메뉴 건너뛰기

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

(성균관대학교, 성균관대학교 일반대학원)

지도교수
차원철
발행연도
저작권
성균관대학교 논문은 저작권에 의해 보호받습니다.

이용수39

표지
AI에게 요청하기
추천
검색

초록· 키워드

상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!
약물 오류(medication error)는 환자에게 위해를 줄 수 있는 중요한 문제로 의료 현장에서 빈번하게 발생하고 있다. 약물 오류는 의료인이 약물을 처방하는 단계부터 환자에게 투약하는 단계에 이르기까지 약물과 관련된 모든 단계에서 발생할 수 있다. 약물 처방 단계에서 발생하는 약물 오류를 처방 오류(prescribing error)라고 하며, 예방 가능한 약물 오류의 대부분이 약물 처방(physician ordering) 단계에서 발생한다. 이러한 처방 오류를 극복하기 위해 Computerized physician order entry (CPOE) 시스템을 도입하였다. 하지만, CPOE 시스템 도입으로 인해 처방 오류 예방 가능해진 반면 잘못된 환자 선택, 잘못된 약물 선택 등의 예기치 않게 발생한 새로운 처방 오류들이 부각되고 있다. 이러한 선택 실수에 의한 약물 처방 오류를 예방하기 위한 시도가 이루어지고 있지만 많지 않으며, 완전히 예방하기에 충분하지 않다. 본 연구에서는 약물 처방 단계에서 환자를 잘못 선택하거나, 처방할 약물 종류를 실수로 잘못 선택하여 발생하는 약물 처방 오류를 “부적절한 처방”이라고 정의하였으며, 이러한 “부적절한 처방”을 감지하는 머신 러닝 기반의 모델을 개발하고 검증하는 것을 목표로 하였다.
이 연구는 삼성서울병원의 약물 처방 데이터를 활용한 후향적 연구이다. 2015 년 1 월 1 일부터 2019 년 12 월 31 일 기간 동안 삼성서울병원에 입원하거나 응급실에 내원한 성인 환자에게 처방된 주사제 약물 처방 케이스가 포함되었다. 처방 단계부터 각별한주의가 필요한 고위험 약물인 KCl 정맥 주사약을 대상으로 연구를 진행하였다. 연구는 “모델 개발 및 내부 검증 단계”와 차트 리뷰를 통한 “모델의 임상적인 검증 단계” 두 단계로 수행되었다.
일반 KCl 처방군은 총 146,364 건 이었으며, 부적절한 KCl 처방군에 629 종류로 구성된 430,842 건의 약물 처방이 포함되었다. 첫 번째 단계에서 모델이 스크리닝 툴로 사용될 수 있도록 모델의 임계 값을 선정하였다. 선정된 임계 값에서 sensitivity 가 0.98 이었으며, AUROC (Area under the receiver operator characteristics curve), PPV, NPV, accuracy 가 0.9 보다 높아 좋은 성능을 보여주었다. 두 번째 단계에서 부적절한 처방 가능성이 높은 KCl 처방 그룹에 대한 모델 결과를 차트 리뷰를 통해 0.95 보다 높은 sensitivity 와 NPV 를 가지는 것을 확인 할 수 있었다.
이는 우리가 개발한 모델이 실제 임상 환경에 적용되었을 때 스크리닝 툴로써 부적절한 처방을 잘 감지할 수 있는 잠재력이 있음을 보여준다. 모델이 전자 건강 기록(Electronic Health Record, EHR)을 기반으로 개발되어 의료인의 추가적인 업무 없이 자동적으로 부적절한 처방의 위험도를 계산할 수 있어 임상 현장에 적용되었을 때 업무 부담을 최소화하여 워크플로우에 통합 적용될 수 있을 것으로 기대된다.
#prescribing error #patient safety #medication alert system #machine learning #electronic health records

목차

  1. 제1장 연구 서론 1
    1.1 연구 배경 1
    1.1.1 약물 오류 1
    1.1.2 약물 처방 오류 2
    1.1.3 CPOE로 인해 의도하지 않게 발생한 약물 처방 오류 2
    1.1.4 선택 실수로 인한 약물 처방 오류 3
    1.1.5 선택 실수로 인한 약물 처방 오류를 극복하기 위한 노력 3
    1.2 연구 목표 4
    제2장 연구 방법 5
    2.1 부적절한 약물 처방 정의 5
    2.2 연구 세팅 7
    2.3 연구 대상 및 데이터 소스 7
    2.4 모델 개발 및 내부 검증 8
    2.4.1 데이터셋 8
    2.4.2 실험군과 대조군 정의 9
    2.4.3 모델의 결과 10
    2.4.4 예측 변수 11
    2.4.5 데이터셋 전처리 11
    2.4.6 데이터셋 분리 및 표본 사이즈 12
    2.4.7 모델 개발 13
    2.4.8 모델 평가 14
    2.4.9 통계 분석 15
    2.5 모델의 임상적인 검증 16
    2.5.1 차트 리뷰 대상 선정 16
    2.5.2 모델 결과 분석 17
    2.5.3 거짓 알람 분석 18
    2.5.4 차트 리뷰어 19
    제3장 연구 결과 20
    3.1 모델 개발 및 내부 검증 20
    3.1.1 연구 대상 20
    3.1.2 부적절한 KCl 처방 데이터셋과 일반 KCl 처방 데이터셋의 특성 비교 20
    3.1.3 모델 평가 23
    3.2 모델의 임상적인 검증 26
    3.2.1 차트 리뷰 대상 26
    3.2.2 모델 결과 분석 26
    3.2.3 거짓 알람 분석 28
    제4장 연구 고찰 30
    4.1 연구 고찰 30
    4.1.1 모델 개발 및 내부 검증 단계에서의 주요 결과 해석 30
    4.1.2 임상적인 검증 단계에서의 주요 결과 해석 31
    4.1.3 이전 연구와의 비교 32
    4.1.4 경보 피로 문제 33
    4.1.5 모델의 활용 33
    4.2 연구 한계 및 향후 연구 과제 34
    4.3 연구 결론 35
    참고 문헌 37
    부록 43
    <부록 1> 모델 예측 변수 43
    <부록 2> 예측 변수 결측률 45
    <부록 3> 약물 처방 오류 알람의 임상적인 유용성(Clinical usefulness of alert)을 평가하기 위해 사용한 툴 47
    ABSTRACT 52

최근 본 자료

전체보기
260429_DBpiaAI
260319_딥리서치
260319_AI리더
260304_새학기에이전트
260429 전공별 추천 이벤트
260428 이주의질문
260304_아그논문롤
260127_아그논문
260127_AI뷰어