성과 모니터링을 통해 가치 기반 치료 개선하기

직원 복지 및 환자 치료 개선

오늘날의 의료 체계는 두 가지 주요한, 상호 연결된 도전 과제에 직면해 있습니다. 바로 직원 번아웃과 인력 부족 문제입니다. 설문조사에 응답한 의사와 간호사의 거의 50%가 관료 및 행정 업무와 과중한 업무 시간으로 인한 중압감으로 심각한 번아웃 증상을 경험했다고 보고했습니다. 그 결과 많은 직원들이 업계를 떠나 더 나은 워라밸을 찾아 나섰고, 병원들은 메울 수 없는 거대한 인력 격차에 직면하게 되었습니다. 미국 병원의 절반 이상이 간호사 공석률이 7.5% 이상이라고 보고했고, 초과 근무 및 에이전시 비용이 2013년 이래로 169% 증가했다고 답했습니다. 안타깝게도 대부분의 추정치에 따르면 헬스케어 인력 부족 현상은 향후 10년간 더욱 악화될 것으로 보입니다.

이 두 가지 도전 과제에 대응하기 위해 의료 기관은 직원 채용 모델을 의료 인력의 복지를 최우선에 두는 방식으로 최적화해야 하며, 동시에 최고의 환자 경험 및 치료 결과를 보장할 수 있어야 합니다. 데이터 플랫폼은 다양한 시스템 및 첨단 분석을 통해 수집한 데이터와 직원 채용 니즈를 보다 정확히 예측하는 데 사용할 수 있는 머신 러닝 모델에 대한 중앙 액세스를 의료 기관에 제공함으로써 핵심적인 역할을 할 것입니다. 이와 같은 인사이트를 바탕으로 의료 기관들은 직원당 할당 환자 수의 균형을 확보하고, 번아웃을 예방하고 환자 치료를 개선하기 위한 적합한 인력 수준을 항상 유지할 수 있습니다.

머신러닝을 통한 헬스케어 인력 계획 간소화

임상 데이터는 의료진에게 환자에 대한 많은 정보를 제공하는 반면, HCM(인적 자본 관리) 시스템과 같은 운영 시스템은 의료 기관에 과거 근무 일정, 근무 시간, 임상의 및 기타 직원이 사용한 병가 시간 등 직원에 대한 많은 정보를 제공할 수 있습니다. 다음 아키텍처가 보여주듯이 Oracle Data Platform은 임상 및 운영 데이터를 통합하고, 고급 분석 및 머신러닝을 사용하여 의료 기관이 인력 배치 모델이 환자 치료 결과에 미치는 영향, 인력 배치 결정이 다음 주 치료에 미치는 영향을 거의 실시간으로 파악할 수 있도록 지원합니다. 또한 또 한 번의 대대적인 코로나19 확산 시 인력 격차의 어떤 부분이 충족되어야 하는지, 특정 시점에 대한 최적의 인력 배치 모델이 어떤 것인지 등에 대해서도 파악할 수 있게 해 줍니다.

이 이미지는 헬스케어용 Oracle Data Platform이 의료 인력 워크로드 최적화에 어떻게 사용될 수 있는지 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

1. 1. 데이터 소스, 검색
2. 2. 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5. 측정, 실행

데이터 소스, 검색 제품군에는 4가지 범주의 데이터가 포함되어 있습니다.

1. 1. 애플리케이션 데이터는 HCM, 리소스, 자격 및 교육 데이터로 구성됩니다.
2. 2. 의료 기록에는 EHR, EMR 및 행정 시스템으로부터 수집한 데이터 등 임상 데이터가 포함됩니다.
3. 3. 서드파티 데이터는 행정 및 사회인구학적 데이터와 정책 및 프로그램, 건강 활동 및 환경과 관련된 데이터로 구성됩니다.
4. 4. 기술 입력 데이터에는 환자 생성 데이터(예: 소셜 데이터, 건강 위험 평가, 온라인 의료 기록, 설문조사 응답) 및 원격 모니터링 및 모바일 건강 앱으로부터 수집한 데이터가 포함됩니다.

수집, 변환 제품군은 4가지 기능으로 구성됩니다.

1. 1. 일괄 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
2. 2. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate 및 Oracle Data Integrator를 사용합니다.
4. 4. 스트리밍 수집은 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서비스 데이터 저장소, 클라우드 스토리지, 트랜잭션 데이터 저장소에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 5가지 기능으로 구성됩니다.

1. 1. 서빙 데이터 저장소는 Autonomous Data Warehouse, Exadata Cloud Service 및 Exadata Cloud@Customer를 사용합니다.
2. 2. 트랜잭션 데이터 저장소는 Autonomous Transaction Processing, MySQL, Exadata Cloud Service, Exadata Cloud@Customer 및 NoSQL를 사용합니다.
3. 3. 클라우드 스토리지는 OCI Object Storage를 사용합니다.
4. 4. 일괄 처리는 OCI Data Flow를 사용합니다.
5. 5. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

트랜잭션 데이터 저장소는 서비스 데이터 저장소에 단방향으로 연결됩니다.

2가지 기능이 분석, 학습, 예측 제품군에 연결됩니다: 서빙 데이터 저장소는 분석 및 시각화 기능과 데이터 제품, API 기능 모두에 연결됩니다. 클라우드 스토리지는 머신 러닝 기능에 연결됩니다.

분석, 학습, 예측 제품군은 5가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. 데이터 제품 및 API는 OCI API Gateway 및 OCI Functions를 사용합니다.
3. 3. 머신러닝은 OCI Data Science, Oracle Machine Learning, Oracle ML Notebooks을 사용합니다.
4. 4. AI 서비스는 Oracle Digital Assistant, OCI 의사 결정, OCI Decision, OCI Speech, OCI Language 및 OCI Vision을 사용합니다.
5. 5. 스트리밍 처리는 OCI GoldenGate Stream Analytics 및 서드파티 스트림 분석 솔루션을 사용합니다.

3가지 기능이 해당 제품군 내에서 서로 연결됩니다. 데이터 제품 및 API 기능은 머신 러닝 기능과 단방향으로 연결되며, 머신 러닝 기능은 인공 지능 서비스 기능에 단방향으로 연결됩니다. 또한 스트림 처리는 인공 지능 서비스 기능에 단방향으로 연결됩니다.

서비스 데이터 저장소, 트랜잭션 데이터 저장소, 객체 스토리지는 메타데이터를 OCI Data Catalog에 공급합니다.

측정 및 실행 제품군은 데이터 분석을 의료 인력 워크로드 및 케이스로드 관리 최적화 지원에 어떻게 적용할 수 있을지 그 방법을 수집합니다. 이 애플리케이션들은 2개의 그룹으로 구분됩니다.

1. 1. 첫 번째 그룹에는 묘사 분석, 진단 분석, 예측 및 규범 분석이 포함됩니다.
2. 2. 두 번째 그룹에는 환자 정보, 치료 및 결과 간의 통계적 관련성 분석이 포함됩니다.
3. 3. 3가지 주요 제품군(수집, 변환/유지, 선별, 생성/분석, 학습, 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 활용됩니다.

헬스케어 조직이 특정 시점에 각 부서의 인력 상황을 최적으로 관리하는 방법을 이해할 수 있도록 지원하기 위해 아키텍처에 데이터를 주입하는 세 가지 주요 방법이 있습니다.

• 과거의 직원 채용 및 환자 관련 데이터는 미래의 인력 수요를 파악하고 예측하는 데 매우 중요합니다. HCM 애플리케이션은 과거의 인력 모델 및 개별 직원에 대한 인사이트를 얻는 데 필요한 많은 데이터를 제공합니다. 그리고 입원, 퇴원 및 이전(ADT) 애플리케이션은 각 환자에 대한 기본적인 세부 정보를 제공합니다. 이 데이터는 서드파티 소스로부터 수집한 환자 데이터를 통해 보완될 수 있으며, 여기에는 소셜 미디어를 통해 수집된 비정형 데이터가 포함될 수 있습니다. 변경 데이터 수집이 필요한 실시간 또는 거의 실시간에 가까운 추출이 빈번하게 일어나며, 데이터는 OCI GoldenGate를 사용하는 HCM 및 ADT 운영 시스템을 통해 정기적으로 수집됩니다. OCI GoldenGate는 '데이터 제품'이 중요한 데이터 객체인 진화하는 데이터 메시 아키텍처의 핵심 구성 요소이기도 합니다.
• 이제 스트리밍 서비스/Kafka를 사용해 실시간으로 수집될 웨어러블 장치의 스트리밍 데이터를 추가할 수 있게 되었습니다. 예를 들어, 하루 종일 직원의 위치 및 이동을 모니터링하는 GPS 웨어러블 장치를 통해 데이터를 수집해, 직원을 각 병동 및 환자에 배정하기 위한 보다 효과적인 방법을 파악하는 데 이를 활용할 수 있습니다. 이 스트레밍 데이터(이벤트)가 수집되고, 데이터가 클라우드 스토리지에 저장되기 전에 몇 가지 기본 변환/집계가 수행됩니다.
• 실시간 수집에 관한 니즈가 진화하는 한편, 헬스케어 시스템의 가장 흔한 추출 방식은 추출, 로드, 변환 또는 추출, 변환, 로드 또는 추출 및 변환 프로세스를 사용한 일종의 일괄 수집입니다. 일괄 수집은 스트리밍 방식의 수집을 지원하지 않는 시스템으로부터의 데이터 임포트에 사용됩니다(예: 구형 메인프레임 시스템). 환자의 니즈를 완전히 이해하려면, 우리는 또한 전자 의료 기록(EMR) 또는 전자 건강 기록(EHR) 시스템과 같은 운영 시스템에서 데이터를 수집해야 하며, 대체로 Fast Healthcare Interoperability Resources 프로토콜을 통해 수집이 이루어집니다. 이와 같은 데이터는 여러 제품 및 지역에 걸쳐 수집됩니다. 일괄 수집은 10분 또는 15분 간격으로 자주 이루어질 수 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 대량 수집에 해당하는 방식입니다.

수집된 모든 데이터에 대한 데이터 지속성 및 처리 옵션은 4가지 구성 요소를 기반으로 구축됩니다.

• 수집된 원시 데이터는 클라우드 스토리지에 일괄 처리를 목적으로 저장됩니다. 이 과정에서 필요한 정리, 보강 등이 이루어져 데이터가 사람, 애플리케이션, 머신 러닝 플랫폼 등 다운스트림 사용자에게 소비되기에 적합한 형태로 변환됩니다. 일부 데이터는 서빙 데이터 스토어에 직접 배치되기도 하지만, 이 데이터는 동시에 클라우드 스토리지에도 배치됩니다. 이 데이터는 Spark를 사용해 처리됩니다. 처리는 OCI Data Flow를 통해 직접 수행될 수도 있고, 더 큰 파이프라인의 일부로 OCI Data Integration의 통합관리 기능을 사용해 수행될 수도 있습니다. 이 처리된 데이터세트는 클라우드 스토리지로 반환돼 꾸준한 유지, 선별 및 분석에 사용되며, 궁극적으로는 서빙 데이터 저장소에 최적화된 양식으로 로딩됩니다.
• 트랜잭션 데이터 저장소는 운영 보고 및 도메인 데이터 웨어하우스 또는 엔터프라이즈 데이터 웨어하우스(EDW)에 대한 데이터 소스로 사용됩니다. 이 저장소는 의사 결정 지원 환경에서 EDW를 보완하는 요소이며, 전술 및 전략적 의사결정 지원에 사용되는 EDW와 달리 운영 보고, 제어 및 의사결정에 사용됩니다. 운영 데이터 저장소(ODS)는 일반적으로 추가 작업, 보고, 제어 및 운영 의사결정 지원에 사용되는 여러 소스로부터 수집한 데이터를 통합 및 유지하도록 설계된 관계형 데이터베이스입니다.
• 이제 서빙 데이터 저장소에서 선별 및 쿼리 성능에 최적화되고 관계형 양식으로 유지할 준비가 된, 처리된 데이터세트가 생성되었습니다. 이를 통해 의료 기관은 최적의 직원 채용 계획을 개발하는 데 필요한 모든 데이터 및 변수를 검토할 수 있게 되었습니다.

분석, 예측 및 실행 기능은 2가지 기술을 사용합니다.

• 분석 및 시각화 서비스는 묘사 분석(히스토그램 및 차트를 사용한 현재 트렌드 설명), 예측 분석(미래 이벤트 예측, 트렌드 파악, 불확실한 결과의 가능성 예측), 규범 분석(최적의 의사결정으로 이어질 적절한 활동 제안)을 제공합니다. 이 분석 방식들을 한데 결합하면 직원 채용 니즈를 예측하고 적절한 권장 사항을 제공할 수 있습니다. 예를 들어, 분석을 사용하여 특정 지역에 거주하는 환자 클러스터 중 누가 변화하는 환경의 영향(예: 온도 변화)을 받는지 예측할 수 있으며, 어떤 환자가 특정 증상을 보이는지에 관한 정보를 임박한 질병 발생의 지표로 사용할 수 있습니다. 의료 기관은 이를 바탕으로 예상되는 케이스로드 증가에 대응하기 위해 인력 모델을 변경할 수 있습니다.
• 고급 분석의 사용 외에도 여러 머신 러닝 모델이 개발, 훈련, 배포됩니다. 이 학습된 모델들은 현재 및 과거의 운영 데이터 모두에서 실행될 수 있으며, 이를 통해 높은 이직률로 이어질 수 있는 이벤트 및 트렌드(예: 직원 불만 증가)를 감지할 수 있습니다. 이와 같은 이벤트 및 기타 결과들은 서비스 계층에 계속 유지되며, Oracle Analytics Cloud와 같은 분석 도구를 사용해 보고될 수 있습니다. 이 모델 및 데이터는 OCI Data Science와 같은 머신 러닝 시스템에 주입해 보다 효과적인 직원 채용 모델을 추천할 수 있도록 모델을 추가로 훈련하는 데 사용될 수 있습니다. 해당 모델들은 API를 통해 액세스하거나, 서비스 데이터 저장소에 배포하거나, OCI GoldenGate 스트리밍 분석 파이프라인의 일부로 포함시킬 수 있습니다.
• 우리가 선별 및 테스트한 고품질 데이터 및 모델은 거버넌스 규칙 및 정책을 적용할 수 있으며, 헬스케어 조직 전반에 대한 배포 목적으로 데이터 메시 아키텍처 내에 '데이터 제품(API)'으로 노출될 수 있습니다.

직원 채용 그 너머: 주요 헬스케어 도전 과제 해결을 위한 데이터 활용

헬스케어 조직에 보다 효과적이고 정확한 직원 채용 모델을 개발할 역량을 제공하는 것을 넘어 Oracle Data Platform은 환자 치료, 비용 절감, 직원 경험 개선을 위한 다양한 영역에서의 운영 최적화 역시 지원합니다. 다음은 몇 가지 예입니다.

• 대상 환자 그룹을 위한 종합적이며 세부 조정된 치료를 지원합니다.
• 예상된 팬데믹 확산이 발생하기 한참 전에 시스템 중단 가능성을 파악하고, 성공적인 시스템 가동을 위한 사전 예방적 조치를 제공합니다.
• 환자 코호트 추세를 모니터링해 치료 프로그램의 효과를 평가합니다.
• 과잉 치료가 발생하면 그 영역을 식별합니다.
• 의료 서비스 제공 품질 및 비용을 모니터링합니다.
• 환자 위험 계층화 모델을 구축합니다.
• 환자 재입원 위험을 예측합니다.
• 예방적 치료를 권고해 환자의 자체 관리를 지원합니다.