스케어의료 기관은 다양한 거래 프로세스를 수행하며, 종종 최적의 성과를 발휘하지 못합니다. Minitab은 수많은 의료 기관이 데이터 기반 문제 해결 방법론을 채택하여 거래 프로세스를 개선할 수 있도록 지원합니다. Minitab이 예측 모델링과 Monte Carlo 시뮬레이션을 사용하여 청구 거래를 확대하도록 지원할 수 있는 방법에 관한 한 가지 예시를 공유해보도록 하겠습니다.
신속한 청구 지급 시간
의료 청구를 해결하고 제공된 서비스에 대해 지급받는 데 걸리는 시간은 중요한 측정치입니다. 의료 청구 거래의 효율성을 높이면 수익과 현금 유동성을 크게 개선할 수 있습니다. 청구의 중간 값이 5200달러이고 매월 처리되는 평균 청구의 양이 1,200건이라고 가정해보겠습니다. 청구가 해결되지 않으면 조직의 현금 유동성에도 부담이 될 뿐만 아니라 막대한 비용이 야기되며 날이 갈수록 빠르게 이자 비용이 증가합니다.
이자 산출 측정치는 의료 청구의 시작부터 지급까지 경과한 일수를 기준으로 합니다. 관련된 다른 요인에는 1일 1당 처리된 청구의 작업량, 일일 오류율(정보 누락, 잘못된 값 등), 처리 비용이 포함됩니다. 다음 데이터의 항목은 청구가 민간보험과 관련되어 있는지 그리고 진료가 외래로 간주된 경우를 나타냅니다.
데이터 분석을 활용하여 헬스케어 서비스 및 환자를 위한 결과 개선하기
요약 정보
청구가 느리게 이루어지면 이자 지급액이 증가하고 현금 유동성이 불확실해지는 등 여러모로 조직에 비용이 야기됩니다. 전략적인 비즈니스 계획에서는 안정적인 재무 성과를 유지하기 위해 50일 이내에 청구를 해결하는 목표를 포함했습니다. 이러한 목표를 달성하기 위해 Minitab은 공정능력 연구를 활용하여 처리된 청구의 모집단이 이 목표를 얼마나 잘 달성하는지 확인해보았습니다. 그 결과 현재 이 프로세스에서는 대부분의 청구(100만 건 중 88만 3천 건)가 처리되는 데 50일 이상 걸린다는 것을 예상할 수 있습니다.
청구 프로세스의 안정성 유지하기
클라이언트는 어떻게 시간 흐름에 따른 청구 프로세스의 안정성을 유지할 수 있을까요? 청구 처리 기간이 급증하는 데는 특별한 원인이 있을 수 있습니다. 이 문제는 쉽게 해결할 수 있습니다. 오랜 시간에 걸쳐 안정적으로 나타나는 청구 시간의 편차는 전반적인 개선을 위해 보다 세부적으로 접근해야 한다는 것을 의미합니다. 품질 관리도는 프로세스의 안정성을 평가하는 데 효과적인 방법입니다.
개체[I] 관리도와 이동 범위[MR] 관리도는 청구 해결 프로세스가 평균 약 53일로 안정적이라는 것을 보여줍니다. 예외적인 경우는 제외하고 청구는 46일에서 60일 사이에서 랜덤하게 이루어질 수 있습니다.
회귀 모델 만들기
거래 프로세스는 청구 해결 기간의 변동에 영향을 미칠 수 있는 여러 가지 변수를 포함하는 경우가 많습니다. 다음은 사용하기 가장 적합한 모델 중 일부입니다.
- 예측 분석은 가장 영향력이 큰 변수로 초점을 찾는데 매우 유용한 솔루션입니다.
- 자동화된 머신러닝은 사용하기 쉬우면서 유용한 모델을 적합하는 데 매우 효과적입니다.
- TreeNet 모델은 3개의 연속형 변수(청구 처리, 청구 비용, 날짜 오류)로 초점을 좁히는 청구 시간에서 81.8%의 변동성을 설명합니다.
입력 변수가 줄어들고 회귀 모델이 생성되었습니다. 회귀 모델은 모델 입력을 선형으로 조합한 것이므로 설명하기가 쉽습니다. 세 가지 입력에 대한 회귀 모델은 청구 시간 변동의 78% 이상을 설명하며, 이는 보다 복잡한 TreeNet 모델과 거의 비슷합니다. 모델을 통한 예측은 아래에 나타난 것과 같이 청구 시간 변동의 약 75%를 설명합니다.
웨비나: Monte Carlo 시뮬레이션으로 불확실성 확인하기
Monte Carlo 시뮬레이션을 사용하여 데이터 정제하기
Minitab에서 회귀 모델이 생성되면 Workspace나 Engage 사용자는 회귀 모델을 Monte Carlo 시뮬레이션으로 손쉽게 가져올 수 있습니다. 3개의 입력 변수의 형태와 매개변수에 관한 기존 정보는 청구 처리 기간이 50일 이내라는 목표와 함께 입력됩니다. 매개변수를 알 수 없는 경우 데이터를 사용하여 입력에 대한 행동을 자동으로 생성하는 것이 쉽습니다.
개선 최적화
최적화는 청구 시간을 상당히 개선해주었고 이제는 목표치를 초과하는 청구가 1% 미만이 되었습니다. 개선 여정에는 하루 1인당 30건까지만 청구를 처리하도록 작업량을 줄이고 오류를 0.1%이하로 줄이려는 노력을 높이고 청구당 비용을 약 345달러로 늘릴 수 있는 리소스를 추가하는 작업이 포함됩니다. 증가된 비용과 감소된 오류는 더 많은 프로세서를 고용함으로써 발생할 수 있습니다. 비용에서의 수익 증가는 보다 효율적인 정산 시간을 통해 수익을 확보하는 데 누리는 이익의 일부에 불과합니다.
매개변수 최적화는 입력의 평균값을 최적화 알고리즘으로 파악한 수치로 변경하여 수행합니다. 평균 설정에 관한 입력에서 변동에 대한 청구 시간의 민감도를 분석하는 방법을 통해 추가적인 개선도 가능합니다. 
청구 시간은 작업량 변동에 대해 가장 민감한 것으로 보입니다. 이러한 개선 프로젝트의 이해관계자는 주간에 걸쳐 수요의 균형을 더 잘 맞추기 위해 추가 인력을 배치하여 변동의 20%를 줄일 수 있다고 결정했습니다.
이러한 변경 사항을 적용한 시뮬레이션을 새롭게 수행한 결과 공정능력이 증가했고 목표치를 초과하는 청구 비율이 0.04%로 매우 적다는 것이 입증되었습니다. 최종 공정능력 값(Cpk = 1.1)은 분포의 110%가 50일 최대 처리 시간 목표 내에 포함되며 안정적으로 목표를 달성할 수 있다는 것을 나타냅니다.
t-검정으로 결과 확인
시뮬레이션은 예상되는 결과 모집단에 대한 증거를 제시하지만 확인 데이터를 대체할 수는 없습니다. 통계 모델에 포함하기 어렵거나 알려지지 않은 결과에 영향을 줄 수 있는 요소가 있습니다. 청구 시간 개선 프로젝트의 후원자들은 100개의 랜덤 관측치를 확인 표본으로 포함했고 이를 사용하여 50일 내로 청구를 해결하는 공정능력을 판단했습니다. 2-표본 t-검정결과 평균 청구 시간의 감소는 매우 유의하다는 것을 보여주었습니다. (p~0.000)
목표를 초과할 수 있는 100만 건당 300건 미만으로 50일 목표 내에서 청구를 해결하는 능력이 크게 향상되었습니다.
결론
이 블로그에서 보여드렸다시피 모델링과 시뮬레이션 연구를 활용하면 변경을 시행하기 전에 프로세스를 연구하고 개선의 효과를 평가할 수 있습니다. 이러한 단계를 통해 프로세스의 이해관계자는 제안된 변경의 견고성에 대해 합리적인 확신을 가질 수 있습니다. 주요 의료 기관의 경우 개선을 통한 비즈니스 가치가 수백만 달러가 될 수 있습니다. 이 블로그에서 사용된 Minitab 솔루션은 비통계학자가 손쉽게 개발했으며 감사뿐만 아니라 조직 전체에 모범 사례를 공유하는 데 뛰어난 자료를 제공합니다.