데이터 마이닝을 이용한 입원 암 환자 간호 중증도 예측모델 구축 (An Analysis of Nursing Needs for Hospitalized Cancer Patients : Using Data Mining Techniques)

서지정보

· 발행기관 : 대한종양간호학회
· 수록지 정보 : Asian Oncology Nursing / 5권 / 1호 / 3 ~ 11페이지
· 저자명 : 박선아

초록

본 연구에서 로지스틱 회귀분석, 의사결정나무, 신경망 분석을 이용하여 구축한 예측모델에서 진료과, 나이, 입원월이 공통적으로 환자간호중증도에 영향을 미치는 변수로 나타났다.
박정호, 조현, 박현애, 한혜라(1995) 연구에서는 내외과별, 요일별로 간호업무량에 변화를 준다고 하였는데 본 연구에서 변수로 인식된 진료과와 입원월이 영향을 주는 것으로 나타나 요일과 해당월이라는 차이는 있으나 입원 시점이 환자 간호중증도에 영향을 주는 변수로 나타났다.
박정호, 박현애, 조현, 최용선(1996)에서는 환자간호중증도로 간호업무량을 예측함에 있어 각 병원의 간호활동량 조사 연구에서 언급된 동선, 병동의 간호사 수 및 구성, 간호사의 경력, 간호전달 방법의 차이로 인한 변이가 영향을 준다고 하였으나 이번 연구에서는 그에 대한 비교가 이루어지지 못하였다.
로지스틱 회귀분석과 의사결정나무는 목표변수가 2개 이상이면 예측이 불가능하므로 환자간호중증도를 I군, II군을 묶고 III군, IV군을 묶어 분석을 실시하였다. 신경망 분석 역시 타 모델과 형평성을 맞추기 위하여 I군, II군을 묶고 III군, IV군을 묶어 분석하여 비교 하였다.
세 모델의 평가에서는 환자간호중증도를 예측하는데 신경망분석이 우수한 것으로 나타났다.
모델 평가 연구의 선행연구를 살펴보면, 김옥남 김윤희, 강성홍(2002)연구에서는 critical pathway 실행효과연구에서 로지스틱 회귀분석과 신경망분석, 의사결정기법의 3가지 기법을 비교하였고, 로지스틱 회귀분석이 대조군을 선정하는데 효과적이라고 평가 되었다. 이견직 정영철, 기미라(2003)연구에서는 의사결정나무 기법을 이용해 영향인자를 알아내어 신경망분석에 활용하였다. 정우진, 이선미, 김원훈 (2003)의 연구에서는 로지스틱 회귀분석의 구조와 최종모델에서 추정치를 이용하여 지역 보험에 속하는 각 세대의 지역 보험료 체납 확률 예측모델을 도출하였다.
Mueller 등(2004)연구에서는 조산아의 기관튜브발관결과 예측 연구에서 신경망 분석이 로지스틱 회귀분석에 비해서 예측 정확도가 높은 것으로 나타났다.
박현애(1994)는 인공지능분야에서 신경망모델이 최근 분류(classification)에 많이 사용되고 있다. 특히 간호분야에서는 분류과정에 적용된 규칙을 찾아내기 어렵고 사용된 데이터가 불안정한 경우 신경망을 이용한 분류가 규칙이나 직관에 의거한 다른 방법보다 더 효율적인 것으로 알려져 있다고 하였다.
본 연구에서 간호요구에 기초한 환자간호중증도 분류를 위한 신경망 모델을 구축하여 실험한 결과 모델이 내린 중증도 분류와 실제 적용된 경험에 의해 분류한 등급 분류간의 일치율이 84.06%로 나타났다.
본 연구의 제한점으로 첫째, 자료자체가 연구목적으로 수집된 것이 아니라 환자사항과 환자분류등급간에 관계형 데이터 베이스 형태로 되어있지 않아 많은 양의 자료를 정리하여야 했다. 중환자실과 병실에서의 환자간호중증도가 통일되지 않아 중환자실 입원환자를 정리하여야 했고, 실제 환자 사항과 환자분류등급을 연결하지 못하고 자료의 결측치가 많아 7,070명의 환자 중 단지 2,228명의 환자 데이터만을 사용하였다
Goodwin 등(2003)은 데이터 마이닝을 실행하는데에 자료의 질과 결측치, 공통되지 않은 언어가 문제라고 하였다. 본 모델을 사용하여 입원한 암 환자의 간호중증도 분류를 예측하기 위해서는 자료의 질을 높이기 위해 관계형 데이터베이스로 구성하는 것이 필수적이라고 할 수 있다.
둘째, 세 모델의 평가에서 목표변수 I군, II군과 III군, IV군으로 묶어 평가하였으므로 실제 자료와는 차이가 있을 수 있다.
셋째, 여기서 사용한 변수들은 병원자료의 제한점으로 폭넓게 선택할 수 없었으며, 실제 간호 요구도를 직접적으로 반영하기 보다는 간접적으로 반영하는 지표들 일 수 있다.
넷째, 데이터 마이닝 방법론에 따른 것으로 반복적인 시행으로 나름대로 최적의 모델을 구축하였으나, 모델설정 방법이나 각 방법론의 옵션 선택에 따라 결과가 조금씩 달라질 수 있다.
이러한 제한점에도 불구하고 본 연구는 기존의 환자중증도분류와 간호업무량의 측정이 후향적이였던 반면 본 연구에서는 예측모델을 이용해 환자중증도를 예측하여 간호업무량을 전향적으로 파악하여 간호인력배치에 탄력적으로 활용할 수 있도록 시도한 것에 의의가 있다고 할 수 있다.
그 동안 간호학 관련에서 데이터 마이닝을 이용한 국내연구로는 간호진단 신경망과 전문가 시스템간의 효과비교(김정애, 1998), 간호정보의 처리, 분석, 관리 기술개발(유지수, 유황빈, 박지원, 고일선, 1998), 역전파 신경망모델을 이용한 간호진단 자율 학습프로그램 개발(김정애, 1999) 등이 있다. 주로 간호진단 예측에 관한 연구가 대부분이다. 외국의 경우에는 Erisen, Turley, Denton (1997)의 간호행위 분류에 대한 연구, Goodwin 등(2001)의 데이터 마이닝을 이용한 지역사회에서 조산 위험군 예측인자 발견, Goodwin 등 (2003)의 조산 위험군 선별에 대한 연구, Muller, Martina, Wagner, Carol (2004)의 조산아의 기관튜브발관결과 예측 연구로 그 연구 영역을 확대 하고 있다.
데이터 마이닝을 이용한 대규모 간호자료에 대한 연구는 간호의 질을 향상 시키고 임상전문가들의 의사결정을 지원하며 건강 간호행정가들의 정책을 결정하는데 중요한 자료가 될 것이다(Eriksen, Turley and Denton, 1997).

영어초록

Purposes: This study was tried to make a predict model for patient classification according to nursing need. We tried to find the easier and faster method to classify nursing patients that can help efficient management of nursing manpower.
Methods: The nursing patient classifications data of the hospitalized cancer patients in one of the biggest cancer center in Korea during 2003.1.1- 2003.12.31 were assessed by trained nurses.
This study developed a prediction model and analyzing nursing needs by data mining techniques. Patients were classified by three different data mining techniques, (Logistic regression, Decision tree and Neural network) and the results were assessed.
Results: The data set was created using 165,073 records of 2,228 patients classification database.
* National Cancer Center Quality ImprovementMain explaining variables were as follows in 3 different data mining techniques.
1) Logistic regression : age, month and section.
2) Decision tree : section, month, age and tumor.
3) Neural network : section, diagnosis, age, sex, metastasis, hospital days and month.
Among these three techniques, neural network showed the best prediction power in ROC curve verification. As the result of the patient classification prediction model developed by neural network based on nurse needs, the prediction accuracy was 84.06%.
Conclusion: The patient classification prediction model was developed and tested in this study using real patients data. The result can be employed for more accurate calculation of required nursing staff and effective use of labor force.

참고자료

· 없음