1차 보건의료 만성 질환 관리를 위한 서비스 품질 평가 시스템 개발 및 검증

요약

이 연구는 델파이 분석 계층 과정(AHP) 방법을 사용하여 1차 만성 질환 관리를 위한 서비스 품질 평가 시스템을 개발하고 검증하였습니다. 심리측정 평가 결과, 높은 신뢰도가 확인되었습니다. 비교 분석 결과, AHP-SERVQUAL 프레임워크는 대체 모델보다 환자 순응도에 더 높은 예측력을 가집니다.

초록

만성 비전염성 질환은 고품질 1차 의료 관리가 필요하지만, 기존 평가 시스템은 만성 치료 환경에서 환자가 인식하는 서비스 품질의 다차원적 특성을 제대로 반영하지 못하는 경우가 많습니다. 이 연구는 SERVQUAL 프레임워크를 기반으로 1차 만성 질환 관리를 위해 맞춤형 서비스 품질 평가 시스템(SERVQUAL)을 개발하고 검증하였습니다. 델파이 방법과 분석 계층 과정(AHP)을 통합한 다단계 방법론이 사용되어 척도를 구성하고 가중치를 부여했습니다. 이 도구는 5개 1차 의료 기관에서 433명의 환자를 대상으로 한 횡단면 데이터를 사용하여 실증적으로 검증되었습니다. 구성의 타당성과 신뢰성은 탐색적 요인 분석(EFA)과 확인적 요인 분석(CFA)을 통해 평가되었습니다. 더 나아가, AHP-SERVQUAL 모델의 예측 성과는 환자 순응도, 문제 해결률, 불만 빈도에 관한 대안 모델(KANO, TOPSIS-RSR)과 비교되었습니다. 심리측정 평가는 적응된 5차원 척도(유형성, 신뢰성, 반응성, 확신, 공감)가 높은 내부 일관성과 구조적 타당성을 지니고 있음을 보여주었습니다. 센터 간 적용 결과, 특히 확신과 공감 측면에서 서비스 품질에 큰 차이가 나타났습니다. 비교 모델링에 따르면 AHP-SERVQUAL 프레임워크는 대체 모델보다 환자 순응도와 전반적인 서비스 질에 대해 더 높은 예측력을 제공했습니다. 또한, 이 모델이 생성한 품질 지수는 문제 해결률 증가와 불만 빈도 감소와 유의한 상관관계를 보였습니다. AHP-SERVQUAL 기반 시스템은 1차 진료에서 만성 질환 관리를 평가하는 신뢰할 수 있고 타당한 지표를 제공합니다. 환자가 인식하는 품질을 정확히 포착함으로써, 이 도구는 관리자들이 품질 개선 이니셔티브를 목표로 삼을 수 있는 근거 기반 도구를 제공합니다.

서론

만성 비전염성 질환^{은 전 세계적으로} 매우 심각한 공중보건 문제로 자리 잡았습니다. 세계보건기구(WHO)의 최근 데이터에 따르면, 전 세계 사망자의 70% 이상이 만성 질환에 기인합니다. 중국에서 고령화 인구가 가속화됨에 따라 고혈압과 당뇨병 등 대사 질환 환자 수가 급격히 증가하고 있으며, 이는 사회와 의료 시스템에 더 큰 부담을 가하고 있습니다 ^2,3. 이에 대응하여 만성 질환 관리의 최전선인 1차 의료 기관들은 점차 이러한 역할에서 더 두드러진 위치를 차지하게 되었습니다. 구체적으로, 1차 의료 기관은 의료 시스템의 '문지기' 역할을 하며, 1차 접촉 치료, 장기적 건강 모니터링, 고위험군에 대한 필수 선별 검사를 제공합니다. 기본 임상 치료를 넘어, 이들 기관은 맞춤형 건강 교육을 제공하고, 행동 개입을 촉진하며, 지역사회 환경과 2차 및 3차 병원 간의 통합 치료 경로를 조정하여 치료의 연속성을 보장하는 데 중요한 역할을 합니다.

현재 관리 모델은 단일 수량 보도에서^{고품질 개발로} 전환되고 있습니다. 중국에서 1차 진료로의 전략적 전환에도 불구하고, 중요한 병목 현상이 나타났습니다: 전통적인 임상 통제 지표(예: HbA1c 또는 혈압 수치)는 본질적으로 환원주의적입니다. 생리학적 상태 평가에 필수적이지만, 이러한 객관적 지표들은 의사-환자 소통의 질, 환자의 치료 순응의 일상적 장벽, 장기 관리 중 전반적인 주관적 웰빙 등 지속적 치료의 심리사회적 차원을 포착하지 못합니다 ^4,5. 따라서 생의학 지표에만 의존하면 궁극적으로 장기 건강 결과를 결정하는 중요한 서비스 제공 격차를 가리게 됩니다. 환자 인식의 관점에서 전체 서비스 과정을 포착할 수 있는 전통적인 임상 결과를 넘어서는 평가 체계가 시급히 필요합니다. 이는 1차 의료 모델이 치료 중심 모델에서 예방적이고 전체론적 건강 관리에 중점을 둔 모델로 전환하는 과정에서 특히 중요합니다^.

보건 서비스 연구의 고전적 이론으로서, SERVQUAL은 실질적 구성 요소, 신뢰성, 직원 대응 시간, 보증 등 여러 차원에서 실제 인식과 기대 간의 불일치를 평가하는 데 널리 적용되어 왔습니다. 이 모델은 만성 질환 관리에 적용 가능합니다. 우선, 만성 질환 관리는 높은 연속성과 서비스 의존도를 가지며, 이는 모델의 신뢰성 스트레스와 일치하는 특성입니다. 둘째, 만성 질환 관리는 임상 진단과 치료뿐만 아니라 장기적인 행동 개입과 심리적 치료도 포함합니다; 따라서 공감은 의사-환자 계약 관계를 평가하는 데 필수적인 기준입니다. 실증 연구에 따르면, 의료진으로부터 양질의 치료를 받는 환자들이 서비스에 만족할 때, 만성 질환에 대한 행동과 치료 순응도가 더 긍정적으로 영향을 미친다. 따라서 이 모델을 사용하여 의료 서비스의 추상적 과정을 측정 가능한 지표로 전환하면 1차 만성질환 서비스의 약한 고리를 식별할 수 있습니다 ^6,7.

1차 진료에서의 질 평가에 관한 기존 연구는 주로 구조적 임상 지표나 1차 진료 평가 도구(PCAT) 또는 일반 만족도 척도와 같은 광범위한 환자 만족도 도구에 의존해 왔습니다⁸. 이러한 도구들은 체계적 감독을 위한 필수적인 기준을 제공하지만, 만성 질환 관리의 반복적이고 과정 기반적인 특성을 포착하는 데 필요한 방법론적 세분성이 부족한 경우가 많습니다. 최근 임상 현장에서 SERVQUAL 프레임워크를 적용하려는 시도들은 진단 잠재력이 강조되었으며; 그러나 많은 연구들은 현대 1차 진료 개혁의 핵심인 디지털 헬스 접점이나 가정의학과 계약 관계 같은 맥락 특화 요소를 포함하지 못하는 비가중 모델이나 일반 차원을 사용합니다(^8,9). 국소화된 AHP 가중 시스템을 이러한 기존 지표와 체계적으로 비교함으로써, 본 연구는 환자가 인식하는 질의 미묘한 차이를 포착하는 데 있어 우수한 예측 유용성을 입증하고, 이를 통해 분야에 보다 견고한 방법론적 기여를 제공하고자 합니다.

SERVQUAL 모델은 1차 만성 질환 관리에 광범위한 적용 가능성이 있지만^{, 직접}적으로 사용할 수는 없습니다. 전통적인 다섯 차원은 일반적으로 단일 서비스의 성공적인 완료에 더 초점을 맞추며, 만성 질환에 대한 지원의 연속성과 환자-의사 협력을 필수적으로 여기지 않습니다. 디지털 헬스의 배경 속에서, 1차 만성 질환 관리는 온라인 추적 관찰, 웨어러블 기기 모니터링, 지역사회 자가 관리 그룹으로 확장되었습니다. 현장 기반 최적화가 수행되지 않으면, 이 평가 시스템은 디지털 사후 관리 접점이나 환자 참여 측면을 포함하도록 확장할 수 없습니다. 기존의 체계적 문헌고찰에 따르면, 산업계 특화된 일반 도구의 부족으로 인해 장기 환자 상태에 대한 이러한 도구들의 예측 가치가 제한되었습니다. 또한, 중국 1차 진료 서비스에 도입된 가정의학과 계약 제도는 이러한 서비스에 새로운 해석을 제공합니다. 이 일반화된 모델에 장기적인 계약 관계 차원을 추가하면 해당 모델에서는 다룰 수 없는 문제들을 해결하고 연구의 과학성을 높일 수 있습니다 ^8,9.

이러한 격차를 해소하기 위해 본 연구는 1차 만성질환 관리를 위해 특별히 맞춤화된 지역화된 서비스 품질 평가 프레임워크를 개발하고 검증합니다. SERVQUAL은 널리 채택되었지만, 1차 진료에서의 적용은 종종 가정의학과 계약의 장기적 특성과 지역사회 기반 자율관리의 새로운 디지털 접점(^8,9)을 간과하는 경향이 있습니다. 이 연구의 새로움은 이러한 맥락적 차원, 특히 지속적인 돌봄과 자가 관리 지원을 하이브리드 델파이-AHP 가중치 체계를 사용하여 모델의 세분적 민감도를 향상시키는 데 있습니다. 이 다차원 가중치 접근법이 기존 모델에 비해 환자 결과에 대해 더 우수한 예측 타당성을 제공한다고 가정합니다. 목표는 이 프레임워크를 여러 센터에서 경험적으로 검증하여, 국지화된 AHP-SERVQUAL 모델이 기존의 범용 도구보다 환자 순응도와 기관 효율성의 분산을 더 정확하게 설명할 수 있는지에 대한 실증적 질문을 해결하는 것입니다^.

프로토콜

이 연구는 헬싱키 선언에 명시된 윤리 원칙에 엄격히 따라 수행되었습니다. 연구 프로토콜은 충칭의과대학 기관심사위원회(IRB)의 검토 및 공식 승인을 받았습니다(윤리 승인 번호: 2026127). 등록 전에 모든 참가자에게 연구의 목적, 절차 및 잠재적 위험에 대한 포괄적인 설명이 제공되었고, 이후 서면 동의서가 제공되었습니다. 환자 프라이버시를 보호하고 데이터 기밀성을 보장하기 위해 수집된 모든 정보는 통계 분석을 위해 접근하기 전에 완전히 익명화되고 식별 해제되었습니다. 이 연구에 사용된 설문 도구, 전문가 상담 양식 및 분석 소프트웨어의 전체 목록은 자료표에 자세히 나와 있습니다.

연구 설계 및 참가자 모집

다단계 방법론 연구가 5개 1차 의료 기관을 대상으로 단면 기저선 조사와 이후 모델 기반 예측 시뮬레이션으로 이루어졌습니다. 참가자들은 정기 추적 방문 시 층화된 편의 표본 추출 전략을 사용하여 모집되었습니다. 자격 기준에는 다음과 같은 것이 포함되었습니다: (1) 18세 이상 성인; (2) 최소 한 가지 이상의 만성 질환(예: 고혈압, 제2형 당뇨병)으로 최소 6개월 이상 관리된 환자; 그리고 (3) 평가를 독립적으로 완료할 수 있는 인지 능력을 갖추는 것. 설문조사는 훈련된 임상 직원이 대면으로 실시했습니다. 누락된 데이터를 보완하기 위해 처음에는 리틀의 MCAR 테스트를 적용했습니다. 누락된 데이터 비율이 낮고(<5%)고 완전히 무작위로 누락되었기 때문에, 불완전한 응답을 처리하기 위해 다중 보정 기법이 사용되어 데이터셋의 무결성을 보장하였습니다. 과적합을 피하고 각 분석 단계의 표본 기초를 명확히 하기 위해, 완전히 추정된 데이터셋(N = 433)은 엄격히 분할되었습니다. 구체적으로, 샘플의 50%(n = 217)가 탐색적 인자 분석(EFA)에 사용되어 인자 구조를 확립하였습니다. 나머지 50%(n = 216)는 확인적 요인 분석(CFA), 구조 방정식 모델링(SEM), 기관 수준의 품질 프로파일링을 위한 기준선 설정에 할당되었습니다. 비교 모델 검증 및 시뮬레이션 최적화 시나리오는 데이터 유출을 방지하기 위해 이 두 번째 홀드아웃 표본(n = 216)에서만 엄격히 도출되었습니다.

개념적 틀과 지표 개발

평가 지수 시스템 구축은 SERVQUAL의 다섯 가지 핵심 차원인 구체성, 신뢰성, 반응성, 확신, 공감을 1차 만성 질환 관리의 구체적인 워크플로우에 매핑하는 것으로 시작되었습니다. 이 과정은 의료 기록 작성, 의약품 유통, 종단적 추적 프로토콜과 같은 구체적인 서비스 접점들을 통합하는 것을 포함했습니다. 대상 인구통계학적 관련성을 보장하기 위해 1차 진료 정보 시스템을 분석하여 노인 환자에 대한 접근성을 평가하고, 항목들을 반복적으로 개선했습니다. 특정 신뢰성 지표는 추적 관찰의 정확성과 직원 의무에 초점을 맞추었으며, 응답성은 환자 문의에 대한 신속성 응답으로 운영화되었습니다(운영 정의는 표 1 참조). 차원 간 상호관계를 포함한 전체 틀은 그림 1 과 2에 개념화되어 있습니다.

델파이 전문가 상담 및 내용 타당성

초기 물건 풀을 정제하기 위해 2라운드 델파이 방법이 사용되었습니다. 전문가들은 전문적 권위와 방법론적 엄격성을 보장하기 위해 다차원적인 자격 기준에 따라 의도적으로 모집되었습니다. 후보자는 다음 요건을 충족하면 심사위원단에 초대되었습니다: (1) 고위 전문 직함(예: 부교수, 수석 의사, 간호 이사); (2) 1차 보건의료 또는 만성 질환 관리에 특화된 최소 10년의 임상 관리, 관리 또는 연구 경험을 보유해야 합니다; 그리고 (3) 보건 서비스 평가 또는 공중보건 정책 개발에서 인정받는 실적을 입증하는 것. 최종 패널 15명은 1차 진료 의사(n = 5), 간호 관리자(n = 4), 공중보건 연구자(n = 4), 보건 정책 관리자(n = 2)를 포함한 학제간 코호트를 대표했습니다. 이러한 다양한 구성과 엄격한 선정 기준은 이후 내용 타당성 및 AHP 가중 결정 절차의 재현성과 신뢰성을 직접적으로 보장했습니다. 전문가들은 각 문항의 관련성과 명확성을 4점 리커트 척도(1 = 관련 없음, 4 = 매우 관련성 있음)를 사용해 평가했습니다. 합의는 사전에 전문가들이 3점 또는 4점으로 평가한 ≥80%의 일치로 정의되었습니다. 항목 수준 내용 유효성 지수(I-CVI)가 0.78≥ 항목을 유지하였습니다(표 2). 라운드 간 의견 차이는 반복적이고 익명으로 피드백을 통해 해결되었으며; 전문가들은 이전 라운드의 합산 점수를 받고 등급을 조정할 수 있었습니다. 2차 라운드 이후 합의에 도달하지 못한 문항은 질적 전문가 피드백에 따라 대폭 수정되거나 삭제되어 최종 척도 수준 내용 타당성 지수(S-CVI)^12,13로 정해졌습니다.

분석 계층 과정(AHP) 및 점수 매기기

평가 지표의 상대적 가중치를 결정하기 위해 AHP 방법이 사용되었습니다. 델파이 패널의 9명의 고위 전문가로 구성된 목적 하위 표본이 모든 차원과 하위 차원에 대해 쌍별 비교 행렬을 구성하기 위해 9점 기본 척도를 완성했습니다. 전문가들의 판단을 집계하는 데 기하평균법이 사용되었다. 각 행렬에 대해 일관성 비율(CR)이 계산되었으며; CR이 인 행렬만이 허용되어, 전문가 판단의 논리적 일관성을 보장했습니다. 최종 전역 가중치(W_i)는 하위 차원의 국소 가중치에 부모 차원의 가중치를 곱하여 유도되었다. 각 환자의 최종 서비스 품질 점수(SQ)는 다음과 같은 공식으로 계산되었습니다:

SQ = ∑(W_i x P_i) (1)

여기서 P_i는 문항 i에 대한 환자의 인지된 수행 점수를 나타냅니다. 특히, 이 연구는 전통적인 격차 기반(P-E) 접근법 대신 SERVPERF 패러다임과 일치하는 지각 전용 점수 측정 방식을 채택했습니다. 이 방법론적 선택은 7점 리커트 척도(1 = "강하게 반대"에서 7 = "강력히 동의"까지 범위)로 측정되었으며, 모델의 예측 타당도를 높이고 종단 만성 치료 환경에서 환자 기대를 정량화할 때 흔히 발생하는 측정 불안정성을 최소화하기 위해 도입되었습니다.

심리측정 검증 및 구조 방정식 모델링

무작위로 분할된 데이터셋은 심리측정 평가를 받았다. 데이터의 전반부에서는 SERVQUAL 차원이 상관관계가 있다고 가정하여 주축 인수분해와 프로맥스 사선 회전을 사용하여 EFA를 수행했습니다. 요인은 고유값 >1과 자갈밭의 육안 검사를 기반으로 했습니다. 인자 부하 <0.40 또는 유의미한 교차 부하가 있는 항목은 제외하였습니다. 데이터의 후반부는 인자 구조를 확인하기 위해 CFA에 사용되었습니다. CFA 및 이후 SEM 분석에는 최대우도(ML) 추정이 사용되었습니다. 모델 적합도는 심리측정 문헌에서 정한 엄격한 임계값을 사용하여 평가되었으며, 이는 모델 간결함과 데이터 적합 사이의 허용 가능한 균형을 나타냅니다: 비교 적합 지수(CFI) > 0.90, 터커-루이스 지수(TLI) > 0.90, 근사 평균 오차(RMSEA) < 0.08, 표준화 평균제곱근 잔여(SRMR) > 0.08입니다.

예측 모델 비교 계획

다양한 평가 프레임워크의 비교 효과를 평가하기 위해 예측 모델링 분석이 수행되었습니다. 제안된 프레임워크의 방법론적 견고성을 확립하기 위해, 기본 SERVQUAL 모델은 제안된 AHP-SERVQUAL, KANO 모델, 그리고 TOPSIS-RSR(Techniques for Method for Method Preference by Authority to Ideal Solution, Rank-Sum Ratio) 세 가지 서로 다른 분석 접근법과 벤치마킹되었습니다. KANO 모델은 서비스 속성을 비선형 만족도 요인(예: 기본 욕구 대 매력적 특성)으로 분류하여 SERVQUAL의 선형 가정과 이론적으로 대조를 제공하기 때문에 비교자로 선택되었습니다. 반면, TOPSIS-RSR은 포괄적인 기관 순위 매김에 널리 사용되는 엄격한 다기준 의사결정(MCDM) 도구로, AHP 기반 점수 체계의 강력한 방법론적 통제 역할을 합니다. 비교를 수행하기 위해 네 가지 모델 각각을 홀드아웃 검증 데이터셋(n = 216)에 독립적으로 적용했으며, 동일한 맥락별 매개변수(디지털 추적 및 자기 관리 지원)를 포함했습니다. 평가 과정은 각 모델이 생성한 품질 지수가 외부 성과 지표(불만 빈도 및 문제 해결률)와 환자 순응률을 위한 예측력(R²)과 얼마나 효과적으로 상관관계하는지 비교했습니다. 각 모델의 예측 정확도는 선형 회귀와 SEM을 통해 생성된 R² 값을 사용하여 정량화되었습니다. 모델 간결함을 보장하고 과적합을 방지하기 위해, 정보 기준, 특히 아카이케 정보 기준(AIC)과 베이지안 정보 기준(BIC)이 선정 과정에 통합되었습니다. 마지막으로, 5개 참여 기관 간 선정된 모델의 견고성을 평가하기 위해 교차 검증이 수행되었습니다. 문제 해결, 불만 빈도, 전체 예측력(R²)에 대한 비교 지표는 그림 3 과 4에 나타났습니다.

결과

연구 설계 및 참가자 모집

도시 및 농촌 지역의 다섯 개 1차 진료기관을 방문한 개인이 포함된 총 433건의 사례가 포함되었습니다. 참가자들의 나이는 30세에서 85세까지 다양했으며, 평균 연령은 61.2세(표준편차: 10.0)였습니다. 성별 분포는 남성 50.4%, 여성 49.6%였습니다. 참가자의 약 56.8%가 고혈압을 가지고 있었고, 약 50.0%가 제2형 당뇨병(T2DM), 약 38.3%가 고지혈증을 보였습니다. 표 3에 나타난 환자 표본 크기는 기관마다 다르며, 각 기관의 참가자 수, 연령, 성별, 만성 질환 유형에 대한 포괄적인 데이터를 제공했습니다.

학력 면에서는 약 46.0%가 고등학교 이하 학력을, 약 54.0%가 대학 교육 이상을 가지고 있었습니다. 소득 분포는 비교적 균등했으며, 평균 월 소득은 $2,330(표준편차: $530)였고, 기관별로 특정 ...

토론

본 연구는 SERVQUAL 모델과 Delphi-AHP 가중치 체계를 통합하여 1차 만성 질환 관리를 평가하기 위한 정교한 방법론적 틀을 제안합니다. 표준 평가 시스템 구축을 넘어, 종단 진료 연속성과 디지털 접점과 같은 맥락별 차원의 포함이 기존 1차 진료 평가 도구의 중요한 격차를 해소하여 환자 중심 서비스 품질 평가에 보다 세밀한 관점을 제공함을 보여줍니다^{13, 14, 15}. R2의 확신과 공감 예측에 따르면, 기관별로 서비스 품질에 상당한 격차가 존재합니다. 서비스 질의 향상은 환자들의 만족도와 치료 순응도에 큰 영향을 미쳤습니다. 각 조직 간에 서비스 품질에는 차이가 있습니다; 따라서 1차 진료 관리에서는 이에 더 많은 관심을 기울여야 하며, 환자의 감정을 강화하여 국민의 의료...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
AHP 상호 비교 매트릭스 템플릿	본 연구 (저장소 / 보충 자료)	Saaty’s 1-to-9 기본 척도	상대 지표 가중치 결정
Delphi 전문가 컨설팅 양식	본 연구 (저장소 / 보충 자료)	2라운드 합의 프로토콜	지표 스크리닝 및 내용 타당성 평가
IBM SPSS AMOS	IBM Corp., Armonk, NY, USA	버전 24.0	CFA, SEM 검증 및 예측 모델링
IBM SPSS Statistics	IBM Corp., Armonk, NY, USA	버전 26.0	데이터 관리, MICE 대체 및 EFA
로컬화된 AHP-SERVQUAL 설문지	본 연구 (저장소 / 보충 자료)	최종 5차원, 15항목 버전	환자 지각 서비스 품질 평가