• 한국콘텐츠학회:학술대회논문집
• /
• 한국콘텐츠학회 2012년도 춘계 종합학술대회 논문집
• /
• pp.343-344
• /
• 2012

본 연구는 중증도가 높은 신경계중환자를 대상으로 중환자 중증도 분류도구와 Glasgow coma scale 적용의 유용성을 검정하고자 하는데 있다. 본 연구에서 대상자의 일반적 특성 및 임상 관련 특성에 따른 사망률 확인, 중환자 중증도 분류도구(CPSCS)의 일반적 특성, 임상관련 특성에 따른 중증도 차이, GCS의 일반적 특성과 임상관련 특성에 따른 중증도 차이를 파악하고, 임상적 유용성을 검정하고자 한다.

• 한국재난정보학회 논문집
• /
• 제14권1호
• /
• pp.28-35
• /
• 2018

본 연구에서는 재난현장 또는 일상에서 발생할 수 있는 다수사상자의 중증도 분류를 신속하고 정확하게 수행하기 위한 시스템을 설계하여 구현하였으며, 중증도 분류 알고리즘의 정확도뿐만 아니라 사용자 편의성 등 현장의 요구사항을 적극 반영하였다. 개발된 e-Triage System은 IoT개념을 활용하여 다양한 중증도 분류 알고리즘을 적용하였으며, 기존의 중증도 분류표의 단점을 극복하기 위하여 NFC 모듈 등 전자적 요소를 반영한 e-Triage Tag를 구현하였다. 앱으로 구현된 중증도 분류 알고리즘을 사용하여 신속하고 정확한 환자의 평가가 가능함을 입증하였고, 시인성을 위해 전자 중증도 분류 결과를 4가지 LED램프로 표출하였으며, 2차 분류를 통해 RTS 점수를 FND(Flexible Numeric Display)로 표출하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2021년도 제64차 하계학술대회논문집 29권2호
• /
• pp.317-320
• /
• 2021

본 연구는 주기적인 알츠하이머 병의 중증도 모니터링을 위해 스마트 인솔을 통한 보행 특징 추출과 머신러닝 기반 중증도 분류의 성능에 대해 살펴보았다. 최근 고령화가 가속화되는 추세에 있어 치매 환자가 급증하고 있으며, 중증도가 심해질수록 필요한 치료 비용 및 노력이 급증하기 때문에 조기 진단이 최선의 치료 전략으로 보여진다. 환자 친화적이고 저비용의 관성 측정 장치가 내장된 스마트 인솔만을 사용하여 다양한 보행 실험 패러다임에서 환자의 보행 특징을 추출하고, 이를 알츠하이머 병의 중증도 진단을 위한 머신러닝 기반 분류기를 훈련시켜 성능을 평가한 결과, 숫자세기와 같이 뇌에 부하를 주는 하위 작업이 포함된 복합 보행을 측정한 데이터셋을 사용하여 훈련된 분류 모델이 일반 걷기 데이터셋을 사용한 모델보다 성능이 높게 나타나는 것이 관찰되었다. 본 연구는 안전하고 환경적 제약이 적은 방법을 사용하여 시기 적절한 진단뿐만 아니라 주기적인 중증도 모니터링 시스템의 일환으로 활용될 수 있을 것이다.

• Tuberculosis and Respiratory Diseases
• /
• 제49권5호
• /
• pp.585-593
• /
• 2000

연구배경 : 기관지천식의 치료는 증상(천식 증세의 빈도, 야간천식 증상의 빈도), $FEV_1$ %. PEFR%의 일중변동률을 기준으로 중증도를 4단계로 나누어 단계별 치료를 하는 것이 중요하다. 실제 중증도를 결정하는 지표들 간에 단계가 일치하지 않는 경우가 많아 치료 단계를 결정하기 어려울 때가 많다. 본 연구에서는 지표들이 얼마나 일치하는 지 분석하고, 차이가 있는 경우 이에 관여하는 요인을 알아보고자 하였다. 방법 : NIH 의 기관지천식 지침서를 기준으로 환자의 주관적인 증세를 기준으로 한 중증도와 폐기능($FEV_1$ %) 검사에 의한 중증도가 얼마나 일치하는 지, 또 PEFR %와 $FEV_1$ %에 의한 중증도가 얼마나 일치하는 지 알아보고, 각 지표들간에 단계의 차이를 보이는 경우에 이에 환자의 연령, 기관지천식의 이환기간, $PC_{20}$, $FEV_1$ % 등의 요인이 관여하는 지 분석하였다. 결과 : $FEV_1$ %를 기준으로 한 중증도와 PEFR%를 기준으로 한 중증도가 일치하지 않는 경우가 23.4%이었고, 이중 $FEV_1$ %에 의한 기준으로는 경증군이면서 PEFR%에 의한 중증도에서 중등도군으로 분류된 경우가 가장 많았다. 이러한 환자군은 그 반대인 환자, 즉 PEFR%를 기준으로 한 중증도보다 $FEV_1$ %를 기준으로 한 중증도가 심한 환자에 비해 환자의 연령이 많았고, 이환기간은 짧았다. 또 $FEV_1$ %와 증상에 의한 중증도가 다른 경우가 42.9% 이었으며, 이 중 63.0%가 증상에 의한 중증도가 $FEV_1$ %를 기준으로 한 중증도에 비해 심하게 분류되었다. 폐기능을 기준으로 한 중증도가 증상에 의한 중증도보다 심한 환자군은 기도과민반응 정도가 심하였으며 기도폐쇄 정도도 심한 경향을 보였다. 결론 : 기관지천식 환자의 중증도를 결정할 때에는 어느 한 지표에 의존하지 말고 연령, 이환기간, 기도과민반응 정도, 기도폐쇄정도 등의 요인을 고려해서 여러 지표들을 종합적으로 분석하는 것이 필요하다.

• 디지털융복합연구
• /
• 제11권5호
• /
• pp.371-384
• /
• 2013

본 연구에서는 한국 및 미국의 퇴원환자 자료를 이용하여 한국 및 미국의 중증도 보정 사망 모형을 개발하고 개발된 중증도 보정 사망모형에 따라 중증도 보정 사망률 지표를 산출 및 비교한 다음 이를 통해 국내 의료기관 사망률 관리 방안을 제시하고자 하였다. 한국 및 미국 의료기관의 중증도 보정 사망 모형은 데이터마이닝기법인 다중 로지스틱회귀분석 기법, 의사결정나무분석 기법을 이용하여 개발하였다. 개발된 의료기관의 중증도 보정 사망모형에 따라 한국 및 미국 의료기관의 중증도 보정 사망률을 산출한 결과 한국은 매년 증가하고 있는 반면 미국은 매년 감소하고 있는 것으로 나타나 한국과 미국간에 차이가 있었다. 의료기관의 병상규모별 중증도 보정 사망률의 변이 또한 한국이 미국보다 높았다. 국내 의료기관의 사망률 관리를 위해서는 의료기관 자체내에서 사망환자 관리가 가능한 대형 의료기관들의 경우 의료기관 중증도 보정 사망률 평가 결과 공개를 통해 지속적으로 사망률 관리를 유도하고, 의료기관 자체내에서 사망률 관리가 힘든 중소병원들은 국가 차원에서 파악한 국내 의료기관 사망환자 관리의 문제점 및 이를 개선할 수 있는 개선방안을 토대로 사망률 관리 컨설팅을 시행하는 등 의료기관 사망환자 관리 사업을 진행하여야 한다.

• 한국화재소방학회논문지
• /
• 제33권2호
• /
• pp.139-144
• /
• 2019

노인인구의 증가로 노인운전자의 손상과 사망자도 증가하였다. 하지만 노인운전자의 손상과 중증도에 대한 연구는 활발히 이루어지지 않아 영향 요인을 파악하지 못하고 있다. 본 연구에서는 정면충돌에서의 노인운전자에 손상과 중증도에 영향을 미치는 요인을 찾아 중증도 분류에 추가적으로 활용하고자 하였다. Collision Deformation Classification Code를 통해 차량 파손 정도를 확인하였으며 간편손상척도(Abbreviated Injury Scale, AIS)로 손상부위와 정도를, 손상중증도점수(Injury Severity Score, ISS)로 환자의 중증도를 확인하였다. 중증외상환자의 발생률은 5이상의 차량 파손 정도를 가진 대상자에서 Odds ratio가 7.381로 나타났으며 선형회귀분석을 통한 중증도 요인 분석에서도 차량 파손 정도의 ${\beta}$값이 0.453으로 나타났다. 따라서 5이상의 차량 파손 정도는 노인운전자에서 중증도 분류에 추가적으로 활용될 수 있는 기준으로 제안될 수 있다.

• 한국산학기술학회논문지
• /
• 제13권6호
• /
• pp.2672-2679
• /
• 2012

본 연구는 급성심근경색증 환자의 사망률 측정을 위한 중증도 보정 모형을 개발하여 의료의 질 평가에 필요한 기초자료를 제공하고자 수행되었다. 이를 위해서 질병관리본부의 2005-2008년 퇴원손상환자 699,701건의 자료를 분석하였다. Charlson Comorbidity Index 보정 방법을 이용한 경우와 새롭게 개발된 중증도 보정 모형의 예측력 및 적합도를 비교하기 위해 로지스틱 회귀분석을 실시하였다. 새롭게 개발된 모형에는 연령, 성, 입원경로, PCI 유무, CABG 유무, 동반질환 12가지 변수가 포함되었다. 분석결과 CCI를 이용한 중증도 보정 모형보다 새롭게 개발된 중증도 보정 사망 모형의 C 통계량 값이 0.796(95%CI=0.771-0.821)으로 더 높아 모형의 예측력이 더 우수한 것으로 나타났다. 본 연구를 통하여 중증도 보정 방법에 따라 사망률, 유병률, 예측력에도 차이가 있음을 확인하였다. 향후에 이모형은 의료의 질 평가에 이용하고, 질환별로 임상적 의미와 특성, 모형의 통계적 적합성 등을 고려한 중증도 보정모형이 계속해서 개발되어야 할 것이다.

• 융합정보논문지
• /
• 제10권4호
• /
• pp.98-103
• /
• 2020

본 연구에서는 KTAS(Korean Triage and Acuity Scale) 결과가 분류를 시행한 주체의 직종에 따른 차이가 있는지를 알아보고자 한다. 2016년 1월 1일부터 2017년 12월 31일까지의 응급의료기관으로 내원한 환자 자료 중, 국가응급진료정보망으로 전송된 자료 총 10,960,359건을 분석하였다. 분류자 직종은 전문의, 전공의, 인턴, 일반의, 간호사, 응급구조사였다. 최초 중증도 분류와 최종 중증도 분류 결과의 일치율은 일반의가 98.9%로 가장 높았고, 인턴이 80.2%로 가장 낮았다. 과대 분류에서는 일반의가 0.6%로 가장 낮았고, 인턴은 16.0%로 가장 높았다. 또한 과소 분류는 전문의와 응급구조사가 0.4%로 가장 낮았고, 인턴이 3.8%로 가장 높았다. 중증도 분류 결과는 직종별 유의미한 차이가 있었다(p<0.001). 중증도 분류는 환자의 예후에 영향을 미치는 요인 중 하나로 직종별, 숙련도에 따라 그 결과가 달라져서는 안 된다. 때문에 정확한 중증도 분류를 위한 분류자의 역량 강화가 필요하다.

• 한국산학기술학회논문지
• /
• 제19권11호
• /
• pp.626-634
• /
• 2018

본 연구는 한국형응급환자분류도구(Korean Triage and Acuity Scale: KTAS)를 사용한 소아 중증도 분류의 정확성을 파악하기 위한 후향적 조사연구이다. 연구자료는 2016년 10월부터 2017년 9월까지 1개 권역응급의료센터, 1개 지역응급의료센터에 방문한 소아환자의 자료 중 무작위로 추출한 250건의 간호초진기록지와 진료결과였다. 수집된 자료를 검정된 전문가가 분석하여 true-triage를 정하였다. 중증도 분류 정확도는 응급실간호사의 중증도 분류 결과와 전문가의 true-triage결과와의 일치도로 평가하였다. 전문가 의견에 따라 중증도 분류 오류의 원인이 분석되었고, KTAS 등급과 퇴원, 체류시간, 진료비와의 연관성이 비교되었다. 연구결과 전문가와 응급실 간호사의 중증도 분류 등급은 높은 일치도를 보였다(weighted kappa=.77). 중증도 분류 불일치의 원인 중 활력징후 결과를 KTAS 알고리즘 기준에 잘 못 적용한 경우가 가장 많았다(n=13). KTAS 1,2 등급과 같이 중증도가 높을수록 퇴원이 적었다(${\chi}=43.25$, p<.001). 연령을 보정했을 때 KTAS 등급에 따라 체류시간(F=12.39, p<.001)과 진료비(F=11.78, p<.001)는 차이가 있었다. 본 연구결과 KTAS는 국내 응급실에서 높은 정확도를 보였으므로, 새로 개발된 중증도 분류 도구가 국내 응급실에 잘 적용되고 있다고 할 수 있다.

• 디지털융복합연구
• /
• 제17권2호
• /
• pp.217-230
• /
• 2019

본 연구는 기존 동반질환을 이용한 중증도 보정 방법의 제한점을 보완하기 위해 급성심근경색증 환자의 맞춤형 중증도 보정방법을 개발하고, 이의 타당성을 평가하기 위해 수행되었다. 이를 위하여 질병관리본부에서 2006년부터 2015년까지 10년간 수집한 퇴원손상심층조사 자료 중 주진단이 급성심근경색증인 한국표준질병사인분류(KCD-7) 코드 I20.0~I20.9의 대상자를 추출하였고, 동반질환 중증도 보정 도구로는 기존 활용되고 있는 CCI(Charlson comorbidity index), ECI(Elixhauser comorbidity index)와 새로이 제안하는 CCS(Clinical Classification Software)를 사용하였다. 이에 대한 중증도 보정 사망예측모형 개발을 위하여 머신러닝 기법인 로지스틱 회귀분석, 의사결정나무, 신경망, 서포트 벡터 머신기법을 활용하여 비교하였고 각각의 AUC(Area Under Curve)를 이용하여 개발된 모형을 평가하였다. 이를 평가한 결과 중증도 보정도구로는 CCS 가 가장 우수한 것으로 나타났으며, 머신러닝 기법 중에서는 서포트 벡터 머신을 이용한 모형의 예측력이 가장 우수한 것으로 확인되었다. 이에 향후 의료서비스 결과평가 등 중증도 보정을 위한 연구에서는 본 연구에서 제시한 맞춤형 중증도 보정방법과 머신러닝 기법을 활용하도록 하는 것을 제안한다.