인공지능을 이용한 주진단 S코드의 낙상환자 예측모델 개발 = Development of a Prediction Model for Fall Patients in the Main Diagnostic S Code Using Artificial Intelligence

다국어 초록 (Multilingual Abstract)

Falls are fatal accidents that occur more than 420,000 times a year worldwide. Therefore, to study patients with falls, we found the association between extrinsic injury codes and principal diagnosis S-codes of patients with falls, and developed a prediction model to predict extrinsic injury codes based on the data of principal diagnosis S-codes of patients with falls. In this study, we received two years of data from 2020 and 2021 from Institution A, located in Gangneung City, Gangwon Special Self-Governing Province, and extracted only the data from W00 to W19 of the extrinsic injury codes related to falls, and developed a prediction model using W01, W10, W13, and W18 of the extrinsic injury codes of falls, which had enough principal diagnosis S-codes to develop a prediction model. 80% of the data were categorized as training data and 20% as testing data. The model was developed using MLP (Multi-Layer Perceptron) with 6 variables (gender, age, principal diagnosis S-code, surgery, hospitalization, and alcohol consumption) in the input layer, 2 hidden layers with 64 nodes, and an output layer with 4 nodes for W01, W10, W13, and W18 exogenous damage codes using the softmax activation function. As a result of the training, the first training had an accuracy of 31.2%, but the 30th training had an accuracy of 87.5%, which confirmed the association between the fall extrinsic code and the main diagnosis S code of the fall patient.

국문 초록 (Abstract)

낙상사고는 세계적으로 매년 42만 건 이상 발생하는 치명적인 사고이다. 따라서, 낙상 환자를 연구하고자 낙상환자의 손상외인코드와 주진단 S코드의 연관성을 찾고, 낙상 환자의 주진단 S코드 데이터를 가지고 손상외인코드를 예측할 수 있는 예측모델을 개발하였다. 본 연구에서는 강원특별자치도 강릉시에 있는 A 기관의 2020~2021년 2년간의 데이터를 받아 낙상에 관련된 손상외인코드 W00~W19까지 데이터만 추출하고, 낙상 손상외인코드 중 예측모형을 개발할 정도의 주진단 S코드를 가지고 있는 W01, W10, W13, W18 데이터를 가지고 예측모형 개발하였다. 데이터 중 80%는 훈련용 데이터, 20%는 테스트용 데이터로 분류하였다. 모형 개발은 MLP(Multi-Layer Perceptron)을 이용하여 6개의 변수(성별, 나이, 주진단S코드, 수술유무, 입원유무, 음주유무)를 입력층에 64개의 노드를 가진 2개의 은닉층, 출력층은 softmax 활성화 함수를 이용하여 손상외인코드 W01, W10, W13, W18 총 4개의 노드를 가진 출력층으로 구성하여 개발하였다. 학습결과 첫 번째 학습했을 때 31.2%의 정확도를 가졌지만, 30번째는 87.5%의 정확도를 나타냈고 이를 통해 낙상환자의 낙상외인코드와 주진단 S코드의 연관성을 확인할 수 있었다.

참고문헌 (Reference)

• 1 이희성 ; 권순호, "초고령화사회의 노인복지제도의 문제점 및 개선방안" 한국비교노동법학회 50 : 1-29, 2020
• 2 김은경 ; 이재창 ; 엄미란, "입원환자의 낙상 위험 예측 요인" 한국간호과학회 38 (38): 676-684, 2008
• 3 최병관 ; 함승우 ; 김촉환 ; 서정숙 ; 박명화 ; 강성홍, "인공지능을 이용한 급성 뇌졸중 환자의 재원일수 예측모형 개발" 한국디지털정책학회 16 (16): 231-242, 2018
• 4 박애자 ; 임난영 ; 김윤신 ; 이윤경 ; 송정희, "요양시설 노인의 낙상 실태와 영향 요인" 대한근관절건강학회 18 (18): 50-62, 2011
• 5 박성희 ; 김은경, "성인 입원환자에게 유용한 낙상위험사정도구: 체계적 문헌고찰과 메타분석" 대한임상건강증진학회 16 (16): 180-191, 2016
• 6 조영신 ; 이영옥 ; 윤영순, "상급종합병원 입원환자의 낙상 위험요인: 생존분석으로" 한국중환자간호학회 12 (12): 57-70, 2019
• 7 이수진 ; 백경원 ; 박남수 ; 김민경 ; 전상남, "낙상으로 입원한 노인환자의 낙상발생장소와 사망과의 관계" 한국보건교육건강증진학회 40 (40): 89-101, 2023
• 8 천자혜 ; 김현아 ; 곽미정 ; 김효선 ; 박선경 ; 김문숙 ; 최애리 ; 황지인 ; 김윤숙, "낙상위험요인 평가 및 낙상예방활동 임상진료지침" 한국의료질향상학회 24 (24): 41-61, 2018
• 9 임동현 ; 지유빈 ; 김경민, "낙상 사망자 특성분석을 통한 위험계층 추출 및 정책제안" 한국방재학회 18 (18): 171-178, 2018
• 10 Stephenson, T., "The national patient safety agency" 90 (90): 226-228, 2005
• 11 Oliver, D., "Preventing falls and fall-related injuries in hospitals" 26 (26): 645-692, 2010
• 12 이용은 ; 최낙준 ; 변영후 ; 김대원 ; 김경천, "K-겹 교차 검증과 서포트 벡터 머신을 이용한 고무 오링 결함 검출 시스템" 한국가시화정보학회 19 (19): 1-6, 2021
• 13 Younghye Park, "Assessment of risk factors for falls among community-dwelling seniors" 6 (6): 170-178, 2004
• 14 Korea Disease Control and Prevention Agency, "2022 Injury Type and Cause Statistics, In-Depth Survey on Emergency Room Injury Patients" 2287-3481, 2022