간호시설 성과 평가를 위한 잠재 마코프 모델

초록

본 논문은 장기 요양원 입소자의 건강 상태를 이진 설문지 응답으로 추적 조사한 데이터를, 관측되지 않는 마코프 과정에 기반한 잠재 마코프 모델(Latent Markov Model)으로 분석한다. EM 알고리즘과 숨은 마코프 체인(recursion) 기법을 이용해 최대우도 추정치를 구하고, 각 요양원의 전이 확률에 미치는 영향을 추정한다. 이를 통해 요양원의 치료 효능을 점수화·순위화하는 방법을 제시하며, 이탈리아 움브리아 지역 2003‑2005년 자료에 적용한 사례를 제시한다.

상세 분석

이 연구는 장기 요양원에서 환자의 건강 상태를 정기적으로 이진 형태(예: ‘양호/불량’)로 기록하는 설문 데이터를, 시간에 따라 변하는 잠재 상태(latent health status)를 가정한 마코프 체인으로 모델링한다는 점에서 혁신적이다. 관측 변수는 이진이지만, 실제 건강 수준은 연속적이거나 다차원적일 수 있기에, 잠재 상태를 여러 단계(예: ‘양호·보통·악화’)로 설정함으로써 관측 오차와 개인 차이를 동시에 포착한다.

모델은 두 가지 주요 구성요소를 가진다. 첫째, 초기 상태 확률과 전이 확률을 설명하는 마코프 전이 행렬이며, 여기에는 요양원별 고유 효과와 환자 수준 공변량(연령, 성별, 기저질환 등)이 로그선형 형태로 포함된다. 둘째, 관측 과정은 각 잠재 상태에 대응하는 이진 응답 확률을 정의한다. 이러한 구조는 전통적인 일반화 선형 혼합모형(GLMM)보다 더 직관적인 상태 전이 해석을 가능하게 한다.

추정 단계에서는 EM 알고리즘을 채택한다. E‑step에서는 전방‑후방 알고리즘을 이용해 각 시점·개인에 대한 잠재 상태의 사후 확률(γ)과 인접 시점 간 전이 확률(ξ)을 계산한다. M‑step에서는 기대 로그우도에 대해 초기 확률, 전이 확률, 관측 확률을 각각 업데이트한다. 특히 전이 확률에 대한 회귀계수는 다항 로짓 형태로 추정되며, 요양원별 효과는 고정효과 혹은 랜덤효과로 모델링할 수 있다.

핵심 결과는 요양원별 전이 확률에 대한 추정치이다. 예를 들어, 특정 요양원에서 ‘보통→양호’ 전이 확률이 높고 ‘악화→보통’ 전이 확률이 낮다면, 해당 시설이 환자 건강 유지·향상에 기여한다고 해석한다. 이러한 전이 확률을 기반으로 각 요양원에 점수를 부여하고, 순위를 매기는 것이 본 논문의 실용적 기여다.

또한, 모델 검증을 위해 AIC/BIC와 같은 정보 기준을 사용하고, 잠재 상태 수를 선택하기 위해 여러 후보 모델을 비교한다. 교차 검증을 통해 과적합 위험을 최소화하고, 전이 행렬의 안정성을 확인한다.

이 연구는 잠재 마코프 모델을 보건 정책·품질 관리에 적용하는 사례로, 데이터가 이진·범주형이면서 시간에 따라 변하는 복잡한 구조를 가질 때 유용함을 보여준다. 특히 요양원 간 비교를 정량화함으로써, 정책 입안자와 관리자가 근거 기반 의사결정을 내릴 수 있는 도구를 제공한다.