배경: 정보 및 통신 기술의 발전은 환자생성건강데이터(patient-generated health data, PGHD)에 대한 관심을 증대시켰고, 그 활용을 확대시켰다. 특히 PGHD는 생존율이 증가하고 다양한 증상을 경험하는 암 환자 중 노인에게 유망할 수 있다. 목적: 본 스코핑 리뷰는 암을 가진 노인에게 적용된 PGHD 연구의 특성을 확인하고, PGHD의 현 사용 현황을 평가하고자 하였다. 방법: Arksey와 O'Malley 및 JBI(조안나 브릭스 연구소, Joanna Briggs Institute) 스코핑 리뷰 방법론에 따라 6개의 전자 데이터베이스를 검색하였다: PubMed, Embase, CINAHL, Cochrane Library, Scopus, Web of Science. 또한 회색 문헌을 포함하여 확인하기 위해, 선정된 연구들의 참고문헌 목록을 추가로 검토하였다. 연구자들은 미리 정의된 적격성 기준에 따라 문헌을 독립적으로 선별하였다. 선정된 연구에서 연구 및 참여자, 그리고 PGHD의 특성을 포착하는 데이터 추출을 수행하였다. 결과: 확인된 1090편의 연구 중 88편이 선정되었다. 출판 경향은 점진적으로 증가하였으며, 연구의 대부분은 2017년 이후에 출판되었다(69/88, 78%). 거의 절반의 연구가 북미에서 수행되었고(38/88, 43%), 그다음으로 유럽(30/88, 34%)이었다. 연구가 수행된 가장 흔한 환경은 참여자의 가정이었다(69/88, 78%). 치료 상태는 다양하였다. 중앙값 표본 크기는 50이었으며(사분위범위 IQR 33.8–84.0), PGHD 측정을 위해 사용된 기기는 연구용 웨어러블 기기(57/113, 50.4%), 소비자용 웨어러블 기기(28/113, 24.8%), 또는 모바일 앱을 위한 스마트폰이나 태블릿 PC(23/113, 20.4%)로 분류되었다. 전체 연구의 절반 이상에서 신체활동을 측정하였고(69/123, 56.1%), 그다음으로 환자보고결과(23/123, 18.7%), 활력징후(13/123, 10.6%), 수면(12/123, 9.8%)이 뒤를 이었다. PGHD는 주로 수동적으로 수집되었으며(63/88, 72%), 능동적 수집 방법은 2015년 이후부터 사용되었다(20/88, 23%). 본 리뷰에서는 PGHD 사용 단계를 다음과 같이 분류하였다: (1) 식별, 모니터링, 검토 및 분석(88/88, 100%); (2) 피드백 및 보고(32/88, 39%); (3) 동기부여(30/88, 34%); (4) 교육 및 코칭(19/88, 22%). 결론: 본 스코핑 리뷰는 암의 다양한 유형 및 병기에서 노인에 적용된 PGHD의 전반적 특성과 사용 단계에 대해 포괄적으로 요약한다. 향후 연구는 환자 참여를 통해 환자 중심의 치료를 제공하기 위해 환자와 상호작용하는 PGHD의 사용에 중점을 두어야 한다. 증상 모니터링을 강화하고, 적시에 개입을 가능하게 하며, 환자 참여를 촉진함으로써 PGHD는 암을 가진 노인들의 웰빙을 개선할 잠재력이 있으며, 더 나은 건강관리와 삶의 질에 기여할 수 있다. 따라서 본 연구 결과는 노인성 암 진료에서 의료 제공자와 연구자가 활용할 수 있는 PGHD에 관한 유용한 통찰을 제공할 수 있을 것이다. 시험 등록: Open Science Framework Registry OSF.IO/FZRD5; https://doi.org/10.17605/OSF.IO/FZRD5.

배경: 간호 데이터는 환자의 악화 징후를 조기에 감지하고 환자의 예후를 예측하는 데 도움이 될 수 있다. 또한 기계학습의 빠른 발전은 중환자실 환자를 대상으로 한 임상 예후 예측 모델의 필요성을 부각시켰다. 중환자 치료 과정에서 생성되는 간호 데이터를 포함하는 예측 모델이 증가하고 있음에도 불구하고, 이러한 모델에서 활용되는 간호 데이터의 구체적인 유형과 그것들이 건강 결과를 예측하는 방식에 대한 종합적인 이해는 아직 이루어지지 않았다. 목적: 본 범위고찰(scoping review)은 중환자실 환자의 건강 결과를 예측하기 위해 간호 데이터를 활용하는 기계학습 기반 모델에 대한 현재 연구 동향을 파악하고, 특히 이러한 모델에서 사용되는 간호 데이터의 유형에 초점을 맞추고자 하였다. 방법: 본 범위고찰은 2023년 12월까지의 체계적 문헌 검색을 통해 7개 데이터베이스에서 수행하였다. 중환자실에 입원한 성인 환자의 예후를 예측하기 위해 간호 데이터를 이용한 기계학습을 활용한 문헌을 포함하였다. 데이터는 연구 특성, 모델 관련 특성, 간호 데이터 특성으로 정리하였다. 결과: 총 151편의 연구가 포함되었으며, 2004년부터 2023년까지 발표되었고 2018년 이후 증가 추세를 보였다. 절반 이상이 공개 접근 데이터를 사용하여 예측 모델을 개발했으며, Medical Information Mart for Intensive Care 데이터가 가장 자주 사용되었다. 대부분의 연구는 지도학습을 사용하였고, 그다음으로 딥러닝과 신경망이 뒤를 이었으며, 다른 방법들은 드물게 사용되었다. 지도학습 기법 중에서는 회귀(regression)가 가장 흔하게 사용되었고, 부스팅(boosting)과 랜덤 포레스트(random forests)가 그 뒤를 이었다. 예측 모델에서 간호-민감 결과(nursing-sensitive outcomes, 13.0 %)는 임상 결과(87.0 %)보다 덜 자주 선택되었다. 본 고찰에서 간호 데이터는 간호 척도(n = 150), 간호 사정 기록(n = 83), 간호 활동 기록(n = 13), 간호 노트(n = 23)로 분류되었으며, 간호 척도가 가장 빈번하게 사용되었다. 최근 간호 척도와 노트의 활용이 증가하는 추세를 보였다. 결론: 본 범위고찰은 중환자 환자의 예후를 예측하기 위한 모델에서 간호 데이터가 다양하게 활용되는 양상을 확인하였다. 전반적으로 간호 척도는 환자의 특정 건강 상태를 객관적으로 보여주는 구조화된 데이터로서 가장 많이 활용되었다. 다른 유형의 간호 데이터 역시 환자의 임상 예후를 예측할 잠재력이 있으므로, 향후 연구에서는 다양한 간호 데이터를 통합하는 예측 모델의 개발을 탐색해야 한다. 이러한 연구 결과는 간호 데이터의 활용에 대한 통찰을 제공하고, 중환자실 환경에서 임상 예후와 관련된 예측 모델을 개발하려는 의료 제공자와 연구자에게 도움을 줄 수 있다. 소셜미디어 초록: 본 범위고찰은 중환자 환자의 예후를 예측하기 위한 모델에서 간호 데이터가 다양하게 활용되는 양상을 확인하였다.

배경: 우울증은 고령자에서 건강에 부정적인 영향을 미치는 심각한 정신건강 문제이다. 다양한 분야에 적용되는 심각 게임(serious games)은 특히 정신건강 돌봄에서 적절한 중재로 간주된다. 그러나 고령자에서 우울증에 대한 심각 게임의 효과와 관련된 근거는 부족한 실정이다. 목적: 본 연구는 고령자 우울증을 위한 심각 게임의 특성과 효과를 규명하고자 하였다. 방법: 무작위 대조시험(randomized controlled trials) 대상에 대한 체계적 문헌고찰 및 메타분석을 수행하였다. 2021년 7월 6일까지 출판된 관련 연구를 확인하기 위해 총 5개의 전자 데이터베이스(PubMed, CINAHL, Embase, PsycINFO, Cochrane Library)를 검색하였다. 연구 선택, 자료 추출, 질 평가를 2명의 연구자가 독립적으로 수행하였다. 포함된 연구의 편향 위험은 JBI Critical Appraisal Checklist를 사용하여 평가하였다. 메타분석에서는 랜덤 효과 모형(random effects model)을 사용하여 효과크기를 표준화 평균차(standardized mean difference, SMD)로 계산하였다. 결과: 체계적 문헌고찰에는 총 17편의 연구(고령자 1280명)가 포함되었고, 메타분석에는 15편이 포함되었다. 심각 게임 중재는 신체활동(PA, physical activity), 인지기능, 그리고 신체활동과 인지기능의 두 가지를 모두 포함하는 3가지 유형으로 분류되었다. 메타분석 결과, 심각 게임은 고령자의 우울증을 감소시키는 것으로 나타났다(SMD -0.54, 95% CI -0.79 to -0.29; P<.001). 심각 게임의 효과크기는 병원 환경에서의 효과(SMD -0.46, 95% CI -0.85 to -0.08; P=.02)보다 지역사회 또는 가정 환경에서 더 컸다(SMD -0.61, 95% CI -0.95 to -0.26; P<.001); 그러나 군 간 차이는 유의하지 않았다. 게임 유형 중에서는 신체활동용 게임(SMD -0.60, 95% CI -0.95 to -0.25; P<.001)과 신체활동 및 둘 다를 포함하는 게임(SMD -0.73, 95% CI -1.29 to -0.17; P=.01)에서 고령자의 우울증 감소에 유의한 효과가 관찰되었다. 다만 심각 게임의 기간 또는 횟수와 우울증 간에는 유의한 상관관계가 관찰되지 않았다. 결론: 심각 게임은 고령자의 우울증 감소에 유익한 것으로 나타났다. 연구 환경에 관계없이 심각 게임은 우울증을 감소시키는 경향이 있었다. 특히 신체활동을 포함한 심각 게임은 우울증 감소에 유의한 영향을 미쳤다. 또한 고령자에서 심각 게임의 우울증 효과를 확립하기 위해 고품질 무작위 대조시험이 추가로 필요하다. 시험 등록: PROSPERO CRD42021242573; https://tinyurl.com/26xf7ym5.

배경: 간호 데이터는 중환자의 행동과 생리적 징후에 기반하여 환자의 상태에 대한 관찰과 간호사의 임상적 판단 정보를 포함한다. 전자건강기록의 간호 데이터는 환자 악화의 중요한 예측 인자로 최근 강조되었으나, 체계적으로 검토된 바는 없다. 목적: 본 연구는 중환자 환자에서 재원기간 연장, 재입원, 사망과 같은 임상적 결과를 예측하기 위해 간호 데이터를 이용한 예측 모형들에 대한 체계적 문헌고찰을 수행하고, 생리 데이터만을 사용한 모형과 비교하였다. 또한 예측 모형 개발에 사용된 간호 데이터의 유형을 조사하였다. 설계: 체계적 문헌고찰. 방법: PubMed, CINAHL, Cochrane CENTRAL, EMBASE, IEEE Xplore Digital Library, Web of Science, Scopus를 검색하였다. 중환자 환자에서 간호 데이터를 이용한 임상적 결과 예측 모형을 포함하였다. 임상적 결과는 재원기간 연장, 재입원, 사망이었다. 연구 설계, 데이터 출처, 결과 정의, 표본 수, 예측변수, 기준검사, 모형 개발, 모형 성능, 평가 등은 포함된 연구에서 추출하였다. 편향 위험과 적용 가능성은 Prediction model Risk of Bias Assessment Tool 체크리스트를 사용하여 평가하였다. 짝을 이룬 포레스트 플롯과 요약 수신자조작특성 곡선을 기반으로 기술적 요약을 생성하였다. 결과: 본 체계적 문헌고찰에는 16편의 연구가 포함되었다. 예측 모형에서 사용된 예측변수 데이터 유형은 생리 데이터, 간호 데이터, 임상 노트로 범주화되었다. 간호 데이터의 유형은 간호기록지(간호 노트), 평가(assessment), 문서화 빈도, 그리고 흐름도(플로우시트) 코멘트로 구성되었다. 기준검사로 생리 데이터를 사용한 연구는 생리 데이터만 사용할 때보다 결합 데이터 또는 간호 데이터를 사용할 때 더 높은 예측 성능을 보였다. 전반적인 편향 위험은 대부분의 포함된 연구가 높은 위험을 시사함을 나타냈다. 결론: 본 연구는 중환자 환자에서 간호 데이터를 이용한 임상적 결과 예측의 진단 정확도를 확인하고 검토하기 위해 수행되었다. 대부분의 포함된 연구는 간호 노트를 사용하여 모형을 개발하였고, 다른 연구들은 간호 평가, 문서화 빈도, 흐름도 코멘트를 사용하였다. 편향 위험이 높기 때문에 결과는 신중히 해석할 필요가 있으나, 간호 데이터와 결합 데이터의 곡선하면적(AUC) 점수는 생리 데이터만 사용한 경우보다 더 높았다. 생리 데이터만이 아니라 임상적 맥락을 고려하여 간호 데이터, 임상 노트, 생리 데이터를 예측변수로 활용하기 위한 예측 모형 수립 전략을 마련할 필요가 있다. 등록: 본 연구의 프로토콜은 PROSPERO에 등록되어 있으며(등록 번호: CRD42021273319),

배경: 말초동맥질환(PAD)은 혈관이 좁아져 하지로의 혈류를 감소시키며, 다리 통증, 불편감, 간헐적 파행 같은 증상을 유발한다. PAD는 절단 위험, 건강 관련 삶의 질 저하, 사망률 증가와 관련된다. 전 세계적으로 2억 명이 넘는 사람들이 PAD를 앓고 있는 것으로 추정되지만, 동아시아에서의 PAD 연구가 부족하여 전 세계 PAD 역학에 대한 이해가 제한된다. 국가 단위 데이터에 기반한 분석이나 의료 이용에 관한 연구는 거의 없다. 따라서 PAD의 발생과 유병에 대한 국가 데이터 분석은 PAD 환자에 대한 건강증진 전략을 가능하게 하는 기초자료를 제공할 수 있다. 목적: 본 연구는 한국에서 PAD의 발생률과 유병률, PAD 치료, 입원 중 사망 및 의료 이용의 시계열적 경향을 파악하고자 한다. 방법: 2009년부터 2018년까지의 한국 국가 청구 데이터에 대한 후향적 분석을 수행하였다. PAD의 발생은 2010년과 2011년을 washout 기간으로 설정하여 이전에 PAD로 진단받은 환자를 제외하였다. 연구에는 2011년부터 2018년까지 PAD에 대한 1차 진단을 받은 만 20세 이상 90세 미만의 성인을 포함하였으며, 발생 및 유병 분석을 위해 연령, 성별, 보험 상태에 따라 환자를 층화하였다. 기술통계를 사용하여 발생, 유병, 말초혈관내 혈관재개통술(endovascular revascularization, EVR) 사건, 절단, 입원 중 사망 및 PAD 환자의 의료 이용 특성을 평가하였다. 결과: 2011년부터 2018년까지의 자료에 따르면, 2018년의 발생 및 유병 PAD 환자는 각각 평균 124,682명과 993,048명이었다. PAD 발생률(인구 1,000명당)은 연구 기간 동안 2.68에서 3.09까지 범위였다. 2012년부터 2018년까지는 남녀 모두에서 발생률이 증가하는 경향을 보였다. PAD 발생은 연령이 증가할수록 계속 증가하였다. PAD 유병률(인구 1,000명당)은 2011년 3.93에서 2018년 23.55로 꾸준히 증가하였다. EVR 사건의 수는 연구 기간 동안 933에서 1,422 사이에서 변동하였으며, 주요 및 경미 절단 모두 감소 경향을 보였다. 의료 이용 특성은 여성의 방문 횟수가 남성보다 더 많았던 반면, 남성은 여성보다 3차 및 종합병원을 더 자주 이용한 것으로 나타났다. 결론: 발생 및 유병 PAD 환자의 수는 전반적으로 증가 경향을 보였다. 3차 및 종합병원 방문은 남성이 여성보다 더 높았다. 이러한 결과는 PAD 환자에서 서양 및 남성 환자뿐 아니라 동아시아 및 여성 환자에 대해서도 관심이 필요함을 시사한다. 본 결과는 한국 전 인구를 대상으로 한 국가 청구 데이터에 기반하므로 일반화 가능하며, 임상 및 보건의료 환경에서 PAD 환자에 대한 예방적 진료 및 관리 전략을 촉진할 수 있다.

본 연구는 폐암 수술 후 고령자에서 환자생성 건강데이터(PGHD)의 유용성, 이점, 단점 및 구현 필요성을 탐색하고자 하였다. 단면적 기술 연구 설계를 사용하여 65세 이상 환자 220명이 자기기입식 설문에 참여하였고, 그중 20명과 반구조화 면담을 실시하였다. 설문 분석 결과, 폐기능, 혈압, 심박수가 가장 유용한 PGHD 지표로 확인되었다. 지각된 유용성은 더 젊은 연령(65–74세), 더 높은 소득 및 교육 수준, 수술 후 3년 미만, 그리고 더 높은 디지털 문해력과 유의한 관련이 있었다. 손목 착용형 기기는 선호되는 데이터 수집 방식이었다. 질적 내용분석을 통해 세 가지 주제가 도출되었다: (1) 환자, 의료제공자 및 가족 구성원을 위한 PGHD의 이점; (2) 기기와 데이터에 관련된 단점; (3) 콘텐츠 및 전달 플랫폼과 관련된 PGHD의 필요성. 종합하면, 본 연구 결과는 고령의 수술 후 폐암 환자들이 실시간 생리 및 활동 데이터를 중요하게 여기지만 사용성 및 신뢰 관련 장벽에 직면함을 시사한다. 따라서 안전하고 사용하기 쉬운 PGHD 시스템을 설계하고, 이 인구집단의 수술 후 진료에서 그 이점을 극대화하기 위해 맞춤형 교육과 기술 지원을 제공하는 것이 필수적이다.

목적: 본 연구의 목적은 지역사회에 거주하는 고령자를 위한 돌봄 로봇(care robots)에 관한 기존 연구를 통합적으로 고찰하고, 향후 연구 및 기술 개발의 방향을 제안하는 데 있다. 방법: 우리는 지역사회에서 생활하는 노인이 가정에서 독립성을 유지하는 데 도움을 주는 돌봄 로봇과 사회적 보조 로봇을 포함한 로봇에 초점을 맞추었다. 적합한 연구 문헌을 찾기 위해 3개의 전자 학술 데이터베이스(PubMed, CINAHL, Cochrane)를 검색하였다. 사용한 키워드는 elder*, older adult*, robot* care, care robot*, assist* robot*, service robot*, companion* robot*, socia* robot*, home-based, community-based 등을 포함하였다. 결과: 총 834편의 연구 문헌이 확인되었으며, 최종적으로 40편을 검토하고 분석하였다. 연구는 돌봄 로봇과 관련된 인식 및 필요, 인지적 지원, 일상생활활동에 대한 보조의 세 가지 그룹으로 분류되었다. 결론: 노인의 독립적 일상생활을 위한 실질적 보조를 제공할 수 있도록 다양한 기능을 갖춘 돌봄 로봇을 개발하고 구현할 필요가 있다. 이를 위해 정부 기관, 공공 기관, 학계 및 민간 보건 기업 간의 협력이 요구된다. 또한 지역사회에 거주하는 노인의 지속적인 접근을 보장하기 위해 돌봄 로봇의 구매 및 유지 비용을 지원하는 정책을 수립해야 한다.

목적: 응급실(ED) 과밀은 의료 효율성, 안전성, 자원 관리에 상당한 영향을 미친다. 분류(트리아지) 정보를 활용하는 예측 모형은 입원 과정을 간소화할 수 있다. 본 검토는 성인 응급실 환자에서 트리아지 자료를 사용하여 개발되었거나 타당성이 검증된 기존의 병원 입원 예측 모형을 평가하였다. 방법: PubMed, Embase, CINAHL, Web of Science, Cochrane Library에서 체계적 검색을 수행하였다. 연구는 성인 응급실 환자의 트리아지 자료를 이용하여 병원 입원 예측 모형을 개발하거나 검증한 경우에 한해 선택하였다. 자료 추출은 CHARMS(예측 모형 연구에 대한 체계적 문헌고찰의 비판적 평가 및 자료 추출 체크리스트)에 따라 수행하였고, 편향 위험 평가는 PROBAST(예측 모형 위험의 편향 평가 도구)를 사용하여 평가하였다. 결과: 포함 기준을 충족한 연구는 20편이었으며, 로지스틱 회귀와 기계학습 기법을 사용하였다. 로지스틱 회귀는 전통적 사용과 임상적 해석 가능성으로 특징지어졌고, 반면 기계학습은 더 높은 유연성과 잠재적 예측 정확도 향상을 제공하였다. 흔한 예측 변수에는 환자 인구통계, 분류 범주, 활력징후, 내원 방식이 포함되었다. 모형 성능에 대한 곡선 아래 면적(AUC) 값은 0.80에서 0.89 범위로, 강한 변별력을 보여주었다. 그러나 외부 타당성은 제한적이었고, 결과 정의와 모형의 일반화 가능성에는 변동이 있었다. 결론: 트리아지 자료에 기반한 예측 모형은 입원에 대한 조기 예측을 가능하게 하여 응급실 운영을 지원할 잠재력이 있으며, 이는 병상 대기 시간(boarding time)을 감소시키고 환자 흐름을 개선하는 데 도움이 될 수 있다. 다양한 환경에서의 적용 가능성과 신뢰성을 확인하기 위해 이러한 모형을 검증하는 추가 연구가 필요하다.

배경: 정보 및 통신 기술의 발전은 환자생성건강데이터(patient-generated health data, PGHD)에 대한 관심을 증대시켰고, 그 활용을 확대시켰다. 특히 PGHD는 생존율이 증가하고 다양한 증상을 경험하는 암 환자 중 노인에게 유망할 수 있다. 목적: 본 스코핑 리뷰는 암을 가진 노인에게 적용된 PGHD 연구의 특성을 확인하고, PGHD의 현 사용 현황을 평가하고자 하였다. 방법: Arksey와 O'Malley 및 JBI(조안나 브릭스 연구소, Joanna Briggs Institute) 스코핑 리뷰 방법론에 따라 6개의 전자 데이터베이스를 검색하였다: PubMed, Embase, CINAHL, Cochrane Library, Scopus, Web of Science. 또한 회색 문헌을 포함하여 확인하기 위해, 선정된 연구들의 참고문헌 목록을 추가로 검토하였다. 연구자들은 미리 정의된 적격성 기준에 따라 문헌을 독립적으로 선별하였다. 선정된 연구에서 연구 및 참여자, 그리고 PGHD의 특성을 포착하는 데이터 추출을 수행하였다. 결과: 확인된 1090편의 연구 중 88편이 선정되었다. 출판 경향은 점진적으로 증가하였으며, 연구의 대부분은 2017년 이후에 출판되었다(69/88, 78%). 거의 절반의 연구가 북미에서 수행되었고(38/88, 43%), 그다음으로 유럽(30/88, 34%)이었다. 연구가 수행된 가장 흔한 환경은 참여자의 가정이었다(69/88, 78%). 치료 상태는 다양하였다. 중앙값 표본 크기는 50이었으며(사분위범위 IQR 33.8–84.0), PGHD 측정을 위해 사용된 기기는 연구용 웨어러블 기기(57/113, 50.4%), 소비자용 웨어러블 기기(28/113, 24.8%), 또는 모바일 앱을 위한 스마트폰이나 태블릿 PC(23/113, 20.4%)로 분류되었다. 전체 연구의 절반 이상에서 신체활동을 측정하였고(69/123, 56.1%), 그다음으로 환자보고결과(23/123, 18.7%), 활력징후(13/123, 10.6%), 수면(12/123, 9.8%)이 뒤를 이었다. PGHD는 주로 수동적으로 수집되었으며(63/88, 72%), 능동적 수집 방법은 2015년 이후부터 사용되었다(20/88, 23%). 본 리뷰에서는 PGHD 사용 단계를 다음과 같이 분류하였다: (1) 식별, 모니터링, 검토 및 분석(88/88, 100%); (2) 피드백 및 보고(32/88, 39%); (3) 동기부여(30/88, 34%); (4) 교육 및 코칭(19/88, 22%). 결론: 본 스코핑 리뷰는 암의 다양한 유형 및 병기에서 노인에 적용된 PGHD의 전반적 특성과 사용 단계에 대해 포괄적으로 요약한다. 향후 연구는 환자 참여를 통해 환자 중심의 치료를 제공하기 위해 환자와 상호작용하는 PGHD의 사용에 중점을 두어야 한다. 증상 모니터링을 강화하고, 적시에 개입을 가능하게 하며, 환자 참여를 촉진함으로써 PGHD는 암을 가진 노인들의 웰빙을 개선할 잠재력이 있으며, 더 나은 건강관리와 삶의 질에 기여할 수 있다. 따라서 본 연구 결과는 노인성 암 진료에서 의료 제공자와 연구자가 활용할 수 있는 PGHD에 관한 유용한 통찰을 제공할 수 있을 것이다. 시험 등록: Open Science Framework Registry OSF.IO/FZRD5; https://doi.org/10.17605/OSF.IO/FZRD5.

배경: 간호 데이터는 환자의 악화 징후를 조기에 감지하고 환자의 예후를 예측하는 데 도움이 될 수 있다. 또한 기계학습의 빠른 발전은 중환자실 환자를 대상으로 한 임상 예후 예측 모델의 필요성을 부각시켰다. 중환자 치료 과정에서 생성되는 간호 데이터를 포함하는 예측 모델이 증가하고 있음에도 불구하고, 이러한 모델에서 활용되는 간호 데이터의 구체적인 유형과 그것들이 건강 결과를 예측하는 방식에 대한 종합적인 이해는 아직 이루어지지 않았다. 목적: 본 범위고찰(scoping review)은 중환자실 환자의 건강 결과를 예측하기 위해 간호 데이터를 활용하는 기계학습 기반 모델에 대한 현재 연구 동향을 파악하고, 특히 이러한 모델에서 사용되는 간호 데이터의 유형에 초점을 맞추고자 하였다. 방법: 본 범위고찰은 2023년 12월까지의 체계적 문헌 검색을 통해 7개 데이터베이스에서 수행하였다. 중환자실에 입원한 성인 환자의 예후를 예측하기 위해 간호 데이터를 이용한 기계학습을 활용한 문헌을 포함하였다. 데이터는 연구 특성, 모델 관련 특성, 간호 데이터 특성으로 정리하였다. 결과: 총 151편의 연구가 포함되었으며, 2004년부터 2023년까지 발표되었고 2018년 이후 증가 추세를 보였다. 절반 이상이 공개 접근 데이터를 사용하여 예측 모델을 개발했으며, Medical Information Mart for Intensive Care 데이터가 가장 자주 사용되었다. 대부분의 연구는 지도학습을 사용하였고, 그다음으로 딥러닝과 신경망이 뒤를 이었으며, 다른 방법들은 드물게 사용되었다. 지도학습 기법 중에서는 회귀(regression)가 가장 흔하게 사용되었고, 부스팅(boosting)과 랜덤 포레스트(random forests)가 그 뒤를 이었다. 예측 모델에서 간호-민감 결과(nursing-sensitive outcomes, 13.0 %)는 임상 결과(87.0 %)보다 덜 자주 선택되었다. 본 고찰에서 간호 데이터는 간호 척도(n = 150), 간호 사정 기록(n = 83), 간호 활동 기록(n = 13), 간호 노트(n = 23)로 분류되었으며, 간호 척도가 가장 빈번하게 사용되었다. 최근 간호 척도와 노트의 활용이 증가하는 추세를 보였다. 결론: 본 범위고찰은 중환자 환자의 예후를 예측하기 위한 모델에서 간호 데이터가 다양하게 활용되는 양상을 확인하였다. 전반적으로 간호 척도는 환자의 특정 건강 상태를 객관적으로 보여주는 구조화된 데이터로서 가장 많이 활용되었다. 다른 유형의 간호 데이터 역시 환자의 임상 예후를 예측할 잠재력이 있으므로, 향후 연구에서는 다양한 간호 데이터를 통합하는 예측 모델의 개발을 탐색해야 한다. 이러한 연구 결과는 간호 데이터의 활용에 대한 통찰을 제공하고, 중환자실 환경에서 임상 예후와 관련된 예측 모델을 개발하려는 의료 제공자와 연구자에게 도움을 줄 수 있다. 소셜미디어 초록: 본 범위고찰은 중환자 환자의 예후를 예측하기 위한 모델에서 간호 데이터가 다양하게 활용되는 양상을 확인하였다.

배경: 우울증은 고령자에서 건강에 부정적인 영향을 미치는 심각한 정신건강 문제이다. 다양한 분야에 적용되는 심각 게임(serious games)은 특히 정신건강 돌봄에서 적절한 중재로 간주된다. 그러나 고령자에서 우울증에 대한 심각 게임의 효과와 관련된 근거는 부족한 실정이다. 목적: 본 연구는 고령자 우울증을 위한 심각 게임의 특성과 효과를 규명하고자 하였다. 방법: 무작위 대조시험(randomized controlled trials) 대상에 대한 체계적 문헌고찰 및 메타분석을 수행하였다. 2021년 7월 6일까지 출판된 관련 연구를 확인하기 위해 총 5개의 전자 데이터베이스(PubMed, CINAHL, Embase, PsycINFO, Cochrane Library)를 검색하였다. 연구 선택, 자료 추출, 질 평가를 2명의 연구자가 독립적으로 수행하였다. 포함된 연구의 편향 위험은 JBI Critical Appraisal Checklist를 사용하여 평가하였다. 메타분석에서는 랜덤 효과 모형(random effects model)을 사용하여 효과크기를 표준화 평균차(standardized mean difference, SMD)로 계산하였다. 결과: 체계적 문헌고찰에는 총 17편의 연구(고령자 1280명)가 포함되었고, 메타분석에는 15편이 포함되었다. 심각 게임 중재는 신체활동(PA, physical activity), 인지기능, 그리고 신체활동과 인지기능의 두 가지를 모두 포함하는 3가지 유형으로 분류되었다. 메타분석 결과, 심각 게임은 고령자의 우울증을 감소시키는 것으로 나타났다(SMD -0.54, 95% CI -0.79 to -0.29; P<.001). 심각 게임의 효과크기는 병원 환경에서의 효과(SMD -0.46, 95% CI -0.85 to -0.08; P=.02)보다 지역사회 또는 가정 환경에서 더 컸다(SMD -0.61, 95% CI -0.95 to -0.26; P<.001); 그러나 군 간 차이는 유의하지 않았다. 게임 유형 중에서는 신체활동용 게임(SMD -0.60, 95% CI -0.95 to -0.25; P<.001)과 신체활동 및 둘 다를 포함하는 게임(SMD -0.73, 95% CI -1.29 to -0.17; P=.01)에서 고령자의 우울증 감소에 유의한 효과가 관찰되었다. 다만 심각 게임의 기간 또는 횟수와 우울증 간에는 유의한 상관관계가 관찰되지 않았다. 결론: 심각 게임은 고령자의 우울증 감소에 유익한 것으로 나타났다. 연구 환경에 관계없이 심각 게임은 우울증을 감소시키는 경향이 있었다. 특히 신체활동을 포함한 심각 게임은 우울증 감소에 유의한 영향을 미쳤다. 또한 고령자에서 심각 게임의 우울증 효과를 확립하기 위해 고품질 무작위 대조시험이 추가로 필요하다. 시험 등록: PROSPERO CRD42021242573; https://tinyurl.com/26xf7ym5.

배경: 간호 데이터는 중환자의 행동과 생리적 징후에 기반하여 환자의 상태에 대한 관찰과 간호사의 임상적 판단 정보를 포함한다. 전자건강기록의 간호 데이터는 환자 악화의 중요한 예측 인자로 최근 강조되었으나, 체계적으로 검토된 바는 없다. 목적: 본 연구는 중환자 환자에서 재원기간 연장, 재입원, 사망과 같은 임상적 결과를 예측하기 위해 간호 데이터를 이용한 예측 모형들에 대한 체계적 문헌고찰을 수행하고, 생리 데이터만을 사용한 모형과 비교하였다. 또한 예측 모형 개발에 사용된 간호 데이터의 유형을 조사하였다. 설계: 체계적 문헌고찰. 방법: PubMed, CINAHL, Cochrane CENTRAL, EMBASE, IEEE Xplore Digital Library, Web of Science, Scopus를 검색하였다. 중환자 환자에서 간호 데이터를 이용한 임상적 결과 예측 모형을 포함하였다. 임상적 결과는 재원기간 연장, 재입원, 사망이었다. 연구 설계, 데이터 출처, 결과 정의, 표본 수, 예측변수, 기준검사, 모형 개발, 모형 성능, 평가 등은 포함된 연구에서 추출하였다. 편향 위험과 적용 가능성은 Prediction model Risk of Bias Assessment Tool 체크리스트를 사용하여 평가하였다. 짝을 이룬 포레스트 플롯과 요약 수신자조작특성 곡선을 기반으로 기술적 요약을 생성하였다. 결과: 본 체계적 문헌고찰에는 16편의 연구가 포함되었다. 예측 모형에서 사용된 예측변수 데이터 유형은 생리 데이터, 간호 데이터, 임상 노트로 범주화되었다. 간호 데이터의 유형은 간호기록지(간호 노트), 평가(assessment), 문서화 빈도, 그리고 흐름도(플로우시트) 코멘트로 구성되었다. 기준검사로 생리 데이터를 사용한 연구는 생리 데이터만 사용할 때보다 결합 데이터 또는 간호 데이터를 사용할 때 더 높은 예측 성능을 보였다. 전반적인 편향 위험은 대부분의 포함된 연구가 높은 위험을 시사함을 나타냈다. 결론: 본 연구는 중환자 환자에서 간호 데이터를 이용한 임상적 결과 예측의 진단 정확도를 확인하고 검토하기 위해 수행되었다. 대부분의 포함된 연구는 간호 노트를 사용하여 모형을 개발하였고, 다른 연구들은 간호 평가, 문서화 빈도, 흐름도 코멘트를 사용하였다. 편향 위험이 높기 때문에 결과는 신중히 해석할 필요가 있으나, 간호 데이터와 결합 데이터의 곡선하면적(AUC) 점수는 생리 데이터만 사용한 경우보다 더 높았다. 생리 데이터만이 아니라 임상적 맥락을 고려하여 간호 데이터, 임상 노트, 생리 데이터를 예측변수로 활용하기 위한 예측 모형 수립 전략을 마련할 필요가 있다. 등록: 본 연구의 프로토콜은 PROSPERO에 등록되어 있으며(등록 번호: CRD42021273319),