본 절에서는 지금까지 살펴본 CHAID 알고리즘을 이용한 의사결정 나무모형을 이용하여 병원에서 제공되는 다양한 의료서비스에 대해서 수요자인 병원이용고객이 과연 어떠한 만족도 행태를 보이는가를 파 악하고 이러한 만족도 행태에 따른 수요자 집단의 집단세분화를 수행 해 보기로 한다. 특히 병원에서 제공되는 다양한 의료서비스에 대한 수요자인 병원이용고객의 만족도 행태의 파악은 병원경영의 합리화와 효율성 제고를 위한 가장 중요한 과제이며, 따라서 이에 대한 분석이 우선적으로 이루어져야 한다.
본 분석에서는 ｢의료기관 이용고객의 의료서비스 만족도 및 재방문 요인 조사｣(부록 II, 부록 III 참조)의 설문지에서 병원을 방문한 환자 (입원 및 외래)가 느끼는 전반적인 서비스(의료 및 부대서비스 포함) 에 대한 만족도 항목을 반응변수로 선정하였으며, 재방문 여부 및 권 유의향을 제외한 나머지 설문지내의 전 항목을 설명변수로 하였다35). 다음으로 각각 외래 및 입원환자를 대상으로 의료서비스 이용의 만 족도에 대한 분석결과를 중심으로 의료기관 이용고객의 수요행태를
35) 각 설명변수에 대한 통계적 특성치 및 기초통계결과는 제3장을 참조하기 바란다.
살펴보기로 한다36).
1. 外來患者의 경우
외래이용환자의 경우 의료서비스 만족도 행태의 의사결정모형의 분 석결과는 [그림 4-1]과 같다.
우선 생성된 나무구조의 마디 내에 있는 여러 수치들에 대해 간단 히 살펴보기로 하자. 먼저 각 나무구조의 마디 내에는 반응변수의 특 정범주가 각 마디에서 획득한 백분율(Gains)이 나타나 있는데, 본 분 석에서는 ‘의사의 친절도에 매우 만족하고, 전반적 병원환경에 만족 한’ 마디가 가장 높은 백분율을 얻었다(91%)37). 또한 Index는 (전체에 서 반응변수의 특정범주의 Gains)/(특정마디에서 반응변수의 특정변수 의 Gains)를 의미하는데 이는 특정 범주가 특정 마디에서 획득한 Gains가 전체에서 획득한 Gains보다 높은 지 낮은 지를 평가해 주는 좋 은 지표가 된다. 예를 들어 특정마디에서 얻은 긍정적인 만족도율이 전체에서 획득한 긍정적인 만족도율보다 높은 지 낮은 지를 쉽게 보 여주고 있다38).
또한 이와 같이 Gains와 Index를 이용하면 나무구조의 각 마디의 특 성을 잘 설명해 주지만 이는 생성된 나무구조를 전체적으로 평가하는
36) 이미 지적하였듯이 전반적 만족도가 재방문 및 권유의향에 일방적인 영향을 미친 다는 것이 보다 일반적인 상황이라고 가정하였으므로, 전반적 만족도를 반응변수 로 사용하는 경우 재방문 및 권유의향을 제외시키는 것이 당연하다. 또한 설문의 조사대상은 이미 지적한 바와 같이 의료기관 이용고객(외래 및 입원)이지만 잠재 적 의료기관 이용고객 집단의 모집단의 특성과 본 조사대상의 모집단과 동일하다 는 가정 하에 의료서비스 수요자에 대한 분석결과를 해석하였다.
37) 즉 의사의 친절도에 매우 만족하고, 전반적 병원환경에 만족하다고 평가한 환자 의 93%가 긍정적인 만족도를 나타낸다고 볼 수 있다.
38) Index는 [그림 4-1]에 직접적인 수치로서 나타나지는 않지만 최초 부모마디에서의 Gains와 각 자식마디의 Gains를 비교해 보면 쉽게 산출할 수 있다.
〔그림 4-1〕全般的 醫療서비스 滿足度에 관한 集團細分化 分析(外來)
데는 한계가 있다. 이를 해결하기 위해 Risk라는 개념을 도입하게 된 다. 이는 반응변수의 각 범주에 대한 오분산 행렬(Misclassification Matrix)을 구성하여 실제 각 마디에서 채택된 범주와 예측범주를 비교 하여 모델을 제대로 채택하고 있는지를 전체적으로 평가할 수 있게 한다. 여기서 예측범주란 특정마디내의 관측치들중 가장 높은 비율을 획득한 범주가 그 마디를 대표하게 되며 이때 할당되는 범주를 예측 범주라 하고 그 비율은 사후확률(Posterior Probability)이라 한다. [그림 4-1]을 보면 채택했던 모델이 부정적인 만족도로 분류된 경우가 있음 을 볼 수 있는데, 이는 나무구조 마디에서 가장 높은 빈도를 띄는 범 주로 할당함으로 인해 발생하는 문제라고 할 수 있다39). 즉, 전체 12 개 마디(50：50인 마디는 제외) 중 2개 마디에서 부정적인 만족도를 나타내고 있으므로 Risk는 약 16.7%라고 할 수 있다40).
이제 외래이용환자의 의료서비스에 대한 전반적인 만족도의 분석결 과를 구체적으로 살펴보면 <表 4-1>의 Gains Chart와 같다.
앞서 지적한 바대로 Gains란 각 나무구조의 마디 내에서 반응변수 의 특정범주가 각 마디에서 획득한 백분율이므로, Gains의 크기 순서 에 따른 항목의 내용을 살펴보면 전체 의료기관 외래이용 환자의 전 반적인 의료서비스 만족도에 영향을 주고 있는 변수를 도출해 낼 수 있다. 즉, ‘의사의 친절도에 매우 만족하고, 전반적 병원환경에 만족 한’ 집단의 경우 전반적인 의료서비스에 대해 긍정적으로 평가할 확 률이 91%이고, ‘의사의 친절도 및 진료수준에 만족하고, 전반적인 진 료의 만족도 역시 높게 평가한’ 경우 본인이 제공받은 전반적인 의료 서비스에 대해 긍정적으로 평가할 확률이 89%나 되는 등 ‘의사의 친
39) 따라서 나무구조의 판별 및 분류에서는 범주의 수가 많고 범주의 빈도가 적은 경 우에는 판별의 오분류율이 높을 가능성이 크다.
40) 이하 각 모형에서의 오분류율(Risk)은 각 모형의 Gains Chart에서 언급하였다.
〈表 4-1〉 全般的 醫療서비스 滿足度 Gains Chart(外來)1)
또한 Gains Chart에는 크게 3개의 행으로 구분되어 있는데, 각 행은 가지치기의 단계를 나타내주는 것으로 ‘전반적 서비스 만족도’라는 부모마디에서 가지치기를 1회 수행한 결과가 첫 번째 행에 나타나 있 다. 마찬가지로 계속적인 가지치기 수행 결과는 각각 제2행과 제3행 에 나타나 있다. 이와 같이 각 가지치기 단계별로 구분된 행에서 우 리는 중요한 정책 시사점을 도출해 낼 수 있다. 즉, <表 4-1>에서 보 면 각 가지치기 단계마다 특정 마디에서 다른 마디로 이동하는 전략 과 그 효과를 제시해 주고 있다. 예를 들어 제1단계에서 의사의 친절 도에 대한 만족도가 불만족하다는 마디에서 만족한다는 마디로 이동 하는 경우－의사에 대한 친절교육 등으로 실제 의사의 친절도가 높아 지는 경우 등－전반적 서비스 만족도에 미치는 영향(Gains의 증가율) 은 116%나 증가되는 것으로 나타나 있다. 이와 같이 Gains Chart에서 는 각 가지치기 단계 내에 있는 마디마다 보다 높은 Gains를 얻기 위 한 전략과 그 효과를 명확히 나타내 주고 있다. 외래환자의 전반적 만족도의 경우는 ‘의사의 친절도에 불만족한 집단에 대해서 병원의 평판을 좋게 하는’ 전략을 수행하는 경우 만족도를 약 400%나 증가시 킬 수 있으며, ‘의사의 친절도를 높이는’ 전략의 수행만으로도 116%
나 만족도를 증가시키는 효과를 가져오는 것으로 나타났다.
다음으로 전반적 만족도의 반응변수를 이용하여 집단세분화 분석을 수행해 보기로 한다. <表 4-1>에서 보면 각 항목에 속한 관측치에 근 거 집단규모를 산출하여 외래환자의 전반적 만족도 집단을 세분화시 켜 보았는데, 최종마디를 중심으로 살펴보면 ‘의사의 친절도에 만족하 고, 진료수준에 만족하며, 전반적 진료과정에 만족하는’ 집단이 전체 집단의 약 26.5%를, ‘의사의 친절도에는 만족하나 진료수준에는 불만 족 하는’ 집단이 전체 집단의 약 24.8%를 차지하는 것으로 나타났다.
이와 같은 집단세분화를 이용하는 경우 전반적 서비스 만족도를 개선
시키기 위해 어떠한 특정집단을 공략해야 하는가를 단적으로 보여준
즉 이를 이용하면 전반적 만족도의 반응확률에 대한 로지스틱 선형 결합을 구하면 다음과 같다41).
Z = - 9.61 + 0.55 ( 병원의 평판) + 0.26 ( 진료수준) + 0.49 ( 전반적 병원환경 ) + 0.18 ( 직원의 용모) + 0.92 ( 진료의 만족도) + 0.42 ( 의사의 친절도)
예를 들어 어떠한 고객이 모든 독립변수에 대한 만족도를 3으로 평 가했다면
Z
의 값은 -1.15가 되어 만족도 여부에 대한 추정확률은 약 24%( P = 1/( 1 + e
- ( - 1.15 ))
)가 된다. 일반적으로 사건의 추정확률이 0.5보다 크면 사건이 발생하고 0.5보다 작으면 발생하지 않는 것으로 예측할 수 있기 때문에 이 고객의 경우 만족하지 않을 가능성이 매우 높다는 것을 알 수 있다.또한 Wald통계량(
( B / SE)
2)은 절편과 기울기에 대한 가설검정의 통계치로써 이를 이용하여 통계량의 유의 수준을 보면 ‘직원의 용모’를 제외한 모든 독립변수가 유의하다는 것을 알 수 있다. 그리고 R 통 계량은 한 종속변수와 각각의 독립변수들간의 편상관(partial correlation) 을 나타내는데 R값이 크면 그 변수가 그 모델에 상대적으로 많은 공 헌을 한다고 볼 수 있다. 따라서 본 분석에서 종속변수에 대한 기여 도가 큰 것으로는 진료의 만족도, 전반적 병원환경, 병원의 평판, 의 사의 친절도 등으로 나타났다42).
이와 같은 로지스틱 회귀분석에서 모델이 얼마나 잘 분석되었는가 를 판단하기 위해서는 앞서 언급한 바와 같이 확률의 히스토그램을 보거나 분할표(Classification Table)를 이용하여 분류의 정확성을 검토
41) 이를 ‘외래환자의 만족지수'라 할 수 있다.
42) 이후 신경망 모형에서는 이 중에서 공헌도가 가장 큰 두 변수를 예측반응률과의 관계를 나타내는 그래프에서 독립변수로 이용하였다.
하여야 하는데, 이에 대한 구체적인 사항은 생략하고 분할표상에 나 타나는 항목 중 전반적 분류의 정확도만을 제시하고자 한다. 본 분석 에서의 전반적 만족도에 대한 분류의 정확도는 77.54%로 나타났다.
한편 모형의 적합도를 검증하는 방법으로는 모수 추정치가 주어졌
한편 모형의 적합도를 검증하는 방법으로는 모수 추정치가 주어졌