불필요한 재입원을 예방하기 위해서는 재입원 확률이 높은 집단을 집중적으로 관리할 필요가 있다. 이를 위해서는 재입원 예측모형의 개발이 필요하다. 재원예측 모형을 개발하기 위해 1개 대학병원의 2016년에서 2017년의 2년간의 퇴원요약환자 데이터를 수집하였다. 이때 재입원 환자는 연구 기간 내에 2번 이상 퇴원한 환자라 정의 하였다. 재입원환자의 특성을 파악하기 위해 기술통계와 교착분석을 실시하였다. 재입원 예측 모형개발은 데이터마이닝 기법인 로지스틱회귀모형, 신경망, 의사결정모형을 이용하였다. 모형평가는 AUC(Area Under Curve)를 이용하였다. 로지스틱회귀모형이 AUC가 0.81로 가장 우수하게 나옴에 따라 본 연구에서는 로지스틱 회귀모형을 최종 재입원 예측 모형으로 선정을 하였다. 로지스틱회귀모형에서 선정된 재입원에 영향을 끼치는 주요한 변수는 성별, 연령, 지역, 주진단군, Charlson 동반질환지수, 퇴원과, 응급실 경유 여부, 수술여부, 재원일수, 총비용, 보험종류 등이었다. 본 연구에서 개발한 모형은 1개병원의 2년치 자료이므로 일반화하기에는 제한점이 있다. 추후에 여러 병원 장기간의 데이터를 수집하여 일반화 할 수 있는 모형을 개발하는 것이 필요하다. 더 나아가 계획에 없던 재입원 까지 예측을 할 수 있는 모형을 개발하는 것이 필요하다.
불필요한 재입원을 예방하기 위해서는 재입원 확률이 높은 집단을 집중적으로 관리할 필요가 있다. 이를 위해서는 재입원 예측모형의 개발이 필요하다. 재원예측 모형을 개발하기 위해 1개 대학병원의 2016년에서 2017년의 2년간의 퇴원요약환자 데이터를 수집하였다. 이때 재입원 환자는 연구 기간 내에 2번 이상 퇴원한 환자라 정의 하였다. 재입원환자의 특성을 파악하기 위해 기술통계와 교착분석을 실시하였다. 재입원 예측 모형개발은 데이터마이닝 기법인 로지스틱회귀모형, 신경망, 의사결정모형을 이용하였다. 모형평가는 AUC(Area Under Curve)를 이용하였다. 로지스틱회귀모형이 AUC가 0.81로 가장 우수하게 나옴에 따라 본 연구에서는 로지스틱 회귀모형을 최종 재입원 예측 모형으로 선정을 하였다. 로지스틱회귀모형에서 선정된 재입원에 영향을 끼치는 주요한 변수는 성별, 연령, 지역, 주진단군, Charlson 동반질환지수, 퇴원과, 응급실 경유 여부, 수술여부, 재원일수, 총비용, 보험종류 등이었다. 본 연구에서 개발한 모형은 1개병원의 2년치 자료이므로 일반화하기에는 제한점이 있다. 추후에 여러 병원 장기간의 데이터를 수집하여 일반화 할 수 있는 모형을 개발하는 것이 필요하다. 더 나아가 계획에 없던 재입원 까지 예측을 할 수 있는 모형을 개발하는 것이 필요하다.
In order to prevent unnecessary re-admission, it is necessary to intensively manage the groups with high probability of re-admission. For this, it is necessary to develop a re-admission prediction model. Two - year discharge summary data of one university hospital were collected from 2016 to 2017 to...
In order to prevent unnecessary re-admission, it is necessary to intensively manage the groups with high probability of re-admission. For this, it is necessary to develop a re-admission prediction model. Two - year discharge summary data of one university hospital were collected from 2016 to 2017 to develop a predictive model of re-admission. In this case, the re-admitted patients were defined as those who were discharged more than once during the study period. We conducted descriptive statistics and crosstab analysis to identify the characteristics of rehospitalized patients. The re-admission prediction model was developed using logistic regression, neural network, and decision tree. AUC (Area Under Curve) was used for model evaluation. The logistic regression model was selected as the final re-admission predictive model because the AUC was the best at 0.81. The main variables affecting the selected rehospitalization in the logistic regression model were Residental regions, Age, CCS, Charlson Index Score, Discharge Dept., Via ER, LOS, Operation, Sex, Total payment, and Insurance. The model developed in this study was limited to generalization because it was two years data of one hospital. It is necessary to develop a model that can collect and generalize long-term data from various hospitals in the future. Furthermore, it is necessary to develop a model that can predict the re-admission that was not planned.
In order to prevent unnecessary re-admission, it is necessary to intensively manage the groups with high probability of re-admission. For this, it is necessary to develop a re-admission prediction model. Two - year discharge summary data of one university hospital were collected from 2016 to 2017 to develop a predictive model of re-admission. In this case, the re-admitted patients were defined as those who were discharged more than once during the study period. We conducted descriptive statistics and crosstab analysis to identify the characteristics of rehospitalized patients. The re-admission prediction model was developed using logistic regression, neural network, and decision tree. AUC (Area Under Curve) was used for model evaluation. The logistic regression model was selected as the final re-admission predictive model because the AUC was the best at 0.81. The main variables affecting the selected rehospitalization in the logistic regression model were Residental regions, Age, CCS, Charlson Index Score, Discharge Dept., Via ER, LOS, Operation, Sex, Total payment, and Insurance. The model developed in this study was limited to generalization because it was two years data of one hospital. It is necessary to develop a model that can collect and generalize long-term data from various hospitals in the future. Furthermore, it is necessary to develop a model that can predict the re-admission that was not planned.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
병원의 재입원은 환자진료의 부정적인 결과를 의미하며 의료비 증가의 주요 요인이 된다. 본 연구는 일개 대학병원의 2016~2017년 퇴원환자 59,619명을 대상으로 데이터마이닝을 이용하여 재입원 예측 모형을 개발하고 재입원의 특성과 현황을 살펴보고자 하였다. 퇴원환자 요약 데이터의 주요항목은 퇴원환자의 성, 연령, 내원경위, 입원경로, 중환자실 재실여부, 치료결과 및 퇴원형태, 수술여부, 합병증, 감염 여부, 주진단, 부진단, 수술 및 처치코드 등이다.
재입원 환자를 효율적으로 관리하기 위해서는 신뢰할 수 있는 재입원 예측 모형을 개발하여 재입원 확률이 높은 환자를 중점적으로 관리하는 것이 필요하다. 본 연구는 일개 대학병원의 퇴원환자 요약 자료를 이용하여 재입원 예측 모형을 개발하고 재입원 환자의 특성을 파악하였다. 그러나 일개 병원의 자료임에 따라 일반화하기에는 제한점이 있다.
주진단의 재입원여부에 대한 교차비를 살펴보았다. 주진단의 유형이 너무 많음에 따라 교차비가 높은 상위 10개와 교차비가 낮은 상위 10개의 질환의 교차비 만을 살펴보았다.
병원별 재입원율은 국가 전체 평균 재입원율을 기준으로 수치가 낮을수록 질적 수준이 양호한 것으로 판단하게 된다. 즉 적절한 퇴원 유도 및 불필요한 입원을 감소시킴으로써 의료의 질과 비용 절감 및 효율성을 증진한다는 목적이다. 현재까지 2015년(2014년 진료분)과 2018년(2017년 진료분) 두 차례에 걸쳐 결과가 발표되었으며, 재입원율은 2015년 6.
특히 기존의 로지스틱회귀모형과 같은 전통적 통계 모형[14] 이외에 최근에 각광 받고 있는 받고 있는 기계학습 기법인 신경망모형, 의사결정기법 등을 이용하여 모형을 개발할 필요가 있다. 최근 기계학습을 이용한 재입원 예측 모델링이 시도되고 있으며[15,16], 이를 위해 본 연구는 일개 대학병원을 대상으로 기계학습 및 전통적 통계 모형을 포함한 데이터마이닝을 이용하여 재입원 예측 모형을 개발하여 재입원의 특성과 현황을 살펴보고자 한다.
제안 방법
데이터 마이닝을 이용한 재입원 예측 모형 중 로지스틱 회귀모형이 신경망 기법과 성능이 비슷하지만 모형의 특성을 살펴 볼 수 있다는 장점이 있어 본 연구에서는 로지스틱 회귀모형을 재입원 예측의 최종 모형으로 선정을 하였다. 로지스틱회귀 분석결과 재입원에 영향을 끼치는 유의한 변수는 성별, 연령, 지역, CCS 주진단군, Charlson 동반질환지수, 퇴원과, 퇴원형태, 응급실경유 여부, 재원일수, 수술 여부, 성, 총진료비, 지불유형으로 나타났다.
로지스틱 회귀모형이 신경망기법과 성능이 비슷하지만 모형의 특성을 살펴 볼 수 있다는 장점이 있어서 본 연구에서는 로지스틱 회귀모형을 재입원 예측의 최종 모형으로 선정을 하였다.
로지스틱회귀모형, 자동신경망, 의사결정나무 기법을 이용하여 재입원 예측모형을 개발하고 모형의 성능을 비교 하였다. 모형 성능의 평가지표로는 AUC(Area Under Curve), 오분류율(Misclassification Rate), Root ASE(Averaged Squared Error)를 이용하였다.
CIHI는 환자요인 및 병원요인 이외에도 재입원을 예방하는 지역사회 자원활용 가용성 등 지역사회 요인 등을 적용하였다[9]. 본 연구는 입원경로, 퇴원경로 등 의료시스템의 구조와 관련된 요인도 포함하였다.
본 연구를 위하여 전산실에서 엑셀형태로 데이터를 다운로드 받아서 정제작업을 거쳤다. 재입원과 관련이 없는 사망 및 임종퇴원은 변수에서 제외하고, 지역은 우편번호를 기준으로 서울, 경기/인천, 지방 및 기타로 지역을 구분하였고, 보험유형은 건강보험, 보호, 기타(외국인, 일반, 산재 등) 유형으로 구분하여 변수를 변환하였다.
본 연구에서 종속변수는 재입원 여부, 독립변수는 연령, 성, 입원경로, 중환자실 입원여부, 응급실 경유여부, 지역, 보험유형, 치료결과, 퇴원형태, 수술여부, 주진단코드 및 부가진단코드 와 Charlson 동반질환 지수 등이다[Table 1]. 종속변수인 재입원 여부는 2016년-2017년 사이에 입원횟수가 2회 이상이면 재입원환자, 1회만 입원환자는 재입원을 하지 않은 환자로 정의하였다.
재입원 예측 모형을 위한 독립변수로는 성, 연령, 재원일수, 퇴원과, 총진료비, 입원경로, ICU 입원 여부, 응급실경유 여부, 거주지, 보험유형, 주진단, 치료결과, 퇴원형태, 수술 여부, Charlson 동반질환 지수를 사용하였다. 모형개발은 전통적 통계기법인 로지스틱회귀모형과 머신러닝 기법인 신경망과 의사결정모형을 이용하였다.
본 연구를 위하여 전산실에서 엑셀형태로 데이터를 다운로드 받아서 정제작업을 거쳤다. 재입원과 관련이 없는 사망 및 임종퇴원은 변수에서 제외하고, 지역은 우편번호를 기준으로 서울, 경기/인천, 지방 및 기타로 지역을 구분하였고, 보험유형은 건강보험, 보호, 기타(외국인, 일반, 산재 등) 유형으로 구분하여 변수를 변환하였다. 재원일수는 단입법을 사용하였으며, 중환자실은 내, 외과계 중환자실을 이용 여부로 변수를 정의하였다.
재원일수는 단입법을 사용하였으며, 중환자실은 내, 외과계 중환자실을 이용 여부로 변수를 정의하였다. 주진단 및 기타진단을 AHRQ-CCS 코드로 변환하여 처리하였다. 환자의 동반상병 지표를 측정하기 위한 Charlson 동반질환 지수(Charlson Comorbidity Index, CCI)를 계산하기 위해서도 CCS 코드를 이용하였다.
주진단의 재입원여부에 대한 교차비를 살펴보았다. 주진단의 유형이 너무 많음에 따라 교차비가 높은 상위 10개와 교차비가 낮은 상위 10개의 질환의 교차비 만을 살펴보았다. 이때 기준이 되는 주진단은 상세불명의 잔여코드였다.
대상 데이터
서울 소재 일개 병원의 2016∼2017년까지 2년간 퇴원요약 환자 데이터 59,619건을 수집하였다.
서울 소재 일개 병원의 2016∼2017년까지 2년간 퇴원요약 환자 데이터 59,619건을 수집하였다. 이 중 사망 및 임종퇴원을 제외한 58,702건을 이용하여 분석을 하였다. 퇴원요약은 입원에서 퇴원까지 생성된 모든 정보를 수집한 것으로 일반적인 환자정보, 진단정보, 진료특성 정보 등 환자와 관련된 모든 정보가 코드화 되어 수집된다.
분석 대상자를 CCS(Clinical classification software) 진단군 기준으로 주진단에 따른 의료이용을 분석한 결과를 살펴보면 [Table 12]와 같다. 주진단 중 건수가 10건 이하인 주진단을 제외하고 상위 20위에 해당하는 진단은 모두 악성신생물에 해당하는 상병으로 분석되었다. 가장 높은 재입원을 보인 상병은 유지관리를 위한 항암화학요법 및 방사선 치료(Maintenance chemotherapy-radiotherapy)로 88.
퇴원환자의 재입원 및 재입원 여부에 따른 특성을 분석하기 위하여 일개 대학병원의 2016∼2017년의 2년간의 퇴원요약 데이터를 분석하였다.
데이터처리
대상자의 일반적 특성, 진료적 특성, 주진단 분포, CCI 분포, 동반상병 분포에 대해서는 빈도분석을 실시하였다. 제 특성에 따른 재입원 여부에 대해서는 교차분석을 실시하였다.
퇴원환자의 재입원 및 재입원 여부에 따른 특성을 분석하기 위하여 일개 대학병원의 2016∼2017년의 2년간의 퇴원요약 데이터를 분석하였다. 대상자의 일반적 특성, 진료적 특성, 주진단 분포, Charlson 동반질환 지수 분포, 동반상병 분포에 대해서는 빈도분석을 실시하였다. 제 특성에 따른 재입원 여부에 대해서는 교차분석을 실시하였다.
분석 도구는 기술통계 분석은 SAS STAT, 데이터 마이닝 분석은 SAS Enterprise Miner 6.1을 이용하였다.
재입원 여부에 영향을 끼치는 유의한 변수에서 변수값의 상대적인 중요성을 보기 위해서 로지스틱 회귀분석의 교차비(Odd Ratio) 값을 살펴보았다. 교차비는 기준 변수값에 비해 종속변수의 발생에 몇 배로 중요한지를 나타내는 수치이다.
재입원 여부에 영향을 끼치는 유의한 변수에서 변수값의 상대적인 중요성을 확인하기 위해 로지스틱 회귀분석의 교차비(odd ratio) 값을 살펴보았다.
대상자의 일반적 특성, 진료적 특성, 주진단 분포, Charlson 동반질환 지수 분포, 동반상병 분포에 대해서는 빈도분석을 실시하였다. 제 특성에 따른 재입원 여부에 대해서는 교차분석을 실시하였다.
이론/모형
로지스틱회귀모형, 자동신경망, 의사결정나무 기법을 이용하여 재입원 예측모형을 개발하고 모형의 성능을 비교 하였다. 모형 성능의 평가지표로는 AUC(Area Under Curve), 오분류율(Misclassification Rate), Root ASE(Averaged Squared Error)를 이용하였다. 신경망기법과 로지스틱 회귀기법의 AUC와 오분류율은 각기 0.
모형 평가는 AUC(Area Under Curve), 오분류율(Misclassification Rate), Root ASE(Averaged Squated Error)를 이용하였다.
재입원 예측 모형을 위한 독립변수로는 성, 연령, 재원일수, 퇴원과, 총진료비, 입원경로, ICU 입원 여부, 응급실경유 여부, 거주지, 보험유형, 주진단, 치료결과, 퇴원형태, 수술 여부, Charlson 동반질환 지수를 사용하였다. 모형개발은 전통적 통계기법인 로지스틱회귀모형과 머신러닝 기법인 신경망과 의사결정모형을 이용하였다. 모형개발을 위한 데이터는 훈련용 60%, 검증용 40%로 분할하였다.
이때 로직스틱 회귀분형은 단계적 선택방법을 이용하여 모형을 개발하였다. 신경망모형은 AutoNeural 기법을 이용하였고, 의사결정기법은 Gini지수를 이용하였다. 모형 평가는 AUC(Area Under Curve), 오분류율(Misclassification Rate), Root ASE(Averaged Squated Error)를 이용하였다.
모형개발을 위한 데이터는 훈련용 60%, 검증용 40%로 분할하였다. 이때 로직스틱 회귀분형은 단계적 선택방법을 이용하여 모형을 개발하였다. 신경망모형은 AutoNeural 기법을 이용하였고, 의사결정기법은 Gini지수를 이용하였다.
일반질 평가에서 사용하는 재입원 위험도 보정 모형은 외과계, 내과계, 심혈관계, 심호흡계, 신경계 5개 진료군으로 분류하여 성, 연령, 보험자, 주진단군, Charlson Comorbidity Index 동반질환을 사용한 모형을 적용하였다[8]. 동반질환 보정을 위한 최초 모형은 CMS에서 임상 전문가패널을 통해 개발한 동반질환 목록인 CC(condition category)을 사용하였으나[21], 2015년(1차평가)에서는 Elixhauser Comorbidity Index 동반질환으로 변경했다가[7], 최종적으로 캐나다의 CIHI와 같이 Charlson Comorbidity Index를 사용하게 되었다[8].
재입원과 관련이 없는 사망 및 임종퇴원은 변수에서 제외하고, 지역은 우편번호를 기준으로 서울, 경기/인천, 지방 및 기타로 지역을 구분하였고, 보험유형은 건강보험, 보호, 기타(외국인, 일반, 산재 등) 유형으로 구분하여 변수를 변환하였다. 재원일수는 단입법을 사용하였으며, 중환자실은 내, 외과계 중환자실을 이용 여부로 변수를 정의하였다. 주진단 및 기타진단을 AHRQ-CCS 코드로 변환하여 처리하였다.
주진단 및 기타진단을 AHRQ-CCS 코드로 변환하여 처리하였다. 환자의 동반상병 지표를 측정하기 위한 Charlson 동반질환 지수(Charlson Comorbidity Index, CCI)를 계산하기 위해서도 CCS 코드를 이용하였다.
성능/효과
1%로 가장 많은 분포를 차지하여 많은 환자가 고혈압을 동반하고 있는 것으로 나타났다. 2번째로 많은 동반상병은 합병증이 없는 당뇨(Diabetes mellitus without complication)를 7,015건, 12.0%가 동반하고 있는 것으로 분석되었다. 3번째는 의심되는 질환에 대한 스크리닝(Other screening for suspected conditions (not mental disorders or infectious disease))이 13.
0%가 동반하고 있는 것으로 분석되었다. 3번째는 의심되는 질환에 대한 스크리닝(Other screening for suspected conditions (not mental disorders or infectious disease))이 13.6%가 동반하고 있는 것으로 나타났고, 항암 및 방사선치료가(Maintenance chemotherapy- radiotherapy) 13.0%로 4번째로 높은 동반상병으로 나타났으며, 이차성 신생물(Secondary malignancies)이 9.3%로 높은 동반상병으로 분석되었다.[Table 7]
주진단 중 건수가 10건 이하인 주진단을 제외하고 상위 20위에 해당하는 진단은 모두 악성신생물에 해당하는 상병으로 분석되었다. 가장 높은 재입원을 보인 상병은 유지관리를 위한 항암화학요법 및 방사선 치료(Maintenance chemotherapy-radiotherapy)로 88.8%의 재입원율을 보였고, 다음으로 항암화학요법의 부작용에 의한 호중구 감소 등의 백혈구 관련 질환(Diseases of white blood cells)이 87.4% 재입원 하는 것으로 분석되었다.[Table 11]
분석대상자의 동반상병 여부를 CCS(Clinical classification software) 진단군으로 분석한 결과 상위 20위의 분포는 [Table 7]과 같았다. 동반상병 중 본태성 고혈압(Essential hypertension)이 39,594건, 68.1%로 가장 많은 분포를 차지하여 많은 환자가 고혈압을 동반하고 있는 것으로 나타났다. 2번째로 많은 동반상병은 합병증이 없는 당뇨(Diabetes mellitus without complication)를 7,015건, 12.
로지스틱회귀 분석결과 성, 연령, 재원일수, 퇴원과, 총진료비, 입원경로, ICU유무, 응급실경유유무, 거주지, 보험유형, 주진단, 치료결과, 퇴원형태, 수술유무, Charosn지수 변수 중 재입원에 영향을 끼치는 유의한 변수는 지역, 연령, CCS 주진단, Charlson 지수점수, 퇴원과, 퇴원형태, 응급실경유유무, 재원일수, 수술여부, 성, 총진료비, 지불유형으로 나타났다.[Table 14]
데이터 마이닝을 이용한 재입원 예측 모형 중 로지스틱 회귀모형이 신경망 기법과 성능이 비슷하지만 모형의 특성을 살펴 볼 수 있다는 장점이 있어 본 연구에서는 로지스틱 회귀모형을 재입원 예측의 최종 모형으로 선정을 하였다. 로지스틱회귀 분석결과 재입원에 영향을 끼치는 유의한 변수는 성별, 연령, 지역, CCS 주진단군, Charlson 동반질환지수, 퇴원과, 퇴원형태, 응급실경유 여부, 재원일수, 수술 여부, 성, 총진료비, 지불유형으로 나타났다.
병원 재입원을 줄이는 정책으로 의료 시스템에 인센티브를 제공하여 병원을 떠나는 환자의 진료조정 및 퇴원과정에 더 많은 노력을 기울이도록 하는 유익한 것으로 나타났다.[11]
본 연구는 기존 청구자료 기반이 아닌 의무기록을 기반으로 한 자료를 이용하였다는 점 이외에 보정변수로서 고려한 점, 특히 기계학습을 이용하여 예측력을 높였다는 점에서 의의가 있다고 할 수 있다. 다만 지역사회 변수 등이 제외되었다는 제한점 등이 있으나 이는 모형의 목적을 어디에 둘 것인가의 문제인데 일개 병원의 질향상 목적이라고 본다면 유용한 모형으로 평가할 수 있다.
본 연구의 총 대상인원은 58,702명이었고 연구대상의 일반적 특성은 [Table 2]와 같으며 성별은 여성이 50.2%로 남성 49.8%에 비해 조금 더 많았으며, 연령분포는 70세 이상이 24.3%로 가장 높았고, 0-9세도 13.0%로 높은 분포를 보였다. 지역별로 서울이 74.
분석 대상자의 일반적 특성에 따라 살펴보면 여자보다는 남자의 재입원이 높게 나타났고, 연령별로는 0-9세가 25.6%로 높은 편이고, 대부분 연령이 증가함에 따라 재입원율이 높게 나타나는 것으로 분석되었다. 거주지별로는 경기/인천의 재입원율이 38.
분석 대상자의 진료특성에 따른 재입원을 살펴보면 중환자실 입원을 한 경우보다는 안한 경우가 36.3%로 높았고, 응급실을 경유한 경우보다는 경유하지 않은 경우가 38.6%로 높았다. 치료결과 별로는 호전되어 퇴원한 경우가 36.
2.2 분석대상자의 Charlson Comorbidity Index 분포
분석대상자의 Charlson Comorbidity Index(CCI) 기준 동반상병 지수 분포를 파악한 결과 0점이 68.1%로 가장 높았으며, 3점, 1점, 2점 순으로 높은 것으로 나타났다
.[Table 6]
분석대상자의 의료특성에 따른 재입원 여부를 분석해보면 재입원을 하는 경우의 평균 재원일수는 9.26일이고 재입원을 하지 않는 경우의 평균 재원일수는 7.96일에 비해 높았다. 총 진료비는 재입원을 하는 경우는 평균진료비가 4,464,036원이고 재입원을 하지 않는 경우 4,270,593원으로 재입원을 하는 경우의 평균진료비가 높게 나타났다.
3배 높았다. 비호지킨 림프종과유지 항암 방사선 요법은 2.1배, 뇌 및 신경계 종양은 1.7배, 백혈병 및 직장 및 항문 종양은 1.6배, 다발성 경화증은 1.5배, 유방암과 뼈 및 결합조직의 암은 1.4배, 난소암은 1.2배로 높게 나타났다. 이에 비해 하지 정맥류는 0.
이때 기준이 되는 주진단은 상세불명의 잔여코드였다. 상세불명의 잔여코드 환자에 비해 백혈구 질환의 재입원 확률은 3.3배 높았다. 비호지킨 림프종과유지 항암 방사선 요법은 2.
02배로 나타났다. 성별로는 여성보다는 남성의 재입원 교차비가 1.14배로 높게 나타났으며 수술을 한 경우보다 하지 않은 경우의 교차비가 1.71배로 높게 분석되었다. 총 진료비는 1.
32배 순이었다. 연령별로는 9세 이하에 비하여 연령이 높을수록 교차비가 높게 나와 70세 이상의 재입원이 가장 높고, 10대의 재입원이 낮은 것으로 분석되었다. 퇴원 시 상태로는 탈원에 비해 의사의 지시에 의한 퇴원이 0.
재입원 확률이 높은 주진단군은 상세불명의 잔여코드에 비해 백혈구 질환(3.3배), 비호지킨 림프종(2.1배), 유지 항암 방사선 요법(2.1배), 뇌 및 신경계 종양(1.7배), 백혈병(1.6배), 직장 및 항문 종양(1.6배), 다발성 경화증(1.5배), 유방암(1.4배), 뼈 및 결합조직의 암(1.4배), 난소암(1.2배) 순으로 나타났다. 다발성 경화증 외에는 모두 신생물 질환이었다.
21로 같게 나타났다. 즉, 신경망기법과 로지스틱 회귀모형의 성능을 비슷하나 의사결정모형은 성능이 좋지 않았다.[Table 13]
029배로 나타났다. 즉, 이를 통해서 재입원이 높은 상위 10개 주진단은 악성 암과 그와 관련된 질환이고, 재입원 확률이 낮은 상위 10개 질환은 하지정맥류, 남녀 생식기계의 단순 질환 및 정산 산모 및 신생아 황달과 실신 등 일시적으로 나타나는 증상이라는 것을 알 수 있었다. [Table 15]
다발성 경화증 외에는 모두 신생물 질환이었다. 즉, 이를 통해서 재입원이 높은 상위 10개 주진단은 악성 암과 그와 관련된 질환이고, 재입원 확률이 낮은 상위 10개 질환은 하지정맥류, 남녀생식기계의 단순 질환 및 정산 산모 및 신생아 황달과 실신 등 일시적으로 나타나는 질병이라는 것을 알 수 있었다.
8%로 가장 높았다. 지불유형별로는 의료보험이 90.1%로 가장 높았으며 진료과별로는 외과가 13.6%로 가장 높았고, 소아청소년과 11.8%, 혈액종양내과 10.9%순이었다[Table 2].
70보다 낮게 나타났고[14], 우리나라도 마찬가지로[21] C-통계량이 낮았다고 지적하였다[13]. 직접적인 비교는 어렵지만 본 연구 결과 기계학습 모형인 신경망(0.81), 로지스틱회귀(0.81), 의사결정트리(0.78) 모두 0.70보다 높게 나타났다. 본 연구가 계획된 입원과 계획되지 않은 입원을 모두 포함하였음에도 불구하고 모형의 설명력이 높은 것은 모형 구축에 사용한 변수, 기계학습의 성능의 영향이라고 유추할 수 있다.
2%로 높게 나타난 것으로 생각된다. 진료과별로는 암환자 비중이 높은 혈액종양내과의 재입원율이 88.7%로 가장 높았고, 외과 46.5%, 류마티스내과 43.8% 순으로 나타났다. 보험유형별로는 의료보호가 50.
71배로 높게 분석되었다. 총 진료비는 1.00으로 분석되었으며 보험유형으로 살펴본 결과 기타 유형보다는 보호가 1.52배로 높게 나타났고 보험은 1.07배로 나타났다.
71배로 높게 분석되었다. 총 진료비는 1.00으로 분석되었으며 보험유형으로 살펴본 결과 기타 유형보다는 보호가 1.52배로 높게 나타났고 보험은 기타에 비해 1.07배로 분석되었다.[Table 17]
5일이였다. 총 진료비는 평균 4,340,093원이였으며 표준편차는 7,277,562원이였고, 지난 6개월간 응급실을 방문한 횟수는 평균 8.2회였으며, 표준편차는 11.5회였으며, 지난 1년간 병원에 입원한 횟수는 평균 1.7회였으며 표준편차는 4.0회로 나타났다.[Table 4]
6%로 높았다. 치료결과 별로는 호전되어 퇴원한 경우가 36.3%로 재입원율이 가장 높았다. 퇴원 시 상태로 분석한 결과 의사 지시 후 퇴원한 경우가 36.
3%로 재입원율이 가장 높았다. 퇴원 시 상태로 분석한 결과 의사 지시 후 퇴원한 경우가 36.2%로 재입원율이 가장 높았고, 수술여부는 수술을 하지 않은 경우가 44.7%로 높게 나타났다. 이러한 결과는 전반적으로 암환자의 치료를 위한 재입원율이 높은 것과 연관이 있는 것으로 추론된다.
3% 였다. 퇴원 시 상태로는 의사 지시에 의한 퇴원이 97.3%로 가장 높았고, 타병원으로 전원이 2.0%, 자의퇴원이 0.7% 순이었다. 입원 중 39.
연령별로는 9세 이하에 비하여 연령이 높을수록 교차비가 높게 나와 70세 이상의 재입원이 가장 높고, 10대의 재입원이 낮은 것으로 분석되었다. 퇴원 시 상태로는 탈원에 비해 의사의 지시에 의한 퇴원이 0.66배로 가장 높았고, 자의퇴원 0.46배, 전원 0.26배로 분석되었다. 응급실 내원 여부에서는 응급실은 내원한 것 대비 내원하지 않은 경우의 교차비가 1.
퇴원과별로는 비뇨기과 대비 혈액종양내과 2.17배, 신생아과 1.51배, 외과 및 소아청소년과 1.3배, 산부인과 1.18배로 나타났으며 내분비내과는 비뇨의학과 대비 재입원할 확률이 0.17배로 가장 낮았고, 가정의학과 0.26배, 치과 및 인터벤션센터 0.31배, 성형외과 0.53배로 나타났다.
퇴원과의 재입원여부에 대한 교차 비를 분석한 결과 비뇨의학과 대비 재입원할 확률이 혈액종양내과 환자는 2.17배, 신생아과 1.51배, 외과 및 소아청소년과 1.3배, 산부인과 1.18배로 나타났으며 내분비내과는 비뇨의학과 대비 재입원할 확률이 0.17배로 가장 낮았고, 가정의학과 0.26배, 치과 및 인터벤션센터 0.31배, 성형외과0.53배로 나타났다.[Table 16]
환자의 동반상병을 측정하기 위한 지표 중 하나인 CCI(Charlson Comorbidity index)는 19개 질환에 대하여 1년 이내 사망률의 상대위험도를 근거로 가중치를 부여한 뒤 이 가중치들의 합으로 환자의 동반상병 중증도를 반영하는데 중증도 보정 CCI로 재입원 여부를 분석한 결과 CCI 점수가 3점이상인 군의 재입원율이 76.6%로 가장 높게 분석되었으며 2점이 61.7%로 높게 분석되어 CCI 중증도 보정지수가 높을수록 재입원율이 높게 나타나는 것으로 분석되었다.[Table 12]
후속연구
또한 본 연구는 계획된 재입원과 계획되지 않은 재입원을 분류하지 않았다. 따라서 향후 연구에서는 계획되지 않은 불필요한 재입원을 예측할 수 있는 모형 개발이 필요하다. 즉 대표성 있는 여러 병원의 퇴원환자 데이터를 수집하여 계획에 없는 재입원을 예측할 수 있는 모형을 개발하는 것이 필요하다.
그러나 일개 병원의 자료임에 따라 일반화하기에는 제한점이 있다. 따라서 후속 연구에서는 여러 병원의 자료를 수집하여 대표성 있는 재입원 예측모형을 개발하는 것이 필요하다. 또한 본 연구는 계획된 재입원과 계획되지 않은 재입원을 분류하지 않았다.
본 연구가 계획된 입원과 계획되지 않은 입원을 모두 포함하였음에도 불구하고 모형의 설명력이 높은 것은 모형 구축에 사용한 변수, 기계학습의 성능의 영향이라고 유추할 수 있다. 향후 이에 대해서는 보다 정교한 모형 구축을 통해 검증 할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
의료의 질을 평가하는 중요한 지표로 재입원율이 활용되는 이유는?
즉 재입원은 의료의 질과 효율성을 반영하는 지표로서 의료인뿐만 아니라 의료자원의 효율적 활용을 위해 국가적 차원에서 관심을 가지는 영역이다. 즉 비효율적 서비스로 인한 불필요한 재입원을 감소시킴으로써 비용 절감 및 효율성 증진시킬 수 있다.
동반질환이란?
동반질환(comorbidity)이란 일차적인 관심의 대상이 되는 질병과 함께 그 밖의 다른 질환들이 존재하는 상태를 말한다. 중증도 보정에서 동반질환의 보정이 중요한데 동반 질환을 보정하는 위한 도구로 대표적인 것이 Charlson Comorbidity Index(CCI)다[14].
MedPAC에서 말하는 재입원의 원인으로는 어떤 것들이 있나요?
또한 Medicare Payment Advisory Committee (MedPAC)은 재입원의 75%는 피할 수 있고, 피해야 한다고 보고하고 있다[5]. 왜냐하면 재입원은 이전 입원의 감염증, 기타 합병증, 부적절한 후속 치료 계획, 퇴원 지시의 부적절한 의사소통, 약물 조정 및 조정 실패 등이 원인이 되어 나타나기 때문이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.