부진단이 없는 환자일수록 재원일수는 짧았다. 치료결과는 사망을 기준으로 했을 경우 호전, 호전되지 않음, 진단만 환자는 재원일수가 길고, 가망 없으면 짧았다.
그 다음으로 중요한 변수는 주진단인 것으로 나타났다. 수술을 하지 않은 환자의 경우에는 재원일수를 결정하는 주요 요인은 Charlson comorbidity index, 주진단 유형인 것으로 나타났다. 그 하위그룹에서는 성, 병상규모 등 다양한 요인이 재원일수에 영향을 끼쳤다[8,9].
그 다음으로 중요한 변수는 주진단인 것으로 나타났다. 수술을 하지 않은 환자의 경우에도 재원일수를 결정하는 주요 요인은 Charlson comorbidity index, 주진단 유형인 것으로 나타났다. 그 하위그룹에서는 성, 병상규모 등 다양한 요인이 재원일수에 영향을 끼쳤다.
대화식 의사결정나무 분석에 따르면 급성뇌졸중 환자의 재원일수를 결정하는 가장 중요한 요인은 수술유무로 나타났다. 수술환자인 경우에는 Charlson comorbidity index 점수가 높을수록 재원일수가 길었다. 그 다음으로 중요한 변수는 주진단인 것으로 나타났다.
국내에서는 홍성옥이 목의 손상환자에 대해서 중증도 보정 재원일수 예측모형을 의사결정나무 기법을 이용하여 개발하였고, 정석훈은 신경망기법을 이용하여 재원일수 예측모형을 개발하였다[6,7]. 이러한 연구를 통하여 기존의 통계기법보다는 인공지능 기법을 이용하여 재원일수를 예측하는 것이 보다 우수한 모델을 개발할 수 있는 것으로 나타났다. 따라서 이제는 인공지능을 이용하여 재원일수의 예측모형의 우수성을 입증하는 연구보다는 인공지능의 다양한 기법을 보다 효율적으로 활용하여 실제 의료기관에서 재원일수를 절감할 수 있는 구체적인 방향을 제시할 수 있는 연구가 필요하다.
즉, 신경망 기법이나 앙상블기법이 예측력이 가장 우수한 것으로 나타났다. 이를 통하여 급성뇌졸중 환자의 재원일수의 예측적 목적의 분석기법으로는 신경망기법이나 앙상블기법이 가장 적합한 것으로 나타났다.
또한 개발된 모형의 성능을 평가하고 평가결과를 검토한 결과 각각의 기법들이 정보 활용의 측면에서는 각기 장점이 있었다. 이를 통해서 우리는 특정기법에 의존하는 분석보다는 분석목적에 맞추어서 거기에 가장 적합한 기법을 활용할 필요가 있다는 것을 알게 되었다. 이를 통하여 다음과 같은 것을 제안하고자 한다.
급성 뇌졸중 환자의 재원일수 예측모형은 종속변수는 재원일수, 독립변수는 성, 연령, 지불보상유형, 입원경로, 수술유무, 부진단유무, 퇴원형태, 치료결과, 병상규모, 주진단, Charson comorbidity index, 병원소재지로 하여 단계별 선택방법에 따라서 모형을 개발하였다. 재원일수에 영향을 끼치는 유의한 변수는 성, 지불보상유형, 입원경로, 수술유무, 부진단유무, 퇴원형태, 치료결과, 병상규모, 주진단, Charson comorbidity index, 병원소재지로 나타났다. 모형의 설명력인 R2는 0.
즉, 신경망 기법이나 앙상블기법이 가장 좋은 것으로 나타났다. 재원일수에 영향을 끼치는 주요 요인을 살펴보는 기술적 분석으로는 다중회귀분석이 가장 적합한 것으로 나타났다. 구체적으로 급성뇌졸중 환자의 재원일수 절감의 구체적인 방안을 마련하는 데는 대화식의사결정기법이 좋은 것으로 나타났다.
주진단의 경우 뇌경색 환자에 비해서 지주막하 출혈, 뇌내출혈 환자인 경우 재원일수는 길고, 기타 비외상성두 개내 출혈환자인 경우는 재원일수는 짧았다. 수술 및 부진단이 없는 환자일수록 재원일수는 짧았다.
그 하위그룹에서는 성, 병상규모 등 다양한 요인이 재원일수에 영향을 끼쳤다[8,9]. 즉, 각 집단의 특성에 따라 재원일수를 절감할 수 있는 보다 구체적인 방안을 도출해 줄 수 있는 정보를 제공해 줌에 따라 대안적 분석기법으로는 대화식 의사결정나무가 적합하다는 것을 알 수 있었다[16].
7로 나타났다. 즉, 신경망 기법이나 앙상블기법이 가장 좋은 것으로 나타났다. 재원일수에 영향을 끼치는 주요 요인을 살펴보는 기술적 분석으로는 다중회귀분석이 가장 적합한 것으로 나타났다.
즉, 신경망 기법이나 앙상블기법이 예측력이 가장 우수한 것으로 나타났다.
7이 가장 낮은 것으로 나타났다. 즉, 신경망기법이나 앙상블기법이 예측력이 가장 우수한 것으로 나타났다.
재원일수는 의료기관에서 적극적으로 관리하고 국가 또한 세심하게 챙겨보는 항목 중의 하나이다. 첫째, 재원 기간을 줄수록 의료기관은 수익성이 향상될 수 있다. 둘째, 환자는 입원기간이 짧을수록 입원비가 절감되는 효과를 얻을 수 있다.
수술 및 부진단이 없는 환자일수록 재원일수는 짧았다. 치료결과는 사망을 기준으로 했을 경우 호전, 호전되지 않음, 진단만 환자는 재원일수가 길고, 가망 없으면 짧았다. 퇴원형태별로는 기타를 기준으로 했을 경우 귀가, 전원, 사망이면 재원일수는 짧았다.
1일로 나타났다. 치료결과별로는 호전이 18.2일, 사망이 15.7일로 치료결과에 따라 평균재원일수가 차이가 있었다. 병상규모별로는 300-499병상이 20.
치료결과는 사망을 기준으로 했을 경우 호전, 호전되지 않음, 진단만 환자는 재원일수가 길고, 가망 없으면 짧았다. 퇴원형태별로는 기타를 기준으로 했을 경우 귀가, 전원, 사망이면 재원일수는 짧았다. 병원소재별로는 제주를 기준으로 했을 경우 서울, 대구 등의 재원일수는 짧고, 부산, 대전 등의 재원일수는 길었다.
8일에 비해 높았다. 퇴원형태별로는 사망인 경우는 29.8일, 전원은 25.6일, 귀가는 16.1일로 나타났다. 치료결과별로는 호전이 18.
모형평가는 Root ASE지표를 이용하였다. 평가용 데이터에서 Root ASE는 신경망 기법이 22.7, 앙상블 모형이 22.7이 가장 낮은 것으로 나타났다. 즉, 신경망기법이나 앙상블기법이 예측력이 가장 우수한 것으로 나타났다.
후속연구
넷째, 대안적 분석 측면에서는 대화식의사결정나무 기법이 도움이 되므로 이를 효율적으로 활용할 필요가 있다. 다섯째, 데이터 분석을 종합적인 관점에서 실시하고 그리고 분석결과를 서비스와 연계할 수 있는 방안도 고려하여서 분석하는 것이 필요하다.
둘째, 재원일수 예측 시에 특정 모형에 의존하는 방식보다는 여러 가지 모형의 결과를 평균하여 예측하는 앙상블기법을 활용할 것을 제안 한다.
이러한 연구를 통하여 기존의 통계기법보다는 인공지능 기법을 이용하여 재원일수를 예측하는 것이 보다 우수한 모델을 개발할 수 있는 것으로 나타났다. 따라서 이제는 인공지능을 이용하여 재원일수의 예측모형의 우수성을 입증하는 연구보다는 인공지능의 다양한 기법을 보다 효율적으로 활용하여 실제 의료기관에서 재원일수를 절감할 수 있는 구체적인 방향을 제시할 수 있는 연구가 필요하다. 본 연구에서는 인공지능을 이용하여 재원일수 예측모형을 개발하여 재원일수에 대한 체계적인 벤치마킹과 이를 기반으로 구체적인 재원일수 절감을 위한 노력을 유도할 수 있는 데이터 분석 방안에 대해서 연구를 하고자 한다.
첫째, 재원일수 예측모형을 개발할 시에는 모형의 성능 못지않게 개발 모형의 활용성을 고려하여 분석할 것을 제안한다.
질의응답
핵심어
질문
논문에서 추출한 답변
2026년 의료분야에서 인공지능의 영역별 시장규모는 어떠한가?
특히, 2021년부터 2026년 사이의 5년간에는 시장규모가 10배 증가하여 2026년에는 170조원 정도로 추정하고 있다. 2026년에 의료분야에서 인공지능의 영역별 시장규모는 로봇보조수술 46조원, 가상간호서비스지원 23조원, 업무프로세스 개선 21조원, 건강보험심사 20조원 등의 순으로 예측되었다[1].
머신러닝의 기법에는 어떤 것이 있는가?
머신러닝은 인공지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신러닝의 기법으로는 일반화선형모형, 의사결정나무, 신경망, 딥러닝, 클러스터링 등이 있다. 최근에 이러한 인공지능 기법을 이용하여 재원일수를 예측하는 연구가 본격적으로 진행이 되고 있다.
재원일수를 예측하는 연구에는 어떤 것이 존재하는가?
이러한 필요성에 부응하여 통계기법을 이용하여 재원일수를 예측하는 다양한 연구가 이루어져 왔다. Gorden은 십이장궤양환자의 재원일수 예측모형을 통계적인 기법을 이용하여서 개발하였고, Chien-Lin Lin은 통계적인 모형에 근거하여 뇌출혈 및 뇌경색환자에 대한 재원일수 예측 모형을 개발하였다[2,3]. 기존의 통계기법보다 예측을 보다 잘 할 수 있는 인공지능 기법이 대두됨에 따라 인공지능 기법을 활용한 재원일수 예측모형의 개발이 필요하게 되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.