병원사망예측모형에 있어서의 동반질환 중증도 보정 도구 간 비교

국문 초록 (Abstract)

병원사망예측모형에 있어서의 동반질환 중증도 보정 도구 간 비교

의료 질 평가 중 결과평가의 대표적 지표로 사용되는 사망률은 각 의료기관에서 행해진 의료서비스 결과를 평가할 수 있는 주요 지표이다. 퇴원환자 사망에 대한 결과지표에서는 환자에 따라 질환의 중증도가 서로 다르게 나타나므로 중중도 보정이 선행되어야 하며, 이를 위한 중증도 보정 도구들이 개발되어 사용되고 있다. 이에 질환별로 보다 정확하고 타당성 있는 결과지표를 측정하기 위하여 중증도 보정 도구 간 우수성을 확인하는 비교연구의 필요성도 제기되었다.
본 연구의 목적은 의료기관 퇴원환자 사망에 주요한 영향을 미치는 동반질환에 대하여 중증도를 보정하는 도구들 간의 예측력을 비교하고, 질환별로 사망예측모형의 정확성을 높일 수 있는 우수한 중증도 보정방법을 제시하는 것이다. 이를 위하여 질병관리본부에서 수집한 퇴원손상심층조사 자료 중 2006년부터 2015년까지 10년간의 자료를 이용하였으며, 대상 질환은 지난 10여 년 간 우리나라 사망률 2-3위를 차지하고 있고 주요사망지표로도 관리되고 있는 심장질환과 뇌혈관 질환의 각 대표 질환인 급성심근경색증과 뇌졸중을 대상으로 하였다. 동반질환 중증도를 보정하는 도구로는 선행연구들에서 가장 널리 사용된 Charlson comorbidity index(CCI), Elixhauser comorbidity index(ECI)와 함께 259개 동반질환을 포함하고 있는 Clinical classification software(CCS) 진단군을 적용하였다.
사망예측모형에 대한 동반질환 중증도 보정 도구 간 예측력을 비교하기 위하여 머신러닝의 지도학습에 사용되는 모델링 기법 중 로지스틱 회귀분석, 의사결정나무, 신경망, 서포트 벡터 머신을 이용하였다. 사망예측모형의 타당성을 확보하기 위하여 모형 개발 및 과적합(over-fitting)을 방지하기 위한 내적타당도 검증 그룹과 외적 타당도 검증 그룹으로 나누었고 두 진단 그룹 모두 내적 검증을 위한 자료는 모형구축을 위해 데이터를 학습용(training) 60%, 검증용(test) 40%로 구분하여 분석에 활용하였다. 모형의 적합성 측정은 AUC를 이용하였으며 4단계 모델을 구축하여 각각을 비교하였다. 모델의 1단계에서는 동반질환만을, 2단계에서는 동반질환에 주진단을 추가하고, 3단계에서는 2단계에 성과 연령을 추가하고, 4단계에서는 급성심근경색증의 경우 3단계에 입원경로, PCI 시행 유무, CABG 시행 유무를, 뇌졸중의 경우 3단계에 수술 유무를 추가하였다.
연구 결과 주진단 분포는 급성 심근경색증의 경우 상세불명 급성심근경색증 40.8%, 뇌졸중의 경우 뇌경색증 69.4%로 가장 높은 분포를 보였다(p<0.05). 동반질환은 급성 심근경색증의 경우 ECI 에서는 상세불명의 고혈압, 합병증 없는 당뇨, 울혈성 심질환의 순으로 높은 분포를 보였고, CCS 에서는 본태성 고혈압, 심장 죽상경화증, 합병증 없는 당뇨의 순이었다(p<0.05). 뇌졸중의 경우 ECI 에서는 상세불명의 고혈압, 합병증 없는 당뇨, 마비의 순으로 높은 분포를 보였고, CCS 에서는 본태성 고혈압, 합병증 없는 당뇨, 급성뇌혈관질환의 순이었다(p<0.05).
사망에 영향을 미치는 요인으로는 급성심근경색증의 경우 로지스틱 회귀분석에서 주진단, 성별, 연령, 입원경로, PCI 시행유무, 동반질환으로 나타났으며 의사결정나무에서는 주진단, 패혈증, 심정지 및 심실세동, 흡인성 폐렴, 쇼크로 나타났다. 뇌졸중의 경우 로지스틱 회귀분석에서 주진단, 성별, 연령, 입원경로, 수술유무, 동반질환으로 나타났으며 의사결정나무에서는 주진단, 패혈증, 급성 뇌혈관 질환, 심정지 및 심실세동, 신장질환으로 나타났다.
중증도 보정 도구 간 비교에서는 급성심근경색증과 뇌졸중 그룹 모두에서 CCS를 포함한 모형의 예측력이 모든 단계에서 가장 우수하였고 그 다음으로 ECI, CCI의 순이었다.
단계별 사망예측모형의 평가에서는 급성심근경색증과 뇌졸중 그룹 모두 독립변수들을 추가할수록 예측력이 더 우수하였으며, 서포트 벡터 머신 기법에서의 모형이 가장 우수한 결과를 보였다. 따라서 심근경색증과 뇌졸중 두 진단그룹에서 모두 CCS 진단군을 이용하고 변수들을 가장 많이 추가한 4단계의 사망예측모형을 선택하여 서포트 벡터 머신 기법으로 분석할 때 가장 우수한 예측력을 나타냈다(AMI AUC 0.800, stroke AUC 0.830).
그러므로, 사망예측모형에서의 중증도 보정 도구별 예측력을 비교한 본 연구에서는 CCI와 ECI에 비해 동반질환의 분류에서 누락되는 진단이 없는 CCS 진단군이 보다 우수한 예측력을 나타내었고, 변수들을 추가하여 비교한 4단계 모형 모두에서도 CCS 진단군을 이용하는 것이 보다 타당성 있는 예측값을 얻을 수 있다는 결과를 도출하였다. 또한 연구결과에 의거하여 급성심근경색증과 뇌졸중 사망예측모형 구축 시에는 CCS 진단군과 함께 서포트 벡터 머신을 활용한다면 최적의 예측력을 얻을 수 있을 것으로 여겨진다. 이러한 결과는 단일 의료기관에서의 결과평가 지표 산출을 위한 방법론으로도 유용하게 활용될 수 있을 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• A. 연구의 배경 및 필요성 1
• B. 연구 목적 6
• C. 연구 모형 7
• II. 연구 대상 및 방법 8
• A. 연구 대상 8
• B. 변수 정의 12
• C. 분석 방법 20
• Ⅲ. 결과 27
• A. 연구대상자의 특성 27
• B. 동반질환 중증도 보정 도구 및 사망예측모형 비교 및 평가 42
• Ⅳ. 고찰 77
• A. 연구 방법에 대한 고찰 77
• B. 연구 결과에 대한 고찰 81
• C. 연구의 제한점 85
• Ⅴ. 결론 86
• 참고문헌 88
• 부록 96
• ABSTRACT 108

참고문헌 (Reference)

1. : 뇌졸중 환자의 사망 추 적연구, 김건엽, 홍남수, 이상원, 임지혜, 이건세, 배희준, 대한의사협회지 54: 1199-1208, , 2011

2. : 노인입원환자의 의료이용에 관한 연구, 정규호, 디지털융복합연구 10: 219-225, , 2012

3. 머신러닝을 활용한 스마트 서비스와 금융, 이근영, 전자금융과 금융보안, 7: 31-66, , 2015

4. : 딥러닝 기반 앙상블을 이용한 유방암 분류, 정광모, 임동훈, 최도연, 한 국보건정보통계학회지 43: 140-147, , 2018

5. 요양급여 적정성 평가 발전방안에 관한 연구, 김 윤, 서울대학교 의과대 학 의료관리학연구소, pp.157-176, , 2010

6. Charlson 동반질환의 ICD-10 알고리즘 예측력 비교연구, 김경훈, 예방 의학회지 43: 42-49, , 2010

7. : 급성심근경색증 환자 중증도 보정 사망 모형 개발, 남문희, 임지혜, 한국 산학기술학회논문지 13: 2672-2679, , 2012

8. : 한국과 미국 의료기관의 중증도 보정 사망률 비교, 강성홍, 정태경, 디지 털융복합연구 11: 371-384, , 2013

9. : 뇌졸중 환자의 기대여명과 삶의 질, QALY에 대한 연구, 조가원, 김남권, 이동효, 서은성, 대한예방한의학회지 16: 15-26, , 2012

10. 심장질환 입원환자의 재원일수 중증도 보정 모형 개발, 김윤진, 최연희, 홍성옥, 허혈성, 한국자료분석학회지 17: 407-421, , 2015

11. 목의 손상 입원환자의 중증도 보정 재 원일수 변이요인, 강성홍, 박종호, 김영택, 홍성옥, 보건사회연구원. 35: 561-583, , 2015

12. : 뇌졸중 환자의 Charlson Comorbidity Index에 따른 사망률 분석, 김가희, 임지혜, 한국콘텐츠학회논문지 16: 22-32, , 2016

13. : 건강보험 청구자료를 이용한 병원 사망률 비교 지표 개발, 이은정, 서울: 서울대학교 대학원, , 2011

14. : 요양병원의 서비스 질 평가를 위한 요실금 결과 지표 개발, 윤주영, 이지윤, 대한간호학회지 40:110-118, , 2010

15. 기계 학습 응용 및 학습 알고리즘 성능 개선 방안 사례 연구, 이호현, 정승현, 최은정, 디지털융복합연구 14: 245-258, , 2016

16. 급성심근경색증 환자의 동반상병지수에 따른 건강결과 분석, 임지혜, 박재용, 보건행정학회지 21: 541-564, , 2011

17. : 급성 뇌졸중 환자의 중증도 보정 재원일수 변이 에 관한 연구, 강성홍, 석향숙, 김원중, 디지털융복합연구 11:221-233, , 2013

18. : 기계학습을 적용한 자기보고 증상 기반의 어혈 변증 모델 구축, 김재효, 박영배, 김현호, 강연석, 양승범, 경락경혈학회 33: 102-113, , 2016

19. : 인공지능을 이용한 급 성 뇌졸중 환자의 재원일수 예측모형 개발, 강성홍, 박명화, 최병관, 김촉환, 서정숙, 함승우, 디지털융복합연구 16: 231-242, , 2018

20. Receiver Operating Characteristic (ROC) Curve를 이용한 민감도와 특이도 측정, 송상욱, 가정의학회지 30:841-842, , 2009

21. : 동반질환 및 동반상병 지수와 수술한 암의 질병부담 간의 관련 성, 김은정, 서울: 고려대학교 대학원, , 2011

22. : 상세불명 병원체 폐렴의 중증도 보정 재원일수 모형 개 발 및 적용, 박종호, 윤경일, 병원경영학회지 19: 21-33, , 2014

23. 기계학습 기법을 활용한 지역아동센터 아동의 학교유형별 예측모형, 이재영, 장인홍, 이동수, 한국데이터정보과학회지 30: 127-137, , 2019

24. : 관상동맥우회술 시행환자의 중증도 보 정 재원일수 변이에 관한 연구, 김원중, 김유미, 강성홍, 김선자, 품질경영학회지 39: 391-399, , 2011

25. 기계학습 (Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구, 김수현, 진재현, 오미애, 천미경, 최현수, 장준혁, 세종: 한국보건사회연구원, pp.104-106, , 2017

26. 공간무시 뇌졸중 환자에서 동반된 인지기 능 손상과 기능적 예후의 관계, 김보람, 이종민, 편측, 정은화, 뇌신경재활 9:37-47, , 2016

27. : 정신분열병 환자의 재원일수 결정요인 : 퇴원손상심층조 사 자료를 이용하여, 김성수, 차선경, 디지털융복합연구 11: 351-359, , 2013

28. : 급성심근경색증 환자의 증상 인지와 건강행위 이행이 내원시간에 미치는 영향, 김정선, 한은주, 성인간호학회지 27: 83-93, , 2015

29. 기계학습모델을 통한 응급실 폐렴환자의 사망예측 모델과 기존 예측 모델의 비교, 문형기, 김수현, 배열, 대한응급의학회지 29:455-464, , 2018

30. : 인경신경망을 이용한 한국프로야구 관중 수요 예측에 관한 연구. 정보처리학회논문지, 박상현, 박진욱, 소프트웨어 및 데이터 공학 6:565-572, , 2017

31. : 머신러닝을 이용한 신경계통의 질환 퇴원환자의 중증도 보정 재원일수 예측 모형 개발, 강성홍, 박종호, 보건사회연구원, 239: 390-427, , 2019

32. 퇴원손상심층조사 자료를 기반으로 한 급성심 근경색환자재원일수의 중증도 보정 모형 개발, 강성홍, 김은주, 김원중, 김성수, 한국산학기술학회 논문지 14: 4910-4918, , 2013

33. 수술 후 장기 생존의 예측인자로서 Charlson Comorbidity Index: 한국에서 전국적인 후향적 코호트 연구, 남병호, 김소영, 이상일, 유방암, 강한성, 우혜경, 박종혁, 한국유방암학회 13: 409-417, , 2010

34. : 손상 및 외상 사망 환자의 재원일수 특 성에 관한 융합 연구 - 퇴원손상심층조사자료를 중심으로, 김두리, 김광환, 이무식, 송유림, 한국융합학회 논문지 8:87-96, , 2017

35. : 위암환자에서 의무기록과 행정자료를 활용한 Charlson Comorbidity Index의 1년 이 내 사망 및 재원일수 예측력 연구, 황세민, 김경훈, 박형근, 윤석준, 서현주, 안형식, 경민호, 예방의학회지 42: 117-122, , 2009

36. 건강보험 청구자료에서 동반질환 보정방법과 관찰기관 비교 연구: 경피적 관상동맥 중재술을 받은 환자를 대상으로, 김경훈, 안이수, 예방의학 회지 42: 267-273, , 2009