임상자료를 활용한 낙상 위험 예측 및 임상의사결정지원시스템 개발

Abstract

본 연구의 목적은 급성기 의료기관에서 발생하는 입원환자의 낙상을 예방하기 위해 임상 자료를 활용하여 낙상 위험을 예측하는 모델을 개발하고, 예측모델과 근거기반의 간호실무를 결합하여 간호사가 환자의 위험요인에 따라 맞춤형 간호중재를 제공할 수 있도록 지원하는 임상의사결정지원시스템을 개발하고 평가하는 데 있다. 본 연구에서는 10개의 자료원으로부터 수집한 임상 자료를 포함력(coverage), 최신성(currency), 상세성(granularity)을 기준으로 전처리한 후, 로지스틱 회귀 모델, Cox 비례 위험 회귀 모델, 의사결정나무 모델을 이용하여 낙상 위험 예측모델을 개발하고, 소프트웨어 개발 생명주기 방법론에 따라 낙상 위험 예측 및 예방 임상의사결정지원시스템을 개발하였다. 본 연구의 결과는 다음과 같다. 로지스틱 회귀 모델을 이용한 낙상 위험 예측모델의 예측타당도는 민감도 79.0%, 특이도 79.4%, 양성예측도 7.3%, 음성예측도 99.5%, AUC 0.859로, 현재 의료기관에서 사용하고 있는 낙상위험사정도구(민감도 76.5%, 특이도 64.0%, 양성예측도 4.2%, 음성예측도 99.3%, AUC 0.742)보다 모든 지표면에서 우수하였다. Cox 비례 위험 회귀 모델을 이용한 낙상 위험 예측모델의 예측타당도는 민감도 79.2%, 특이도 62.0%, 양성예측도 2.8%, 음성예측도 99.3%, AUC 0.753이었으며 의사결정나무모델을 이용한 예측모델은 민감도 56.5%, 특이도 83.2%, 양성예측도 6.4%, 음성예측도 98.9%, AUC 0.729로 나타났다. 로지스틱 회귀 모델에 포함된 낙상 위험 요인에 따라 7개의 낙상 예방 임상실무지침으로부터 71개의 간호 활동 지식을 추출하였고, 3인의 간호사가 추출된 지식의 임상 적용 가능성을 평가하여 총 63개의 간호 활동 지식을 낙상 위험 예측 및 예방 임상의사결정지원시스템에 포함하였다. 임상의사결정지원시스템이 제공하는 지식에 따라 낙상 예방 활동을 수행한 경우, 이를 간호일지에 기록할 수 있도록 63개의 낙상 예방 활동을 98개의 간호 진술문에 매핑하였다. 병원정보시스템 전문가 3인이 낙상 위험 예측 및 예방 임상의사결정지원시스템의 휴리스틱 문제를 평가한 결과, 10개 영역의 심각도 점수가 모두2점 이하로 나타났다. 낙상 위험 예측 및 예방 임상의사결정지원시스템 사용 한달 후, 간호사 14인을 대상으로 7점 Likert척도로 조사한 사용성 평가 결과에서 시스템 유용성 영역은 평균4.41점, 사용 용이성 영역은 평균 4.51점, 학습 용이성 영역은 평균 4.95점, 만족도 영역은 평균 4.28점으로 나타났다. 본 연구에서 개발한 낙상 위험 예측 및 예방 임상의사결정지원시스템을 이용하면 낙상 위험을 실시간으로 예측한 후, 낙상 고위험군 환자와 위험요인을 가진 환자에게 근거 기반의 맞춤형 간호를 제공할 수 있어 간호의 질이 향상되고 업무 효율이 증가하며 궁극적으로 낙상 발생이 줄어들 것으로 기대한다.

This study aims to develop and evaluate 1) fall-predictive models using clinical data collected at the point of care and 2) a clinical decision support system (CDSS) to provide evidence-based tailored nursing intervention for fall prevention in acute care settings. In this study, we developed three models, logistic regression, Cox proportional hazard regression, and decision tree, to predict risk of patient falls and tested the predictive performance of these models by comparing the results to results from the Hendrich II Fall Risk Model. In addition, we developed and evaluated a CDSS for fall prevention according to Software Development Life Cycle (SDLC). The results of this study are as follows. The logistic regression model was the best predictive model. The predictive validity indicators of logistic regression model were 79.0% for sensitivity, 79.4% for specificity, 7.3% for positive predictive value, 99.5% for negative predictive value, and 0.859 for AUC. Across all predictive indices, logistic regression model had the highest predictive performance than Hendrich II Fall Risk Model (76.5% for sensitivity, 64.0% for specificity, 4.2% for positive predictive value, 99.3% for negative predictive value, 0.742 for AUC). The predictive validity indicators of Cox proportional hazard regression model were 79.2% for sensitivity, 62.0% for specificity, 2.8% for positive predictive value, 99.3% for negative predictive value, and 0.753 for AUC. The predictive validity indicators of decision tree were 56.5% for sensitivity, 83.2% for specificity, 6.4% for positive predictive value, 98.9% for negative predictive value, and 0.729 for AUC. In the analysis phase of SDLC, we extracted 71 nursing intervention knowledge from seven clinical practice guidelines for fall prevention by risk factors a fall-predictive model has. Totally, 63 nursing intervention knowledge verified from three nurses on clinical applicability were included in a CDSS. In the design phase, a data dictionary, an algorithm, and four-user screens were designed. In the implementation phase, we developed a CDSS using Microsoft Visual Studio, .NET (wpf), and oracle 11g. In the evaluation phase, the three informatics experts rated heuristics problems and 14 nurses evaluated usability of a CDSS. The usability results showed that the system got 4.41 points for usefulness, 4.51 points for ease of use, 4.95 points for ease of learning, and 4.28 points for satisfaction on average. We expect that nurses can provide higher quality, safer, and more efficient nursing intervention to patients with a high risk of falling and risk factors using a CDSS for fall prediction and prevention.