가톨릭대학교 서울성모병원 섬망 및 위해사건 고위험군 예측 시스템 구축

SAS^® Enterprise Miner를 이용한 예측 모형 개발을 통해 환자의 위험을 미리 예측 및 예방함

올해로 개원 33주년을 맞이한 가톨릭대학교 서울성모병원(이하, 서울성모병원)은 학교법인 가톨릭학원이 운영하는 8개 의료 기관 중 하나입니다. 총 1320 병상과 각종 최첨단 의료시설과 시스템을 보유하고 있으며, 세계 수준의 의료진이 환자를 관리하고 있습니다. 2013년 6월, '2013 한국서비스품질 지수'에서 종합병원 1위를 차지했을 뿐만 아니라, 전체 조사대상 기업 중에서 1위로 선정됐을 만큼 국내 최고의 의료서비스 기관입니다. 그러나 서울성모병원은 여기에 만족하지 않고 서비스를 강화하기 위한 노력을 계속하고 있는 가운데, '섬망 고위험군 예측 시스템'도 그 같은 배경 속에서 탄생했습니다.

사망에도 영향을 미치는 섬망

섬망은 광범위한 뇌조직의 기능저하 때문에 일어나는 인지기능의 손상으로 환각이나 환청, 또는 비정상적인 행동을 보이는 현상을 말합니다. 고령이거나 수술 환자 또는 중환자실에 입원한 환자에게서 자주 발생하며 가끔 의식이 저하된 것으로 인지되어 잘 발견되지 않을 때도 있지만 때로는 안절부절하고 소리지르며 침대에서 내려 오려 하고, 삽관 등을 뽑는 과격한 행동을 보이기도 합니다. 이러한 섬망의 가장 큰 문제는 섬망이 이미 발생한 경우에는 환자의 입원기간이 연장되고 의료 비용이 상승하게 되며 사망률이 증가하게 된다는 것입니다. 또한 간호사들에게 업무 부하가 초래되어 간호사의 신체적, 심적 스트레스 정도가 높아지고 있으며 이는 다시 환자안전을 위협하는 요소가 될 수 있습니다.

그러므로 가장 중요한 것은 섬망 위험 요인을 가진 환자에게 위험요인을 사전에 제거해 주어 섬망을 예방하는 것입니다. 또한 규칙적인 사정으로 조기발견하여 즉각적으로 문제를 해결해 주는 것도 섬망의 중증도를 낮출 수 있는 방법입니다. 하지만 임상 현장에서 고위험군 사정업무나 섬망 선별도구를 사용하여 섬망을 조기 발견하기 위해서는 추가적인 업무부담이 발생되므로 섬망 예방과 관리에 장애 요인이 되고 있습니다.

이러한 문제점들을 해결하기 위해 가톨릭대학교 간호학과 이선미 교수팀 교수팀은 의사와 간호사들이 환자를 돌보는 과정에서 입력한 각종 데이터를 기반으로 섬망 고위험군을 자동으로 예측할 수 있는 '섬망 고위험군 예측 시스템'을 개발하였습니다.

진행 경과 및 도입 솔루션

'섬망 고위험군 예측 시스템'은 자료수집(1년), 자료 추출 및 분석(6개월)을 거쳐, 2011년 5월 3일에 오픈했는데요. 이 과정에서 이 교수팀은 가장 신뢰도가 높은 데이터마이닝 솔루션인 SAS E-miner를 이용하여 예측 변수를 추출하고, 로지스틱 회귀분석법을 이용하여 예측 모형을 개발했습니다.

구축 과정에서 어려움이 적지 않았습니다. 본 병원에서는 2008년 10월 1일부터 EMR(전자의무기록시스템)을 도입하여 사용하고 있으나 DW(Data Warehouse)가 전혀 구축되지 않은 상태에서 프로젝트를 시작했기 때문입니다. 따라서 데이터는 병원정보지원시스템을 통해 EMR에 있는 간호기록, 처방 및 투약기록, 입퇴원기록, 검사기록, 수술 및 응급 기록 등의 데이터를 직접 추출했으며 그 중 직접적으로 이용할 수 없는 데이터는 모두 수작업을 거쳐 완성되었다고 합니다.

간호사의 업무 부담 감소, 예방 간호 실현

지난 2년간 중환자실에서 섬망 고위험군 예측 시스템을 운영한 결과, 중환자실 간호들이 고위험군을 자동으로 예측∙선별하여 제시해주므로 섬망 예방간호에서 매우 중요하다고 인식되었습니다. 실제로 시스템 사용 후 6개월, 12개월 시점에서 간호사 100여명을 대상으로 해당 시스템에 대한 만족도 조사를 한 결과, 섬망과 관련된 지식이 증가되고 섬망에 대한 관심도 높아졌다고 합니다.

그러나 아쉬움도 있습니다. 시스템을 통해 예측은 할 수 있게 되었으나 섬망 예방을 위한 적극적인 활동은 간호사뿐만 아니라 의료진을 포함하여 전사적인 관점에서 접근해야 하기 때문입니다.

섬망 뿐아니라 다른 위해사건으로 확대한 2차 시스템 개발 한편, 이교수팀은 만족스러운 시스템 운용 결과에 탄력을 받아서 2013년 8월 8일, 제2차 시스템을 오픈했습니다. 1차 시스템의 경우 900명의 환자 데이터를 기반으로 모델링을 했으며, 당시 AUC(Area Under Curve)는 0.79(1에 가까울수록 예측력이 정확)로, 만족할 수준이었습니다. 그러나 2년동안 시스템을 운용하면서 데이터가 많이 쌓인 만큼 환자 데이터를 확대하여 이번에는 3,000명의 데이터를 기반으로 예측력을 더욱 높여 AUC가 0.90(엑설런트)에 이르는 모델링을 마쳤습니다.

이 교수는 “무엇보다도 시스템 확장에 있어서 SAS 솔루션에 대한 신뢰가 높았다. 1차 시스템에서 추출한 예측 변수도 만족스러웠지만, 시스템을 운용하는 과정에서 좀더 욕심을 내서 예측력을 더욱 높여봤다.”면서 “간호사들이 시스템을 적극 활용하게 되면 업무의 효율성은 물론, 고객 서비스의 질도 높아질 것으로 기대된다.”고 전했습니다.

2차 시스템에서는 섬망뿐만 아니라 욕창, 낙상, 다제내성균, 요로감염, 투약 오류, 패혈증까지 포함하였으며, 적용 범위를 병원 전 병동으로 확대했습니다. 이로써 환자 케어와 관련하여 병원 내에서 발생할 수 있는 중요한 문제를 모두 예측하고, 사전에 대응할 수 있는 체제를 구축하게 되었습니다.

입원 환자에 대한 완벽한 케어는 병원 서비스의 질을 높이고, 병원에 대한 신뢰도를 높입니다. 따라서 이 교수팀은 가톨릭학원이 운영하는 8개 의료 기관 중 EMR이 구축된 5개 병원으로 해당 시스템을 확장할 계획을 갖고 있습니다.

시스템 구축 전, DW구축 등 데이터 이슈를 해결해야

이 교수는 이와 비슷한 시스템을 구축하고자 하는 병원에게 한 가지 조언을 했습니다. "무엇보다도 데이터 이슈를 해결하지 않으면 안 된다. 데이터 입력에 오류가 있거나 DW가 구축되어 있지 않다면 일일이 데이터를 추출해서 수작업으로 데이터 전처리를 진행해야 하고, 시스템 운영시에도 데이터의 질이 보장되지 않으면 시스템의 예측력이 저하될 수 있으며, EMR의 속도를 저하시키는 요인으로 작용할 수 있으므로 DW가 구축되지 않은 병원에선 시스템 구축이 어려울 수도 있다."고 설명했습니다.