1. 서 론

최근 산업화 및 도시화, 자연 및 인적 재난․재해의 증 가, 인구의 노령화에 따른 뇌혈관 및 심장질환 등의 응급 질환 증가로 인해 응급의료서비스에 대한 수요가 급격히 증가하고 있다. 응급환자의 특성 상 재빠른 초기 대응이 무엇보다 중요하나, 24시간 중증응급환자를 치료할 수 있는 적절한 시설, 인력, 장비를 갖춘 응급의료센터의 부 족 및 각 응급의료센터의 비효율적 운영 등으로 인해 사 실상 많은 응급의료 서비스 적시 제공 기회가 상실되고 있다. 또한, 기관 특성상 많은 수의 위급한 환자를 빠르 게 진료하려다 보니 의료시설 및 의료진에게 과중한 부 담이 가해지고 이에 환자에게 제공되는 서비스의 질이 더욱 떨어지면서 병원의 운영이 악화되는 악순환이 이루 어지고 있다. 실제로 전국 응급환자들이 병원 응급실에 서 머무는 평균 대기시간은 6.7시간에 달하며, 서울대병 원 응급실의 평균대기시간은 19.2시간, 서울성모병원은 17.2시간, 전북대병원은 17시간으로 지역 유명 병원일수 록 그 대기 시간이 더욱 길다[18]. 또한 중증응급환자의 높은 사망위험에도 불구하고 병원의 중환자실 부족, 응급 수술인력 관리 부재, 너무 긴 대기시간 등의 이유로 중증 응급환자의 약 20%정도가 최종진료를 받지 못하고 다른 곳으로 이송되며, 이 경우 환자의 사망률은 이동하지 않은 환자에 비해 4배 증가하는 것으로 나타났다[7, 18].

응급의료서비스는 위급 환자의 생명과 직결되는 치료 를 행하는 곳인 만큼 무엇보다 신속 정확한 의료서비스를 제공할 의무가 있다. 그러나 예약 환자를 주로 받는 주간 일반 진료실과는 달리, 24시간 운영되면서 환자 도착 간 격 및 수를 예측하기가 매우 힘든 응급의료센터의 특성 상, 통상적으로 기대되는 범위를 벗어난 대량의 환자가 돌발적으로 발생하면 센터 내 환자들의 치료 지연 위험이 자연적으로 높아지고, 이로 인한 의료진의 체력적, 심적 부담이 늘어나면서 상황 해결을 위한 합리적 최적 운영 대안을 신속 정확하게 내어 놓기가 사실상 어렵다.

이렇게 환자의 생명 및 건강에 직접적으로 관계하면서 도 높은 불확실성과 싸워야만 하는 병원 내 운영 계획 문 제들을 다루기 위해서, 다양한 연구들이 다음과 같이 진 행되어 왔다. Cote[6]는 병원의 환자 유동량과 자원 활용 에 대한 시뮬레이션 결과를 분석, 연구하였다. Swisher et al. [15]는 기존의 의료진 네트워크를 분석하고 향상시키기 위한 시뮬레이션 모델을 설계하였다. Angelis et al. [1]는 병원 시스템의 최적 의료진 수를 결정하기 위해 시뮬레이션, 신경망, 최적화 모델을 병합한 틀을 제안하였다. Baesler et al.[2]는 수술실에서 발생하는 스케줄링의 불확실성을 다루기 위해 시뮬레이션 최적화 알고리즘을 사용하였다. Cardoen et al.[4]는 전반적인 수술실 운영 계획과 스케줄 링에 대해 고찰하였다. Mielczarek[9]는 병원의 응급의료 서비스 가격을 평가하기 위해 이산 사건 시뮬레이션 모델 을 구축하였다. Sinreich와 Marmor[14]는 응급실을 계획 하고 재배치하는데 있어 시뮬레이션이 얼마나 효율적으 로 사용될 수 있는지 보여주었다. Blasak[3]는 ARENA를 사용한 응급실 시뮬레이션 모델의 예를 보였다. Shim과 Kumar[11]는 응급 치료 과정 변화 시의 효과를 연구하기 위해 시뮬레이션 모델을 사용하였다. Carmen[5]는 데이터 분석과 시뮬레이션 모델이 결합된 응급실 운영 계획 결정 지원 시스템을 제시하였다. Lee et al.[8]는 환자의 대기 시간을 일정 수준 이하로 하면서 응급실의 기대 이익을 최대로 하는 의료진의 수를 결정하기 위한 시뮬레이션 기 반 최적화 기법을 제안하였다. 응급의료센터를 위한 각종 시뮬레이션 모델 관련 최근 연구 동향은 Salmon et al.[10] 로부터 찾아볼 수 있으며, Vanbrabant et al. [17]은 이러한 응급의료센터를 위한 시뮬레이션 모델에 사용되어온 여 러 성과 지표를 정리하고 분석하였다.

위와 같이, 기존의 연구에서는 응급의료센터의 높은 불확실성을 다루기 위해 확정적 모델 보다는 확률적 모 델을 보다 더 많이 사용하여 왔지만, 확률적 모델을 사용 한다 하더라도 도출되는 결과물들은 대부분 최적 의료진 의 수, 일정 계획, 시설 배치 등과 같은 확정적 자원 운영 계획에 그치며, 해당 운영계획을 실시하였을 때 개개인의 환자가 짊어져야 할 위험성과, 상정된 변동 범위를 넘어 선 상황이 발생하여 기존 운영 계획의 수정이 필요할 때 의 대처 방안 등은 제공하지 못하고 있다. 또한 대부분의 모델들이 광역 최적화를 그 목적으로 하고 있어 문제를 풀기 위한 모델 구동에 많은 시간을 소모하여, 급박한 상 황에서 빠르게 운영계획을 수정 대응해야 하는 경우에는 적합치 않을 수 있다.

불확실성이 극히 높은 응급의료센터에서는 오프라인 상에서 고려한 이론적 운영 상황과 실제 실시간 운영 상 황이 매우 크게 차이날 수 있다. 따라서, 이 차이를 극복 하기 위해 응급의료센터의 운영진들은 그때그때의 상황 에 맞추어 일정 계획을 변경하거나 설비를 재정비하는 등, 실시간 수정 계획안을 내놓는 나름의 노력을 하고 있 지만, 이는 별다른 객관적 근거나 대안 실시에 따른 효과 에 대한 객관적 예측 없이 의사결정권자 개인의 과거 경 험 혹은 단순 예상에 기반한 주먹구구식 계획 변경이 되 기 쉬워 실제 환자 및 의료진으로부터 충분한 신뢰를 얻 지 못하고 있다. 따라서 본 연구는 응급의료센터 내 운영 방안을 확정적으로 이해하고 수많은 의사 결정을 함에 따른 한계를 인식하고, 확정적 운영계획 안에 내재된 위 험의 정도를 측정 및 가시화하여, 이 위험을 최소화하면 서도 제한된 시간, 인력, 계획 변경 범위 안에서 신속히, 그러나 보다 객관적이고 합리적으로 운영 계획을 수립/ 변경하는 것을 돕기 위한 시뮬레이션 모델을 제안하고, 그 적용 사례를 소개하고자 한다. 이 때, 적용 사례 안에 서 고려되는 운영계획의 범위는 주어진 상황에 맞춘 응 급의료센터 내 자원들의 일정계획과, 해당 일정계획에 내재된 환자들의 치료 지연 위험성을 최소화하기 위한 인적/물적 자원의 최적 수준을 구하는 것으로 한다.

논문의 구성은 다음과 같다. 제 2장에서는 본 연구에 이용된 시뮬레이션 모델과 이와 결합된 위험기반 운영계획 (RPS : Risk-based Planning and Scheduling) 모듈의 전반 적인 내용에 대해 기술한다. 제 3장에서는 2장의 모델을 실 응급의료센터에 적용함으로써 얻을 수 있는 결과물들 과 함께 특정일의 단기적 문제 상황에 대처하기 위한 최 적 운영 계획 수정 방안 분석 사례를 모델 활용 일례로써 선보이며, 마지막으로 제 4장 결론에서는 본 연구의 의의 및 한계점, 이에 따른 후속 연구 가능성을 제시한다.

2. 시뮬레이션 모델

본 장에서는 대한민국 서울에 위치한 한 대학병원내 중간 규모급 응급의료센터를 대상으로 설계된 시뮬레이 션 모델에 위험기반 운영계획(RPS) 모듈을 접목한 전체 적인 운영 시스템에 대해 소개한다.

2.1 시뮬레이션 모델 개요

대상 응급의료센터의 전체적인 응급환자 치료 프로세 스는 <Figure 1>과 같다[8]. 먼저, 응급실에 도착한 환자 는 중증도(SL : Severity Level)에 따라 적절히 분류된다. 죽음에 임박하거나 의식이 없는 환자는 위급함의 정도에 따라 중증도 1 또는 2로 분류되며, 그 밖의 환자들은 심 각한 부상에서부터 일반환자와 비슷한 부상까지 그 증상 의 정도에 따라 중증도 3~5 등급으로 분류된다. 중증도 1, 2에 해당하는 환자는 곧바로 소생실로 이동하여 치료 를 받고, 생존 시 CT, MRI와 같은 의료영상촬영 후 입원 하게 된다. 그 외 나머지 환자들은 적절한 중증도 판정 이후 각 등급에 맞는 치료 프로세스를 밟게 된다. 중증도 5의 환자들은 일반환자와 비슷한 환자들로, 처치실에서 비교적 간단한 1회 치료 진행 후 퇴원하게 되고, 중증도 3, 4의 환자들은 산부인과, 소아과, 기타 환자들로 세부 분류된 후 기본적인 검사, 첫번째 치료, (필요 시) 의료 영상 촬영, 두번째 치료로 이어지는 2단계 치료 프로세 스를 거쳐 최종 퇴원하게 된다. 따라서 시뮬레이션 모델 상에서는 각 환자의 중증도와 그에 따른 치료 프로세스 형태의 다름에 따라 총 27개 유형의 환자가 생성될 수 있다.

<Table 1>에 나타난 바와 같이, 본 연구의 대상이 되 는 응급의료센터의 인적 자원은 간호사, 인턴, 레지던트, 전문의로 나뉘며, 서로 다른 범위의 의료 서비스를 담당 한다[8]. 예를 들어, 간호사는 혈압, 맥박, 체온, 호흡 등 을 검사하여 환자들의 중증도를 결정하는 일과 중증도 1-4에 해당하는 환자의 치료에 관여한다. 중증도 1, 2의 환자를 치료하기 위해서는 간호사, 레지던트, 전문의가 각 1명씩은 있어야 하고, 중증도 3, 4의 환자의 경우, 기 본 검사를 위해서는 간호사와 인턴, 첫 번째 치료를 위해 서는 간호사와 레지던트, 두 번째 치료를 위해서는 간호 사, 레지던트, 전문의가 각 1명씩은 있어야 한다. 중증도 5의 환자는 인턴이 담당한다.

현재 이 응급의료센터의 주요 비인적 자원들과 수용 능력은 <Table 2>와 같으며, 접수, 중증도 판정, 기본 검 사 등의 서비스 시간 분포는 1년간의 데이터를 토대로 <Table 3>과 같이 설정하였다[8]. 그 밖의 환자 도착 프로 세스 관련 파라미터 또한 동 병원을 모델로 한 Lee et al. [8]의 연구 설정을 따랐다. 프로세스 상의 모든 의료 서 비스는 모든 필요 의료인력과 비인적 자원들이 이용 가 능한 경우에만 실시된다.

위급 환자의 경우, 첫 진료가 늦어지면 늦어질수록 증 상 심화, 사망과 같은 치명적 상황이 발생할 수 있기 때 문에, 응급의료센터에서는 환자들이 첫 치료를 받기 전 까지의 대기시간을 중요 시 한다. 인터뷰를 통한 병원 의 료진의 의견을 종합하였을 때, 응급의료센터 도착 후 첫 진료를 받기까지의 시간이 중증도 1, 2 환자의 경우 0.15 시간, 기타 중증도 환자의 경우 0.5시간을 초과하지 않도 록 하는 것이 권장된다. 이에 따라 본 연구에서는 이 권 장 시간에다 각 환자 유형에 따른 이후 평균 프로세스 시간을 더하여 각 환자 별 치료 완료 기한 시점을 설정 하고, 실제 모든 프로세스의 완료 시점이 이 기한 시점 보다 늦어지게 되면 그 차이만큼을 지연 시간으로 간주 한다.

2.2 위험기반 운영계획

위험기반 운영계획의 기본 뼈대가 되는 RPS 모듈은 Simio LLC에서 지원하는 것으로, 자원제약이 따르는 상 황에서 상세한 확정적 일정계획이 형성되어 있을 때, 해 당 일정계획의 진행에 영향을 미칠 수 있는 여러 가지 변화 혹은 위험에 대한 확률기반 분석을 제공한다. 또한, 확정적 일정계획을 계획하던 당시에는 고려되지 못했던 여러 변동 사항이 발생하여 기존의 일정계획이 실행 불 가능해졌을 때, 기존 일정계획 수정에 도움을 주면서 시 스템에 내재된 위험과 불확실성을 설명하기 위한 분석 도구로도 이용된다[12, 13, 16].

주어진 상황에 따라 최적 일정계획을 확정할 수 있고, 불확실성에 따른 위험을 충분히 유추할 수 있으면서, 변 화하는 조건에 맞추어 유연하게 수정될 수 있는 이산사건 시뮬레이션 모델이 갖추어져 있다면, RPS는 이 시뮬레이션 모델에 근거하여 <Figure 2>와 같은 절차를 통해 일정계 획을 갱신 시킬 수 있으며, 이를 위한 위험 분석 결과물을 사용자에게 제공한다.

이전까지의 RPS는 주로 생산시스템에 적용되어 왔 던 것으로, 생산 시스템 내 존재하는 위험과 변수를 반 영하여 보다 현실에 가까운 생산스케줄의 작성을 지원 하고, 기존의 확정적 방식뿐만이 아닌 확률적 방식의 생산스케줄 또한 작성하여 생산시스템에 내재된 위험 을 가시화하는 것에 그 목적이 있었다. 이를 위해 목표 로 하는 생산, 납기, 비용을 달성할 수 있는가의 여부를 확률로써 제공하고, 생산성을 저해하는 원인을 탐색하 여 문제해결을 위한 빠른 대안을 탐색할 수 있도록 해 왔다[13, 16]. 그러나 본 연구에서는 이러한 RPS를 생 산시스템이 아닌, 서비스시스템의 일종인 응급의료센터 에 적용함으로써, 위급환자의 대량 발생, 병상 및 의료 진 부족 등의 상황에서 일어날 수 있는 위급환자의 생 명과 관계된 위험을 줄이고, 빠른 시간 내에 그 위험 야 기 원인을 탐색하여 보다 과학적인 문제 해결 대안을 마련함으로써 응급의료센터의 효율적 운용에 기여하고 자 한다.

확정적 지표를 사용하는 기존의 연구들에서는 현 시 스템 내 존재하는 환자들을 대상으로 각종 의료 서비스 가 정확히 정해진 시간(혹은 평균 예상 시간) 만큼씩만 제공된다는 가정하에 일정 계획을 수립하였으나, 새 위 급 환자가 대량으로 도착하거나 각 의료 서비스가 예상 보다 빨리 혹은 늦게 끝나게 되는 일이 많은 응급의료센 터의 경우에는 각 환자 치료 프로세스의 평균적 행태만 을 고려한 현재의 확정적 일정계획이 언제나 최적이라 할 수 없으며, 상황이 변함에 따라 언제든 실행 불가한 일정계획이 될 수 있다. 따라서 이렇게 상황 변동성이 큰 경우, 확정적 일정계획에 더해 상황 변동 가능성에 따른 위험 관련 정보를 담아낼 수 있는 확률적 위험 측정 지 표가 필요하고, 기존의 다른 모델에서 많이 이용되던 평 균 치료 지연 사람 수, 평균 예상 대기 시간 등과 같은 단순 확정적 성과 지표[17] 대신, 이 확률적 위험 측정 지표를 반영한(즉, 위험성 자체를 최소화하기 위한) 최적 운영계획을 세울 필요가 있다.

응급의료센터에서의 가장 큰 위험은 위급 환자들이 제 때 치료 받지 못함으로써 야기되므로, 본 연구에서는 연구 대상이 된 해당 센터 의료진의 자문을 빌어 위급환 자들이 제 시간 안에 치료받지 못할 확률(이하, 치료 지 연 가능성)을 확률적 위험 지표로 우선 선택하였으며, 문 제 상황 발생 시 이 치료 지연 가능성을 낮추기 위한 효 과적 운영계획 변경 대안을 신속 정확하게 제공하는 것 을 목표로 한다. 이에 대한 자세한 분석 사례 및 결과는 제 3장에서 기술한다.

3. 응급의료센터 적용 사례

제 2장에서 설명된 응급의료센터를 위한 시뮬레이션 모델은 Simio를 이용하여 구현되었으며, 기본적인 설계 구조 및 실행을 위한 대부분의 파라미터 설정은 제 2.1 절에 설명된 바와 같다.

현 상황을 반영한 응급의료센터 운영계획을 수립하고, 상황 변동에 따른 위험을 실제에 가깝게 측정/평가하기 위해, 기본적인 인적자원의 수는 실제 대상 센터에 동원 되고 있는 의료진의 수와 동일하게 인턴 3명, 레지던트 2 명, 간호사 5명, 전문의 3명으로 설정하였다. 비인적 자 원인 각 시설의 수와 위치 역시 대상이 된 응급의료센터 와 동일하게 배치되었으며, 도착 환자에 대한 정보 또한 기 확보된 1년간의 환자 데이터가 그대로 이용되었다.

3.1 시뮬레이션 결과물

시뮬레이션 실행 시, 시뮬레이션 과정에 대한 사용자 의 이해를 돕기 위한 3D 애니메이션이 제공되며, 그 화 면의 예는 <Figure 3>과 같다. 사용자는 편의에 따라 애 니메이션의 속도를 조절할 수 있으며 원치 않을 경우, 애 니메이션을 생략하고 곧바로 결과물을 확인할 수 있다.

시뮬레이션 모델 실행 완료 시, 현 자원 상황에 맞춘 확정적 자원 운영 계획이 일차적으로 수립되고, 이에 따 라 <Figure 4>와 <Figure 5>의 예와 같이 각 환자별 간트 차트와 응급의료센터 내 각 자원별 간트 차트가 생성되 어 사용자에게 제공되므로 사용자는 모든 스케쥴을 시각 적으로 간편하게 확인할 수 있다. 각 환자의 각 자원 이 용 시작 시간과 현 일정계획에 따른 예상 종료시간 또한 모두 기록되며, 이에 따라 각 환자가 치료 완료 기한 시 점 안에 제대로 치료를 모두 끝낼 수 있을 것인지 아닌 지도 쉽게 파악할 수 있다.

<Table 3>의 분포에 따라 서비스 시간에 변화를 주어가 며 시뮬레이션을 여러 번 반복 수행하고 나면, 각 환자별 로 ‘치료가 목표 기한 내에 끝난 횟수/총 시뮬레이션 반복 횟수’에 대한 비율 정보를 얻을 수 있으며, 이에 따라 ‘각 환자의 치료가 완료 기한 시점 내에 종료될 수 있다 혹은 없다’와 같은 단순 확정적 결과가 아닌, 치료가 제시간 안 에 끝날 ‘가능성’을 구체적 확률로써 나타낸 결과물을 얻 을 수 있게 된다. 이는 On-Time Probability (OTP)로 명명 되어 <Figure 6>의 예와 같이 표시된다. <Figure 6>에서 빨간색은 OTP가 50% 미만인 경우, 노란색은 OTP가 50% 이상 80% 미만 인 경우, 회색은 OTP가 80% 이상인 경우 를 나타내는 것으로, 각각 환자가 기한 시간 내에 치료를 완료하지 못할 위험이 높음, 경계, 낮음을 의미한다고 해 석할 수 있다. 개발된 모델에서는, 새 환자 도착, 의료서비스 시작/종료 등과 같은 새로운 이벤트 발생으로 인해 상황 이 변할 때마다 이에 맞는 확정적 최적 운영 계획을 제공 함과 동시에, 이 운영 계획에 내재되어 있는 위험(즉, 각 환자가 치료 지연을 겪을 위험성 혹은 제 시간 안에 치료 받을 가능성) 관련 척도인 OTP 값들 역시 언제나 함께 제 공하게 된다.

제시된 RPS 모듈이 결합된 시뮬레이션 모델을 이용하 면 일부 문제 상황에서 고려될 수 있는 여러 대안들의 확률적 위험성을 신속히 예측할 수 있으므로, 단순 치료 지연 시간 혹은 치료 지연 환자 수와 같은 확정적 숫자 대신, 큰 불확실성에 따른 위험 자체를 줄이기 위한 의사 결정을 지원할 수 있게 된다. 이에 다음의 제 3.2절에서 는 급격한 상황 변동에 따라 단기 과밀 상황에 처한 응급 의료센터의 단기적 병목을 해결하기 위해 여러 운영계획 수정 대안을 고려하고 그 효과를 살피는 운영의사결정 지원 예를 보이고자 하며, 이 때 이 의사결정의 가장 기 본적인 목표는 ‘모든 고려 대상 환자들의 1-OTP값의 평 균’으로 정의되는 환자의 치료 지연 가능성(DP : Delay Possibility)을 낮추는 것으로 한다.

대안 고려 및 그 효과 분석을 위해, 보유한 환자 데이 터 1년치 중 환자가 가장 많았던 특정 하루를 문제 발생 구간으로 가정하였다. 중증도를 기반으로 한 이 구간 내 환자 구성비는 <Table 4>와 같으며, 현 응급의료센터에 배치된 인적/비인적 자원의 수를 그대로 유지한 채 의료 서비스를 제공하였을 때 분석된 환자들의 DP는 약 59% 로, 이는 해당 하루에서 실제 지연을 겪었던 환자의 비율 과 크게 차이 나지 않았다.

3.2 위험 기반 운영계획 변경 대안 제시

많은 환자가 비교적 단시간에 몰려와 심각한 치료 지 연이 발생할 가능성이 있을 때, 현장에서 가장 우선적으 로 고려되는 대안은 단연코 인력의 충원이다. 그러나 여 러 종류의 인력 중 어떤 인력을 몇 명이나 임시 충원해 야 할지를 단시간 내에 결정하는 일은 결코 쉽지 않으며, 그렇다고 무작정 모든 인력을 가능한 많이 충원하는 것 도 효율적이지 못하다. 이러한 단기 인력 충원 계획을 검 토하고 그 효과를 검증하는 데, 제시된 시뮬레이션 모델 이 본격적으로 이용될 수 있다. 현실적으로 전문의의 즉 각적인 충원은 어려울 수 있으므로, 본 사례에서는 일단 인턴, 레지던트, 간호사의 충원만을 고려하였다.

현 시스템 상 치료 단계별 필요 의료인력의 구성과 수 는 고정되어 있고 인턴, 레지던트, 간호사는 서로의 업무를 대체하지 않음을 가정하므로, 각 의료인의 충원 효과는 독립이라 볼 수 있어 순서에 상관없이 그 충원 효과를 개별적으로 분석하여도 무방하다. 현 시스템의 인턴 수 는 3명으로, 인턴의 수를 4명 혹은 5명으로 증가시켜도 치료 지연 가능성은 크게 변화하지 않았다. (반면에 인턴 수를 2명으로 감원할 시에는 치료 지연 가능성이 크게 증가하였다.) 따라서 인턴 수 증원 효과는 미미하며 증원 이 크게 필요치 않다고 판단된다.

레지던트 증원의 경우 치료 지연 가능성에 큰 차이를 야기하였다. <Figure 7>에서 볼 수 있듯이, 레지던트의 수 가 2명일 때의 치료 지연 가능성이 59%인데 비해, 레지던 트 수가 3명일 때의 치료 지연 가능성은 약 32%로, 1명의 증원으로 치료 지연 가능성이 27% 감소한다. 반면, 레지 던트의 수가 4명 이상인 경우, 그 효과가 3명일 때와 별반 달라지지 않으므로 레지던트는 1명만 증원하는 것이 그 효용을 고려하였을 때 최적이라 할 수 있겠다.

인턴의 수는 현재 상태 그대로 3명, 레지던트의 수는 현 인원에서 1명 증원된 3명으로 고정한 상태에서, 추가 적으로 얻어지는 간호사 수 증원 효과는 <Figure 8>에서 확인할 수 있다. <Figure 8>에 따르면 현재 인원인 5명에 서 1명의 간호사가 추가 증원되면 치료 지연 가능성이 28%로 크게 감소하고, 간호사가 2명 증원되어 7명이 되 면 치료 지연 가능성이 27%로 최저가 됨을 알 수 있다.

위의 결과를 종합하면, 고려된 문제 발생 구간의 경우, 레지던트 1명, 간호사 2명을 즉각 임시 충원하는 것이 치 료 지연 가능성 최소화 면에서 가장 좋은 운영계획 변경 대안임을 알 수 있으며, 이 때 치료 지연 가능성은 59% 에서 27%까지 줄어들 것으로 기대할 수 있다.

인력 계획 변경 외 시설 증설 관련 분석 또한 수행 가 능하다. 현 응급의료센터에서는 중증도 1, 2인 응급 환자 의 치료 지연 가능성을 낮추고자 소생실 1개 증설을 검 토하고 있었으므로, 이로 인한 효과를 시뮬레이션 모델 을 통해 검증하였다. 최적 수의 의료인력이 갖추어진 상 태에서 2개의 소생실을 운영하는 경우, 전체 중증도 1, 2 환자 중 단 1명만이 지연 위험에서 추가로 벗어났으며, 전체 치료 지연 가능성에 미치는 영향 역시 0.1% 미만으 로 극히 미미하였다. 따라서 소생실의 증설은 치료 지연 가능성을 낮추는 데에는 큰 도움이 되지 않는 것으로 판 단할 수 있다. 이에 따라 환자의 치료 지연 가능성을 낮 추기 위해서는 의료영상촬영장비와 같은 다른 비인적 자 원의 수를 늘리거나 전문의의 수를 늘리는 방안을 검토 해 보아야 할 것이나, 이는 응급의료센터에 국한된 자원 이 아닌 다른 진료 과와 공유되는 자원으로 타 과에 미 치는 효과도 함께 고려되어야 하므로, 장기적인 병원 운 영에 미치는 영향을 고심하여 결정할 필요가 있다.

3.3 기타 모델 확장 활용 방안

제 3.2절에서는 기존 환자 이력을 이용하여 실제 응급 의료센터 하루 운영 시 고려될 수 있는 현실적 운영계획 변경 대안들만을 살펴보았으나, 제안된 시뮬레이션 모델 을 적절히 이용하면 테러, 전염병 등으로 인한 대량 환자 발생 상황을 가정한 가상 시나리오에서의 운영 계획 변 경 대안을 시험하고 그 효과를 검토하는 것 또한 가능하 다. 추가로, 접수환자 리스트를 적절히 조절 시, 타 병원 으로의 환자 송출 혹은 타 병원에서의 환자 유입 시 병 원의 부담이 얼마나 경감 혹은 증가할지도 분석 가능하 므로 최적 송출/유입 계획 검토 시에도 유용하게 이용될 수 있겠으며, 고려하는 기간을 늘린다면 단기 운영계획 뿐만이 아닌 장기 운영계획을 수립하는 데에도 도움이 될 수 있다.

시뮬레이션에 걸리는 시간은 모델에서 다루는 환자의 수, 시설의 규모, 시뮬레이션 실시 기기의 사양 등에 따 라 조금씩 달라질 수는 있으나, 제 3.2절에서 다룬 응급 의료센터 운영 계획 문제의 경우, 워크스테이션을 사용 하였을 때는 수 초 이내에, 개인 PC를 사용하였을 경우 에도 수 분 이내에 하나의 시나리오를 검토할 수 있었기 에 제안된 시뮬레이션 모델이 과밀 상황에 대처하기 위 한 단기 운영 계획 수정을 위해서도, 또한 보다 장기적인 운영 계획 수립을 위해서도 그 역할을 비교적 신속하게 수행할 수 있을 것이라 예상하는 바이다.

4. 결 론

본 연구의 의의는 크게 다음과 같이 정리할 수 있다.

제안된 RPS 기반 시뮬레이션 모델은 고려하는 응급의 료센터의 상황에 맞추어 여러 가지 운영 계획 대안을 실험 하고 내재된 위험성을 파악하며, 이에 기반한 충분한 분석 아래 운영자가 합리적인 의사결정을 할 수 있도록 지원하 기 위한 것이다. 본 논문에서 다룬 분석 사례는 서울 모 대학병원 내 응급의료센터의 시설, 인력, 환자 상황을 대 상으로 한 것으로, 얻어진 결과 자체를 일반화하기에는 어 려움이 있지만 모델 자체만은 다른 응급의료센터 상황에 맞추어 쉽게 수정/확장 적용될 수 있음을 밝혀둔다.

본 연구에서는 최근 도입되기 시작한 주당 근무 시간 제한과 같은 의료인력의 근무 여건에 관한 사항과 치료 지연 가능성 외의 다른 위험 척도는 고려되지 않았다. 또 한, 모든 환자의 치료 지연 가능성을 동등하게 취급하여 보다 중증도가 높은 위급환자의 치료지연 가능성에 가중 치를 부여하지는 않았으며, 이러한 점들은 관련 후속 연 구에서 다루어질 수 있겠다.