일개 상급 종합병원 간호·간병통합병동의 의료행위 코드를 활용한 머신러닝 기반 간호필요도 예측 모델 개발 및 평가 = Development and Evaluation of Nursing Care Needs Machine Learning-based Prediction Model Using Medical Procedure Codes in Comprehensive Nursing Care Wards in a Tertiary Hospital

국문 초록 (Abstract)

입원환자에게 질적인 간호를 제공하기 위해서 간호인력을 적정하게 배치하는 것이 필요하다. 적정 간호인력 배치수준을 결정하기 위해서 간호필요도(nursing care needs)를 고려해야한다. 간호필요도란 환자의 건강상태와 관련된 모든 측면에서 간호사의 도움이 필요한 요구사항을 의미한다. 간호필요도 측정도구로 한국형 환자분류도구(Korean Patient Classification System, KPCS)가 여러 의료기관에서 사용되고 있으나 모든 의료기관에서 사용 중인 것은 아니며 KPCS-1을 사용하여 측정한 간호필요도를 축적하는 시스템도 개발되어 있지 않은 실정이다. 전국 모든 의료기관에 입원한 환자의 간호필요도를 추산할 수 있는 모델을 개발한다면 간호인력 배치 수준을 평가하고 이를 바탕으로 효과적인 간호인력 정책을 만들 수 있다. 본 연구는 이러한 모델을 개발하기 위한 기초연구로 일반화 성능이 뛰어난 머신러닝을 활용하여 간호·간병통합서비스 병동의 간호필요도 예측 모델을 개발하였다. 본 연구는 일개 상급종합병원 간호·간병통합서비스 병동에 2019년부터 2022년에 입원한 성인환자 13,828명의 일자별 의료행위 코드와 간호필요도 점수 데이터를 사용하여 XGBoost, Light GBM, Random Forest, Ridge Regression, Lasso Regression 5개의 머신러닝 기반 예측모델을 생성하였다. 모델링은 K-Fold 검증으로 Mean Squared Error, R2 score를 기준으로 모델을 평가하였다. XGBoost의 Train Set 평균 MSE와 R2 점수는 0.3936, 0.9342, Test Set 평균 MSE와 R2 점수는 0.4650, 0.9222로 가장 성능이 뛰어났다. Light GBM의 Train Set 평균 MSE와 R2 점수는 0.4447, 0.9256, Test Set 평균 MSE와 R2 점수는 0.4693, 0.9215이었으며 Random Forest는 Train Set 평균 MSE와 R2 점수는 0.1177, 0.9803, Test Set 평균 MSE와 R2 점수는 0.4981, 0.9167이었다. Ridge Regression의 Train Set 평균 MSE와 R2 점수는 0.5982, 0.9000, Test Set 평균 MSE와 R2 점수는 0.6108, 0.8978이었다. Lasso Regression은 Train Set과 Test Set의 R2 점수가 거의 0점으로 유효하지 않았다. 모델링에 사용한 총 722개의 의료행위 코드 중 간호필요도 점수에 미치는 영향을 확인하기 위하여 순열 중요도를 사용하였다. XGBoost에서 가장 중요한 변수는 Exercise & Activity assist (Fulll), Position change assist (Partial), Exercise & Activity assist (Partial)이, Light GBM은 Exercise & Activity assist (Fulll), Position change with massage (exclude prone position), Position change assist (Partial)이었다. Random Forest는 Exercise & Activity assist (Fulll), Position change with massage (exclude prone position), Exercise & Activity assist (Partial)이 중요한 변수였고 Ridge는 Exercise & Activity assist (Fulll), Position change with massage (exclude prone position), Exercise & Activity assist (Partial), Stoma care (1st stoma)이었다. 모든 모델에서 모델링에 중요한 영향을 미치는 변수는 대부분 ADL 보조와 관련된 행위들이었음을 알 수 있었다. 본 연구는 간호필요도 예측에 머신러닝 알고리즘의 활용 가능성을 확인하고 전국 의료기관에서 공통으로 사용할 수 있는 간호필요도 예측 모델 개발의 기초 연구로 활용될 수 있을 것이다. 추후 연구에서 전국 의료기관에서 공통으로 사용하는 청구 코드를 사용하고 간호·간병통합서비스 병동 뿐만 아니라 일반병동 등으로 대상 병동을 확대한다면 일반화 가능성이 높은 모델을 만들 수 있을 것이다.

주요어 : 간호필요도, 의료행위 코드, 머신러닝, 순열중요도 학 번 : 2022-25845

다국어 초록 (Multilingual Abstract)

Adequate nursing staffing is necessary to provide quality care to inpatients. To determine the appropriate staffing level, nursing care needs should be considered. Nursing care needs are the requirements for nursing assistance in all aspects of a patient's health condition. The Korean Patient Classification System (KPCS) is used in many nursing institutions to measure nursing care needs, but it is not used in all nursing institutions, and a system for accumulating nursing care needs measured using KPCS-1 has not been developed. Developing a model that can estimate the nursing needs of patients hospitalized in all nursing institutions nationwide can be used to evaluate nursing staffing levels and create effective nursing staffing policies. As a basic study to develop such a model, this study developed a nursing care needs prediction model for nursing-care integrated service wards using machine learning with excellent generalization performance. This study generated five machine learning-based predictive models, XGBoost, Light GBM, Random Forest, Ridge Regression, and Lasso Regression, using date-specific medical procedure codes and nursing need score data of 13,828 adult patients hospitalized in a nursing-care integrated service ward of a tertiary hospital from 2019 to 2022. The models were evaluated based on Mean Squared Error and R2 score using K-Fold validation. XGBoost performed the best with Train Set average MSE and R2 scores of 0.3936 and 0.9342, and Test Set average MSE and R2 scores of 0.4650 and 0.9222. Light GBM had train set mean MSE and R2 scores of 0.4447 and 0.9256, and test set mean MSE and R2 scores of 0.4693 and 0.9215, while Random Forest had train set mean MSE and R2 scores of 0.1177 and 0.9803, and test set mean MSE and R2 scores of 0.4981 and 0.9167. Ridge Regression had Train Set average MSE and R2 scores of 0.5982 and 0.9000, and Test Set average MSE and R2 scores of 0.6108 and 0.8978. Lasso Regression was invalid with an R2 score of almost zero for the Train Set and Test Set. Of the total 722 medical procedure codes used in the modeling, permutation importance was used to determine their impact on the nursing need score. The most important variables for XGBoost were Exercise & Activity assist (Full), Position change assist (Partial), and Exercise & Activity assist (Partial), while for Light GBM they were Exercise & Activity assist (Full), Position change with massage (exclude prone position), and Position change assist (Partial). For Random Forest, Exercise & Activity assist (Full), Position change with massage (exclude prone position), and Exercise & Activity assist (Partial) were the significant variables, and for Ridge, Exercise & Activity assist (Full), Position change with massage (exclude prone position), Exercise & Activity assist (Partial), and Stoma care (1st stoma) were the significant variables. In all models, the variables that had a significant impact on the modeling were mostly activities related to assisting with ADLs. This study confirms the feasibility of using machine learning algorithms to predict nursing care needs and can be used as a basic study for developing a nursing care needs prediction model that can be used in nursing institutions nationwide. Future studies should use billing codes common to nursing homes across the country and expand the target wards to include general wards as well as nursing and integrated care wards to create a model with high generalizability.

목차 (Table of Contents)

• 제 1 장 서 론 9
• 제 1 절 연구의 필요성 9
• 제 2 절 연구의 목적 · 11
• 제 3 절 용어의 정의 · 11
• 제 2 장 문헌 고찰 14
• 제 3 장 연구방법 · 20
• 제 1 절 연구 설계 20
• 제 2 절 연구 대상 20
• 제 3 절 연구 도구 20
• 제 4 절 CRISP-DM에 따른 자료 수집 및 분석 21
• 제 5 절 연구의 윤리적 고려 27
• 제 4 장 연구결과 · 29
• 제 1 절 일반적 특성 · 29
• 제 2 절 의료행위 코드 31
• 제 3 절 간호필요도 점수 33
• 제 4 절 모델링 40
• 제 5 절 변수 중요도 · 46
• 제 5 장 논의 · 50
• 제 1 절 개발한 모델의 성능 50
• 제 2 절 진료과별 간호필요도 점수 51
• 제 3 절 간호필요도 점수에 영향을 미치는 의료행위 코드 52
• 제 4 절 간호필요도 점수 총점 53
• 제 5 절 입원일, 퇴원일의 간호필요도 점수와 모델의 예측 성능 ·· 53
• 제 6 절 간호필요도와 간호사 인력 배치 수준 · 54
• 제 7 절 연구의 제한점 55
• 제 6 장 결론 및 제언 57
• 제 1 절 결론 · 57
• 제 2 절 제언 · 58
• 참고문헌 60
• Abstract 65