예측 분석을 활용한 조기 퇴원지향 결정으로 입원 기간 단축

초록

본 연구는 환자 초기 간호 평가와 퇴원 기록을 기반으로 CHAID 의사결정트리를 적용해 사후 치료(PAC) 퇴원 유형을 조기에 예측한다. 예측 정확도 84 %·AUC 0.81을 달성했으며, 이를 통해 보험 사전 승인을 앞당겨 평균 22 % 입원 기간을 감소시키고 병원당 일일 비용을 약 2천 달러 절감한다는 결과를 제시한다.

상세 분석

이 논문은 의료기관에서 흔히 겪는 ‘보험 사전 승인 지연’ 문제를 데이터 기반 의사결정으로 해결하고자 한다. 연구팀은 25명의 환자 관리 조정자(PCF)와 2명의 등록 간호사(RN)와의 그룹 인터뷰를 통해 실제 현장에서 사용되는 변수들을 도출하고, 초기 간호 평가와 퇴원 메모에서 추출한 1,600건의 환자 데이터를 구축하였다. 변수 선정 과정에서 연령, 진단 코드, 기능 등급, 사회적 지원 여부, 기존 보험 유형 등이 포함되었으며, 이들 변수는 사후 치료(PAC) 형태(재활, 요양, 가정 의료 등)를 결정하는 핵심 요인으로 가정하였다.

예측 모델로는 CHAID(카이제곱 자동 상호작용 탐지기) 알고리즘을 선택했는데, 이는 범주형 변수 간의 비선형 관계를 탐색하고, 통계적 유의성을 기반으로 트리를 성장시켜 해석이 용이한 규칙을 도출한다는 장점이 있다. CHAID는 각 분할 단계에서 카이제곱 검정을 수행해 가장 큰 차이를 보이는 변수와 그 최적 분할값을 선택한다. 논문에서는 트리 깊이가 4단계, 최종 노드 수가 12개에 이르렀으며, 주요 분할 변수는 ‘보험 종류(공공·민간)’, ‘기능 등급(높음·중간·낮음)’, ‘사회적 지원 여부’, ‘주요 진단군’이었다.

모델 성능 평가는 10‑fold 교차 검증을 통해 수행했으며, 전체 정확도 84.16%와 ROC 곡선 아래 면적(AUC) 0.81을 기록했다. 이는 기존 연구에서 보고된 70‑80% 수준을 상회하는 결과이며, 특히 의료 현장에서 실시간 의사결정 지원 도구로 활용 가능함을 시사한다.

효과 분석에서는 예측 결과를 사전 보험 승인 프로세스에 연계함으로써 평균 입원 일수가 22.22% 감소했으며, 일일 비용 절감액은 주(state) 정부 병원에서 $1,974, 비영리 병원에서 $2,346, 영리 병원에서 $1,798로 보고되었다. 비용 절감은 입원 일수 감소와 직접적인 연관이 있으며, 병원 재정 건전성 및 환자 만족도 향상에 기여할 것으로 기대된다.

하지만 몇 가지 한계점도 존재한다. 첫째, 데이터가 단일 지역(미국) 내 특정 유형 병원에 국한돼 있어 외부 타당성이 제한된다. 둘째, 변수 중 일부는 주관적 평가(예: 사회적 지원)로 기록 오류 가능성이 있다. 셋째, CHAID는 과적합 위험이 존재하므로, 실제 운영 환경에서는 모델 재학습 및 모니터링이 필요하다. 마지막으로, 보험 승인 과정 자체가 복합적인 행정 절차와 법적 요건을 포함하므로, 예측만으로 모든 지연을 해소하기는 어렵다.

향후 연구에서는 다기관·다국가 데이터를 통합해 모델 일반화를 검증하고, XGBoost·딥러닝 등 보다 복합적인 알고리즘과 비교 분석함으로써 최적의 예측 프레임워크를 도출할 수 있다. 또한, 예측 결과를 전자건강기록(EHR) 시스템에 자동 연동시켜 실시간 알림 및 워크플로우 자동화를 구현한다면, 의료진의 업무 부담을 감소시키고 환자 흐름을 더욱 효율적으로 관리할 수 있을 것이다.