손상된 심사데이터를 이용한 선별급여 예측모델개발

Abstract

우리나라 의료서비스는 건강보험제도를 운영하여 사회복지의 보편주의제도를 바탕으로 국민에게 보편적 의료복지를 보장하며 운영되고있다. 하지만 비급여 항목으로 국민들의 의료비부담이 높아지며 국민들의 생계를 위협에 이르게 된다. 그로 인해 정부는 2017년 8월 17일에 건강보험 보장성 강화정책계획을 발표하며, 이 정책을 통해 비급여항목을 급여화 과정에서 건강보험공단의 재정건정성 문제로 의료자원의 효율적 운용방안이 이슈화되었다. 이를 문제점을 상호보완하면서 정부는 비급여를 필요순위가 높은것부터 제한적으로 급여화를 추진하는 제도를 시행한다. 비로서 정부에서는 보건제도에도 선별적 즉, 선택적 의료보장제도로 의학적으로 필요성이 인정되는 행위에는 급여화를 선언하며, 비급여 의료행위 중 MRI 검사항목도 포함된다. MRI검사도 증상에 따라 본인부담률이 달라지는 선별급여로 시행하는 것으로 단계적 급여전환을 선택한다. 선별급여 시행으로 비급여 MRI검사도 환자의 증상에 따라 선별급여 및 급여로 확대되어 국민이 의료비의 부담이 줄고, 검사 이용량 증가를 예상하여 따라 MRI 검사의 오남용을 줄이고 의료서비스 질향상을 기대하였다. 이로써 MRI검사의 의료행위 또한 선택적 복지를 의료행위부분에 적용하면서 MRI세부산정기준고시를 공표하여 건강보험 적용이 확대시행하고 있으나, MRI검사를 처방시 환자의 주된 호소 및 상태에 따른 다양성, 질환에 따른 횟수제한 등으로 많은 경우의 수를 확인하기 위하여 이전 심사데이터를 기준으로 하여야 하지만 데이터 보관 중 손실되어 그로 인하여 보험적용이 오류 및 처방착오 혼란을 야기하게 된다. 이를 바탕으로 선별급여제도화를 구축하기위해 일관성 있는 표준화 처방 및 손상된 데이터복원이 의료기관에 필요성이 대두되었다. 본 연구의 목적은 선별급여 처방을 위해 손상된 데이터 복원을 통하여 요양기관의 일관성있는 처방하는 것을 목적으로 brain MRI선별급여고시를 통하여 선별급여정책의 효율적으로 이용할 수 있는지 알아보기 위한 예측 모델을 확인한기 위한 문헌연구이다. 연구대상자는 2020년 4월부터 2022년 3월동안 청구데이터를 약 48,000명 해당하는 선별급여 922,175건을 데이터를 수집하였다. 수집된 자료는 문헌 및 고시사항을 분석하여, 4개의 범주에서 23개의 변수를 포함하여 데이터 구조를 구성하여 예측 모델링을 하였다. 탐색적 데이터 분석을 실시하여 머신러닝 및 딥러닝 방법론 중 random forest, Light GBM, DNN의 알고리즘을 사용하여 모델의 성능을 평가하였다. 3가지의 알고리즘 모델의 성능지표는 정확도, AUC, 재현율, 정밀도, F1 Score로 평가였다. 본 연구에 활용된 데이터는 반응변수의 비율이 불균형인 데이터(Unbalanced Date)인 점을 감안하여,정확한 모델의 성능 비교 지표는 F1 Score로 시행한 모델비교결과 random forest모델(F1 Score=0.93)과 Light GBM(F1 Score=0.92), DNN(F1 Score=0.94)로 DNN이 우수한 성능을 가지고 있음을 확인하였다. 본 연구는 심사데이터를 통해 선별급여의 체계적인 데이터 손실복원을 통하여 적정한 처방을 예측하여 모델연구를 통해 효율적인 처방에 도움이 되고자 한다. ;Korean health-care service is run by the NHIS (National Health Insurance Service) which guarantees UHC (Universal Health Coverage) for the citizens based on the universalism of social welfare. But, non-benefit items increased the financial burden of health-care on the citizens and their livelihood became threatened. Hence, the government announced the reinforcement policy to convert non-benefits into benefit items to strengthen the health insurance coverage on Aug. 17th 2017. As the conversion policy was executed, the financial health of the NHIS became an issue and the need for an efficient (effective?) application plan of the healthcare resources was brought up in the process. So, the government implemented a limited, complementary system which promoted the conversion by priority of needs and eventually, announced the selective health security system which allowed benefit conversion only when a non-benefit treatment was recognized to be medically necessary. MRI scanning is one of the medically-recognized non-benefit items. The implementation of the selective benefit policy allows non-benefit MRI scanning to be converted into selective benefits or full benefits depending on patient symptoms, reduces the financial burden of healthcare on the citizens, prevents the abuse of the MRI scanning as the increase of the MRI scanning is expected, and encourages the improvement on the quality of healthcare service. Now, the medical treatment of MRI scanning is applied to the medical-treatment section as selective welfare. The specific scoring criteria on MRI scanning are declared and the application of high-cost treatments in the NHIS is expanded. When healthcare providers of medical care institutions prescribe MRI scanning, many numbers of cases must be considered based on the previous assessment data because of the frequency restriction depending on patient’s major symptoms and diseases. If the stored data is damaged or lost, insurance application and prescriptions can go wrong causing confusion. Thus, the need for consistent standardized prescription and recovery of damaged data was reared up in the medical institutions in order to establish the selective benefit system. The purpose of this study is to provide consistent prescription practice in medical care institutions by recovering damaged data in order to prescribe the selective benefits. It’s also a literature study to confirm the forecasting model to find out if the selective benefit policy can be used effectively through the brain MRI selective benefit notifications. The participants in the study are about 48,000 patients from Apr. 2020 to Mar. 2022 and 922,175 cases of selective benefit were collected from their claims data. The collected data analyzed the literature and notification details and formed data structure including 23 variables from 4 categories and predictive modeling. Exploratory data analysis was done to assess the performance of the model with the use of the algorithms of random forest, Light GBM and DNN from machine learning and deep learning methodology. The performance indexes of 3 algorithm models were evaluated on accuracy, AUC, recall factors, precision and F1 Score. When the data was used in the study, the ratio of response variables were considered to be imbalanced data and the accurate performance comparison index of the model was carried out with F1 score. The results showed random forest model (F1 Score=0.93) & Light GBM (F1 Score=0.92) & DNN (F1 Score=0.94) confirming DNN’s excellent performance. The model of study is helpful in providing effective prescriptions for it can predict appropriate prescriptions through systemic recovery of damaged data in the assessment data for the selective benefits.