Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

병원은 인간의 질병이 가진 복잡성이 종종 단순한 라벨 뒤에 숨겨지는 곳입니다. 환자가 진단명을 가지고 도착하지만, 그 단 하나의 의학적 용어는 그들이 무엇을 필요로 하는지에 대한 전체 이야기를 전달하기에는 부족합니다. 두 사람이 같은 질병을 앓고 있더라도, 한 명은 스스로 걷고 먹을 수 있을 만큼 강한 반면, 다른 한 명은 쇠약하고 혼란스러우며 낙상이나 욕창이 발생할 위험이 높은 상태일 수 있습니다. 수십 년 동안 병원 기록은 의학적 진단과 행정적 코드에 크게 집중해 왔는데, 이는 청구 및 질병 추적에는 유용하지만 환자의 신체적 상태와 안전 요구라는 일상적인 현실을 놓치는 경우가 많습니다. 그러나 간호사들은 이러한 누락된 그림을 포착하도록 훈련받았습니다. 매일 그들은 환자가 얼마나 잘 움직이는지, 미끄러질 가능성은 얼마나 되는지, 그리고 피부가 손상될 위험이 있는지 평가합니다. 이러한 관찰은 표준 의료 기록이 흔히 간과하는 환자의 취약성에 대한 풍부하고 상세한 지도를 만들어냅니다.

문제는 항상 이러한 상세하고 인간적인 관찰을 어떻게 하면 의사와 간호사가 수천 명의 환자를 위해 더 빠르고 더 나은 결정을 내릴 수 있도록 돕는 시스템으로 전환하느냐는 것이었습니다. 만약 간호사가 한 환자에게서 위험의 패턴을 발견할 수 있다면, 컴퓨터도 다음 환자에게서 동일한 패턴을 찾아낼 수 있을까요? 스페인의 한 연구팀은 이 질문에 답하기 위해 연구를 시작했습니다. 그들은 간호사가 환자가 도착했을 때 작성하는 구체적이고 구조화된 기록을 사용하여 환자들을 명확한 위험 범주로 분류할 수 있는지 알고 싶었습니다. 그들의 목표는 단순히 환자를 분류하는 것이 아니라, 짧고 일상적인 간호 점검을 바탕으로 새로운 환자를 적절한 위험 그룹에 자동으로 배정하여, 가장 취약한 사람들이 지체 없이 필요한 관심을 받을 수 있도록 하는 디지털 도구를 구축하는 것이었습니다.

연구진은 스페인의 한 병원 데이터를 활용하여 수천 건의 입원 기록을 조사했습니다. 그들은 2,600명 이상의 환자로부터 방대한 기록을 수집하는 것으로 시작했습니다. 각 환자에 대해, 그들은 입원 시 수행된 상세한 간호 평가 전체에 접근할 수 있었습니다. 이 평가는 식사나 걷기와 같은 일상적인 과업을 환자가 얼마나 잘 수행할 수 있는지, 욕창이 발생할 가능성은 얼마나 되는지, 그리고 낙상 위험은 어느 정도인지에 대한 점수를 포함했습니다. 또한 환자의 연령, 성별, 그리고 다른 건강 문제가 얼마나 많은지를 나타내는 점수도 포함되었습니다. 팀은 무엇을 찾으라고 미리 알려주지 않아도 데이터 스스로가 말하게 하는 컴퓨터 기법을 사용하여, 이 결합된 요인들을 바탕으로 환자들 사이의 자연스러운 집단을 찾아내도록 컴퓨터에 요청했습니다.

컴퓨터는 전문가들이 보기에 타당한 다섯 가지의 뚜렷한 그룹, 즉 프로필을 찾아냈습니다. 첫 번째 그룹은 매우 건강하고 독립적이며, 낙상이나 욕창의 위험이 거의 없는 젊은 환자들로 구성되었습니다. 두 번째 그룹은 신체적 독립성 측면에서는 비슷했으나, 만성 질환을 가진 고령 환자들이었습니다. 세 번째 그룹은 중간 정도의 어려움을 겪는 환자들을 나타냈는데, 이들은 여전히 스스로 할 수 있는 일들이 있지만 분명히 힘들어하는 상태였습니다. 네 번째 그룹은 돌봄을 받는 데 상당한 의존성을 보이며 높은 위험에 처한 환자들을 포함했습니다. 마지막으로 다섯 번째 그룹은 가장 취약한 집단으로, 매우 고령이며 많은 건강 문제를 안고 있고, 이동에 있어 완전히 타인에게 의존하며 낙상과 피부 손상의 위험이 가장 높은 환자들이었습니다. 이 다섯 가지 범주는 도움을 거의 필요로 하지 않는 이들부터 지속적이고 집중적인 케어가 필요한 이들까지 이어지는 명확한 위험 사다리를 형성했습니다.

이 다섯 가지 그룹이 확립된 후, 연구진은 새로운 과제에 직면했습니다. 매번 시간이 많이 걸리는 상세한 평가를 수행하지 않고도 새로운 환자를 이 그룹들에 배정할 방법을 찾아야 했습니다. 그들은 VALENF 도구라고 불리는 더 짧은 도구로 눈을 돌렸는데, 이는 간호사들이 일상적으로 사용하는 7개 항목의 체크리스트입니다. 이 체크리스트는 더 길고 상세한 테스트와 동일한 위험을 추정하는 간단한 질문들을 던집니다. 팀은 이 7가지 질문에 대한 답변을 보고 환자가 어떤 다섯 가지 위험 그룹에 속하는지 예측하도록 컴퓨터 프로그램을 훈련시켰습니다. 그들은 가장 정확하면서도, 결정적으로 가장 '안전한 실수'를 하는 알고리즘이 무엇인지 찾기 위해 여러 종류의 컴퓨터 학습 알고리즘을 테스트했습니다.

위험 평가의 세계에서 실수는 두 가지 방향으로 일어날 수 있습니다. 컴퓨터가 환자가 위험한 상태임에도 안전하다고 생각하거나, 혹은 환자가 안전함에도 불구하고 위험하다고 생각하는 것입니다. 연구진은 '랜덤 포레스트(random forest)'라고 알려진 특정 유형의 알고리즘이 최선의 선택임을 발견했습니다. 다른 방법이 전반적인 정확도는 약간 더 높았지만, 랜덤 포레스트는 더 주의 깊은 태도를 보이는 데 탁-월했습니다. 즉, 의구심이 생길 경우 취약한 사람을 저위험군으로 잘못 분류하기보다는, 해당 환자를 고위험군으로 배정할 가능성이 더 높았습니다. 이러한 "안전 우선" 접근 방식은 위험을 놓쳤을 때 심각한 결과를 초래할 수 있는 병원 환경에서 매우 중요합니다. 선택된 컴퓨터 모델은 테스트 과정에서 환자들을 자신의 위험 그룹에 약 82%의 확률로 정확하게 배정했으며, 연구진은 이를 앞으로 나아가기에 충분히 강력한 성능 수준이라고 간주했습니다.

이 시스템이 실제 환경에서도 작동할지 확인하기 위해, 팀은 몇 년 후 기록된 8,000건 이상의 입원 기록을 포함하는 완전히 새로운 환자 집단으로 테스트를 진행했습니다. 그들은 컴퓨터 프로그램을 전혀 수정하지 않은 채, 단순히 새로운 데이터를 입력하여 어떤 결과가 나오는지 확인했습니다. 결과는 고무적이었습니다. 시스템은 새로운 환자들을 다섯 가지 위험 그룹으로 성공적으로 분류했으며, 위험의 전반적인 패턴 또한 일관되게 유지되었습니다. 고위험 그룹의 환자들은 실제로 고령이었고, 더 많은 건강 문제를 가지고 있었으며, 저위험 그룹의 환자들보다 이동성이 낮았습니다. 컴퓨터의 배정 결과는 대다수의 경우 환자의 상태라는 임상적 현실과 일치했습니다.

하지만 이 연구는 몇 가지 중요한 미묘한 차이점도 밝혀냈습니다. 시스템은 중간 위험 및 고위험 범주의 환자들에게 가장 잘 작동했습니다. 일반적으로 건강한 두 그룹의 경우, 컴퓨터가 이들을 "저위험"과 "건강 문제가 있는 저위험" 범주 사이에서 가끔 혼동하기도 했습니다. 이는 새로운 환자 집단이 컴퓨터가 훈련되었던 원래의 집단보다 약간 더 고령이고 만성 질환이 약간 더 많았기 때문입니다. 컴퓨터가 복잡한 고위험 사례들을 안정적으로 처리한 반면, 더 건강한 인구 집단에서의 미세한 차이는 이 시스템이 환자 구성의 변화에 민감하다는 것을 보여주었습니다. 연구진은 이 도구가 기술적으로 견고하고 임상적으로 논리적이기는 하지만, 아직 모든 병원에서 바로 사용할 수 있는 완성된 제품은 아니라고 언급했습니다.

연구는 환자의 건강이라는 복잡하고 다차원적인 그림을 일상적인 간호 데이터를 활용하여 단순하고 자동화된 위험 프로필로 변환하는 것이 가능하다는 결론을 내립니다. 확인된 다섯 가지 그룹은 단순한 의학적 진단을 넘어 일상적인 기능과 안전의 현실을 포착하는, 환자의 취약성을 이해하기 위한 명확하고 순서 있는 방법을 제공합니다. 환자의 프로필을 배정하기 위해 개발된 컴퓨터 도구는 특히 가장 많은 돌봄이 필요한 이들을 식별하는 데 있어 잘 작동합니다. 그럼에도 불구하고 연구진은 이것이 최종 해결책이 아니라 시작 단계임을 신중하게 밝히고 있습니다. 이러한 시스템이 병원에서 환자 케어에 관한 결정을 내리는 데 사용되기 전에는, 환자의 결과를 개선하고 새로운 문제를 일으키지 않는지 확인하기 위해 다양한 병원에서 테스트되어야 하며 시간의 흐름에 따른 관찰이 필요합니다. 이 연구는 그 아이디어가 실현 가능하다는 것과 데이터가 존재한다는 것을 증명했지만, 성공적인 컴퓨터 실험에서 일상적인 간호 업무의 신뢰할 수 있는 일부로 나아가는 여정에는 더 많은 증명과 세심한 계획이 필요합니다.