Improving Hospital Process Management through Process Mining: A Case Study on COVID-19 Clinical Pathways

기술 요약: 프로세스 마이닝을 통한 병원 프로세스 관리 개선

문제 정의
병원들은 의료의 질, 안전, 그리고 효율성 사이의 균형을 맞추는 데 어려움을 겪고 있으며, 이는 코로나19 팬데믹 기간 동안 수요와 환자 중증도의 극심한 변동성으로 인해 더욱 악화되었습니다. 전통적인 보고 방식은 환자 흐름, 지연, 경로 변동성에 대한 실시간 가시성을 제공하지 못하는 경우가 많습니다. 프로세스 마이닝은 일상적인 데이터를 통해 케어 궤적을 재구성하는 데이터 기반 접근 방식을 제공하지만, 기존 문헌들은 이러한 통찰력이 병원 거버넌스에 주는 실질적인 가치보다 알고리즘의 성능을 우선시하는 경향이 있습니다. 따라서 트리아지(triage) 표준화, 용량 계획, 운영 의사결정을 지원하기 위해 이질적인 임상 데이터를 실행 가능한 이벤트 로그로 변환하는 투명하고 재현 가능한 파이프라인에 대한 구체적인 필요성이 존재합니다.

방법론
본 연구는 2019년 12월부터 2021년 2월 사이에 입원한 4,479명의 다중 모드 데이터를 포함하는 COVID Data for Shared Learning (CDSL) (PhysioNet v1.0.0) 데이터셋에 적용된 구조화된 5단계 프로세스 마이닝 파이프라인을 채택합니다.

1. 데이터 통합 및 조화 (Data Integration and Harmonization): 저자들은 6개의 정규화된 CSV 소스 테이블(인구통계, 진단, 활력 징후, 약물, 검사 결과)을 하나의 통합된 이벤트 로그로 병합하기 위해 재현 가능한 Python 파이프라인(pandas 및 PM4Py 사용)을 개발했습니다.

   • 활동 매핑 (Activity Mapping): 원시 레코드는 응급실(ER) 입원, 트리아지, 병동/ICU 전실, 그리고 일상적인 모니터링(활력 징후, 검사, 약물)을 포괄하는 통합된 활동 레이블로 매핑되었습니다.
   • 타임스탬프 교정 (Timestamp Correction): 누락되거나 타당하지 않은 타임스탬프(예: 입원보다 퇴원이 앞서는 경우)를 처리하기 위해 결정론적 규칙이 적용되었습니다. 임상적으로 신뢰할 수 있는 가장 가까운 타임스탬프만을 사용하여 시간 값을 보정하는 것은 타당성을 회복하기 위해 필요한 경우에만 수행되었으며, 그렇지 않은 경우 레코드는 변경 없이 유지되었습니다.
   • 출력 (Output): 최종 로그는 케이스 ID, 활동, 타임스탬프 및 환자 속성(연령, 성별, 입원 상세 정보)을 포함하는 XES 형식으로 내보내졌습니다.

2. 프로세스 발견 (Process Discovery): Disco 도구를 사용하여 지배적인 궤적(ER → 입원 → 퇴원)과 선택적인 ICU 전실을 시각화하는 직접 추적 그래프(Directly-Follows Graph, DFG)를 생성했습니다. 임상적 해석 가능성을 유지하기 위해 빈도 기반 필터링이 사용되었습니다.

3. 선언적 적합성 검사 (Declarative Conformance Checking): 임상적으로 의미 있는 제약 조건(예: 퇴원 전 필수 모니터링, 유효한 시간적 순서)을 인코딩하기 위해 Declare 언어를 사용하여 참조 모델을 정의했습니다. 이 단계에서는 기대되는 동작으로부터의 이탈을 식별하여, 문서화 오류와 임상적 지름길을 구분했습니다.

4. 결과 및 성능 분석 (Outcome and Performance Analysis): 풍부해진 이벤트 로그를 사용하여 성과 지표(재원 기간, 모니터링 강도)를 계산하고, 환자 연령, ICU 노출 및 모니터링 빈도에 따라 결과(사망률, 퇴원 처분)를 계층화했습니다.

5. 경영적 해석 (Managerial Interpretation): 결합된 출력물은 처리 시간, 준수율, 전환 패턴에 초점을 맞춘 병원 거버넌스를 위한 실행 가능한 지표로 합성되었습니다.

주요 기여
본 논문은 세 가지 주요 기여를 합니다:

• C1 (재현 가능한 파이프라인): 제한된 다중 모드 임상 데이터로부터 병원급 이벤트 로그를 도출하기 위한 문서화된 엔드 투 엔드 파이프라인을 구축하여 방법론적 투명성과 감사 가능성을 확보했습니다.
• C2 (하이브리드 분석): 절차적 발견(DFG)과 선언적 적합성 검사를 결합하여 해석 가능하고 경영 지향적인 통찰력을 생산하는 통합적 접근 방식을 제시했습니다.
• C3 (증거 기반 거버넌스): 프로세스 증거(경로 변동성, 지연)를 트리아지, 용량 관리 및 퇴원 계획과 관련된 결과 기반 핵심 성과 지표(KPI)와 연결하는 경험적 발견을 제공했습니다.

결과
분석은 세 가지 연구 질문에 대한 구체적인 통찰력을 도출했습니다:

• 지배적 궤적 및 병목 현상 (RQ1): 재구성된 경로는 ER 입원에서 병원 입원 및 퇴원으로 이어지는 일관된 골격을 보여주었으며, 모니터링 활동(특히 "활력 징후 체크")이 입원 케어의 반복적인 핵심 역할을 수행했습니다. 환자의 약 8%가 ICU로 전실되었으며, 이는 대개 장기간의 ER 관찰 후에 발생했습니다. ER 평균 체류 시간은 6.2시간이었고, 병원 평균 체류 시간은 11.7일이었습니다.
• 적합성 및 이탈 (RQ2): 프로세스는 핵심 임상 규칙(예: 필수 트리아지)에 대해 높은 준수도를 보였습니다. 이탈은 주로 임상적 미준수보다는 문서화의 가변성에서 기인했습니다. 여기에는 ER 방문 등록 누락 및 타임스탬프 불일치(예: 순서가 바뀐 이벤트)가 포함되었으며, 이는 짧은 ER 체류(<4시간) 시 더 빈번하게 나타났습니다.
• 결과 계층화 (RQ3):
  • 연령 및 ICU: 사망률은 연령(특히 70세 이상)에 따라 꾸준히 증가했으며, ICU 노출 사례에서 유의미하게 높았습니다.
  • 모니터링 강도: 모니터링 강도와 결과 사이의 비선형 관계가 관찰되었습니다. 중간 정도의 모니터링(일일 4~5회 활력 징후 체크)은 낮은 사망률 및 짧은 체류 기간과 상관관계가 있었던 반면, 높은 강도(일일 6회 초과)는 높은 사망률과 상관관계가 있었습니다. 저자들은 이를 모니터링 자체의 인과적 효과라기보다 케이스 믹스(더 많은 관찰이 필요한 불안정한 환자)의 차이로 설명합니다.

의의 및 주장
본 논문은 프로세스 마이닝이 일상적인 병원 데이터를 지속적인 개선을 지원하는 경영 준비가 된 증거로 효과적으로 변환할 수 있다고 주장합니다. 본 연구는 다음을 입증합니다:

• 운영 레버 (Operational Levers): 프로세스 마이닝은 ER-병동 간의 디지털 인수인계 표준화, 업무량의 대리 지표로서의 이벤트 밀도 활용, 에스컬레이션 결정에 연령/중증도 프로필 통합 등 거버넌스 개입을 위한 특정 영역을 식별할 수 있습니다.
• 데이터 거버넌스 (Data Governance): 분석 결과, 이탈은 임상적 프로세스 실패보다는 데이터 품질 문제(불완전한 타임스탬프)에서 비롯되는 경우가 많음을 보여주며, 이는 더 나은 데이터 거버넌스와 타임스탬프 완결성의 필요성을 시사합니다.
• 확장성 (Scalability): 본 연구는 팬데믹 기간 중 단일 병원 그룹(HM Hospitales)을 대상으로 하지만, 파이프라인의 모듈형 설계는 다른 기관으로의 적응을 지원합니다.

저자들은 일상적인 기록(정확도가 떨어질 수 있음)에 대한 의존도와 단일 소스 데이터셋으로 인한 일반화의 한계 등 타당성 위협을 인정하며 신중한 입장을 유지합니다. 이들은 본 연구를 예측적 모니터링 및 용량 계획을 위한 "What-if" 시뮬레이션이 포함된 향후 연구를 위한 토대로 위치시킵니다.