1. 연구의 필요성

최근 간호계는 코로나19, 간호법 등 다양한 요인들에 의해 급변하는 상황 속에 있다. 간호사가 전문직으로 자리 잡고, 간호의 위상을 높이기 위해서는 간호계 내부의 노력과 함께 간호계 외부의 지지가 필요하다. 의료 현장에서 간호의 역할을 확고히 정립하기 위해서는 고객이 간호서비스에 요구하는 바를 파악하고 원하는 간호를 제공해야 한다. 최근에 이루어진 간호사 관련 언론 기사 분석 연구[1]와 간호 관련 국민청원 분석 연구[2]는 간호에 대한 인식과 요구를 파악하는 데 기여하였다. 그러나 실제 간호 현장에서 만나는 대상자들의 생생한 요구를 파악하기 위해서는 간호서비스를 제공받는 의료기관에서 고객들이 직접 제시한 내용을 분석할 필요가 있다.

보건의료 성과의 핵심 지표인 ‘환자중심성(Patient-centeredness)’은 환자 개인의 선호와 가치를 존중하여 진료를 제공하고 의사결정 과정에서 환자와 의료진의 충분한 의사소통이 이루어졌는가를 의미한다[3]. 우리나라에도 보건의료 질 향상과 환자중심 의료문화 실천을 목표로 2017년부터 환자경험평가가 도입되었다. 2023년 12월까지 4차에 걸쳐 진행된 환자경험평가[4]는 의료기관을 이용한 환자에게 직접 평가받는 방식과 주기적인 평가 결과의 공표로 환자와 병원 양쪽의 관심을 끌어내고 있다[5]. 병원 고객은 병원을 평가하는 데 주도적인 역할을 하고 있으며, 병원들은 환자경험평가를 홍보 수단으로 이용하여 고객을 유지 및 유치하는 데 활용하고 있다[6]. 2025년부터 환자경험평가가 의료수가에 반영될 예정으로[7], 환자경험평가가 병원들의 홍보 수단에 그치지 않고, 경제적인 수익에도 영향을 주는 중요한 지표가 될 예정이다. 이에 병원들은 환자경험평가에서 긍정적인 결과를 얻기 위한 노력으로 의료서비스 디자인 도입[8], 고객 만족(Customer Satisfaction, CS) 교육을 강화하고 있다. 환자의 긍정적인 경험은 만족의 선행요인으로 작용하여 의료기관 재이용 의도를 높이고[9, 10], 경제적 효과와도 연관되기에[11] 병원 경영성과 측면에서도 과거보다 중요하게 다룰 필요가 있다.

환자경험에서 환자와 가장 많은 시간을 공유하며 의료기관의 인력구성 중 가장 높은 비율을 차지하는 간호사와의 상호작용이 매우 중요한 요소이다. 따라서 긍정적인 환자경험을 위해서는 간호와 관련된 고객의 생각과 의견을 확인하고 분석하는 것이 필요하다[12]. 이용자들의 생각과 의견을 알 수 있는 중요한 자료에는 고객의 소리(Voice of Customer, VOC)가 있다. VOC란 기업에서 제품 또는 서비스에 대한 고객의 의견을 의미하며, 다양한 경로와 방법으로 수집된 고객의 의견을 파악할 수 있는 텍스트 데이터를 의미한다[13]. 의료기관들은 이미 환자와 가족 등 의료기관 이용자들로부터 다양한 경로의 VOC를 수집하여 관리하고 있지만 체계적인 분석이나 중요도에 비해 병원 경영에의 전략적 활용은 미흡한 실정이다[14, 15]. 병원 VOC 관리를 통해 고객만족도를 높이고, 의료 질을 향상시킬 수 있으며[16], 응급실 과밀화와 같은 프로세스 개선을 위해 VOC를 활용하는 것으로 볼 때[17], VOC는 문제점을 파악하고, 개선을 위한 실마리를 찾는 데 도움이 되는 자료임이 분명하다.

선행연구 중 병원 간호사와 환자 간 의사소통 내용이 담긴 VOC를 분석한 연구[12]는 VOC 내용에 초점을 두기 보다는, 칭찬과 민원 VOC에 등장한 간호사들을 인터뷰하여 VOC가 간호사들에게 미치는 영향을 분석하였으므로 환자나 보호자의 직접적인 목소리를 반영하지는 못했다. 또한 병원 VOC를 분석한 연구[15, 18]는 간호를 포함한 병원 전체 VOC를 분석하여 간호에 대한 고객의 요구를 명확히 확인하기 어려웠을 뿐 아니라, VOC에 다빈도로 등장한 키워드를 추출하고, 성별 · 연령별 분석만 수행하여[15] VOC 내용을 깊이 있게 확인하기 어려웠다.

한편, VOC와 같은 빅데이터를 다각도로 분석할 때에는 텍스트네트워크 분석을 통해 연구자의 주관성을 배제하고, 과학적인 방법으로 객관적인 결과를 도출할 수 있으며[2], 토픽모델링을 통해 양적 데이터에 근거한 잠재된 주제의 의미를 도출할 수 있으므로[19], 본 연구자는 텍스트네트워크 분석과 토픽모델링을 활용하여 일개 상급종합병원 모바일 VOC의 핵심 키워드와 네트워크의 특성을 파악하고, 주요 토픽을 확인하고자 본 연구를 수행하였다. 간호와 관련된 VOC 분석은 환자중심의 간호서비스를 제공하고 고객경험관리의 기초자료로 활용될 것이며, 향후 보건의료심사평가원의 환자경험평가 도구 재정비[5]와 평가 지표의 데이터화에 중요한 기초자료로 활용되어 간호에 대한 국민의 요구를 확인하고 간호계가 나아가야 할 방향을 설정하는 데 기여할 것으로 사료된다.

2. 연구목적

본 연구의 목적은 텍스트네트워크 분석을 이용하여 일개 상급종합병원의 VOC에 나타난 간호 관련 핵심 키워드를 확인하고 키워드 간의 관계를 분석하는 것으로 구체적인 연구목적은 다음과 같다. 첫째, 간호와 관련된 VOC의 현황을 파악한다. 둘째, 간호와 관련된 VOC의 핵심 키워드를 파악한다. 셋째, VOC를 대상으로 텍스트네트워크 분석을 시행하여 네트워크의 구조 및 특성을 파악한다. 넷째, 간호와 관련된 VOC의 주요 토픽 모델을 확인하여 의미를 파악한다.

1. 연구설계

본 연구는 텍스트네트워크 분석과 토픽모델링을 활용하여 간호와 관련된 일개 상급종합병원 모바일 VOC의 핵심 키워드와 네트워크의 특성을 파악하고, 주요 토픽을 확인하기 위한 탐색적 연구이다.

2. 연구대상

일개 상급종합병원에서 시행한 모바일 ‘환자경험조사’에 응답한 VOC 데이터 중 ‘간호’ 또는 ‘간호사’를 포함한 것으로, 2019년 6월 25일부터 2022년 12월 31일까지 해당 병원을 이용한 고객들로부터 수집되었다. ‘환자경험조사’는 외래, 입원, 응급실, 검사실, 건강증진센터 등 환자가 병원을 경험한 장소에 따라 구분하여 조사하였으며, 설문 문항은 26~37개의 객관식 문항과 2개의 주관식 문항으로 구성되어 있다. 2개의 주관식 문항은 ‘병원을 이용하면서 좋았던 점을 자유롭게 말씀해 주시겠습니까?(VOC 1, 좋았던 점)’와 ‘병원을 이용하면서 개선할 점을 자유롭게 말씀해 주시겠습니까?(VOC 2, 개선할 점)’로 주관식 문항의 답변을 분석하였다. 수집된 자료는 연구팀의 회의를 거쳐 제외기준을 선정하였다. 본 연구의 제외기준은 (1) 내용의 의미가 불명확한 경우, (2) 간호사가 언급되었으나 주요 내용이 타 직종에 관한 경우, (3) 타 직종을 간호사로 오해하여 작성한 경우이다.

3. 자료수집

원내 고객상담 부서로부터 2023년 6월 20일 모바일 VOC를 제공받았다. 수집된 VOC의 개별 인식번호, 작성일자, 부서명, 작성자의 연령대, 본문 내용은 하나의 행이 한 명의 작성자가 쓴 문서를 의미하는 MS office의 엑셀(Microsoft, Redmond, WA, USA) 파일로 정리하였다.

4. 자료분석

본 연구에서는 연구대상 자료의 범위를 ‘간호’ 또는 ‘간호사’를 포함한 VOC로 선정하여 분석하였으며, 선정된 VOC를 대상으로 첫째, 단어를 추출 및 정제하였고, 둘째, 핵심어를 추출하고, 셋째, 키워드 간 동시출현 네트워크를 생성하여 네트워크의 특성과 중심성을 분석하였으며, 넷째, 토픽모델링을 시행하였다. 본 연구에서는 Netminer 4.5.1 프로그램(CYRAM Inc., Seongnam, Korea)[20]을 이용하였으며, 구체적인 분석방법은 다음과 같다.

5. 윤리적 고려

본 연구는 전북대학교 기관생명심의위원회에서 심의면제 승인을 받은 후 수행되었다(IRB No. JBNU-2023-04-001-001). 본 자료는 J병원을 이용한 고객의 모바일 ‘환자경험평가’ 설문조사 결과인 VOC 데이터를 이용하였으며 연령대, 부서, 성별 등의 개인정보를 식별 불가능하도록 암호화하여 처리하였다. 또한, VOC의 본문을 주요 분석 대상으로 하여 개인정보가 연구결과에 노출되지 않도록 하였다.

1. 최종 분석 대상 VOC의 특성

일개 상급종합병원의 전체 모바일 VOC 44,727건 중 VOC 1(좋았던 점)의 본문을 대상으로 ‘간호’와 ‘간호사’의 키워드로 검색한 결과 ‘간호’ 또는 ‘간호사’와 관련된 VOC는 2,807건이 검색되었다. 내용을 검토하여 29건의 VOC를 제거하였다. 구체적으로는 글 내용의 의미가 불명확한 VOC 5건, 간호사가 언급되었으나 주요 내용이 타 직종에 관한 VOC 11건, 타 직종을 간호사로 오해하여 작성한 VOC 13건을 제외하였다. 이를 통해 VOC 1에서는 2,778건의 VOC가 분석 대상으로 선정되었다. 전체 모바일 VOC 중 VOC 2 (개선할 점)의 본문을 대상으로 ‘간호’와 ‘간호사’의 키워드로 검색한 결과 ‘간호’ 또는 ‘간호사’ 관련 VOC는 1,419건이 검색되었다. 내용을 검토하여 157건의 VOC를 제거하였으며, 글 내용의 의미가 불명확한 VOC 5건, 간호사가 언급되었으나 주요 내용이 타 직종에 관한 VOC 139건, 타 직종을 간호사로 오해하여 작성한 VOC 13건을 제외하였다. 이를 통해 VOC 2에서는 1,262건의 VOC가 분석 대상으로 선정되었다. 모바일 VOC 시기별 건수의 분포를 6개월 단위로 살펴보면, VOC 1의 경우 2019년 6월~12월 259건, 2020년 1~6월 430건, 2020년 7~12월 305건, 2021년 1~6월 362건, 2021년 7~12월 470건, 2022년 1~6월 466건, 2022년 7~12월 486건이었다. VOC 2의 경우 2019년 6~12월 195건, 2020년 1~6월 231건, 2020년 7~12월 126건, 2021년 1~6월 142건, 2021년 7~12월 146건, 2022년 1~6월 196건, 2022년 7~12월 226건이었다.

2. 간호 관련 VOC의 주요 키워드

간호 관련 VOC에서 추출된 전체 키워드는 VOC 1이 460개, VOC 2가 1,099개였으며, 간호 관련 VOC의 TF, TF-IDF 0.5 미만 필터링 기준[23] 상위 30개의 키워드는 Table 1과 같다. TF 확인 결과 VOC 1에서 ‘간호사’가 2,998회로 가장 많이 등장하였고, ‘친절’ 2,192회, ‘감사’ 618회, ‘환자’ 365회 등의 순서로 나타났다. VOC 2에서는 ‘간호사’가 1,747회로 가장 많이 등장하였고, ‘환자’ 743회, ‘친절’ 377회, ‘불친절’ 350회 등의 순서로 나타났다. VOC 1과 VOC 2에 등장한 키워드를 비교했을 때 VOC 1에만 등장한 키워드에는 ‘감사’, ‘만족’, ‘감동’, ‘편안함’ 등이 있었으며 VOC 2에만 등장한 키워드는 ‘불친절’, ‘말투’, ‘짜증’, ‘서비스 교육’ 등이었다. TF-IDF 기준 상위 단어를 살펴보면 VOC 1에서는 ‘환자’, ‘설명’, ‘입원’ 등의 순서로 나타났으며, VOC 2에서는 ‘설명’, ‘보호자’, ‘응급실’ 등의 순서로 나타났다. TF-IDF 기준 VOC 1과 VOC 2에 등장한 키워드를 비교하였을 때 VOC 2에서 ‘응급실’, ‘짜증’, ‘말투’, ‘예약시스템’, ‘외래’ 등의 단어가 새로 등장하였다(Table 1).

Table 1
Top 30 Keywords of Voice of Customer: Term Frequency, Term Frequency-Inverse Document Frequency

• Download Table

3. 간호 관련 VOC의 텍스트네트워크 분석

2) 중심성 분석

간호와 관련된 VOC를 대상으로 형성한 네트워크의 주요 특징과 중심 주제어, 핵심어를 파악하기 위해 중심성 분석을 시행하였다. 연결 중심성, 매개 중심성, 아이겐벡터 중심성 기준 상위 30위의 주제어를 추출한 결과는 다음과 같다. 연결 중심성 분석 결과 VOC 1에서는 ‘간호사’, ‘친절’, ‘감사’, ‘환자’, ‘입원’ 등의 순으로 연결 중심성이 높게 나타났으며, VOC 2에서는 ‘간호사’, ‘환자’, ‘보호자’, ‘불친절’, ‘친절’ 등의 순으로 연결 중심성이 높게 나타났다. 매개 중심성 분석 결과 VOC 1과 VOC 2 모두 연결 중심성 분석과 대다수의 주제어가 유사하게 등장하였다. 아이겐벡터 중심성 분석 결과 또한 VOC 1, VOC 2 모두 상위 주제어의 구성은 비슷하였다. 연결 및 매개 중심성과 아이겐벡터 중심성 분석 결과를 비교하였을 때 VOC 1에서는 ‘주사 관리’, ‘안정’, ‘답변’ 등이 새롭게 나타났다. VOC 2에서 연결 및 매개 중심성과 아이겐벡터 중심성 결과를 비교하였을 때 ‘예약시스템’, ‘외래’, ‘반말’ 등의 단어가 새롭게 등장하였다(Table 2, Figure 1).

Figure 1
Spring network map of centrality.

• Download Figure

Table 2
Top 30 Keywords with High Centralities: Voice of Customer 1 and Voice of Customer 2

• Download Table

4. 간호 관련 VOC의 토픽모델링

토픽 수 선정에 실루엣 계수를 참고하였으며, 계수 산출은 Netminer 프로그램(CYRAM Inc.)[20]의 plug-in을 이용하였다. TF-IDF 기준 필터링, 토픽 수, α, β를 변경해가며 실루엣 계수를 추출하였으며, 실루엣 계수를 바탕으로 여러 옵션값을 조합하여 추출된 모델을 확인한 후 연구팀의 최종 회의를 거쳐 모델을 결정하였다. VOC 1의 경우 TF-IDF 필터링 기준 0.8, α=.2, β=0.02, 반복 샘플링 횟수 1,000회, 토픽 수 5개, VOC 2는 TF-IDF 필터링 기준 1.0, α=.1, β=0.02, 반복 샘플링 횟수 1,000회, 토픽 수 4개 조합의 토픽모델을 최종 선정하였다. VOC 1과 VOC 2의 토픽 명은 토픽 내에 등장한 주요 키워드의 확률 분포 상위 1위~10위의 키워드를 확인하고, 토픽별로 분류된 VOC의 본문을 확인하여 본문 내용을 반영하도록 토픽 명을 명명하였다(Table 3).

Table 3
Result of the Topic Modeling

• Download Table

VOC 1의 토픽 1은 전체 토픽의 11.5%로 나타났으며, 주요 키워드는 퇴원 절차, 가족, 덕분, 불편, 수간호사, 편안함, J 병원, 진심, 감동, 병원 직원 등이었다. 토픽 1은 적극적인 응대 태도에 대한 칭찬의 글과 퇴원 절차에 대한 친절한 설명, 환자를 가족처럼 생각하고 간호하는 간호사에 대한 칭찬, 수간호사의 친절한 응대에 대한 감사의 내용을 포함하고 있었다. 이에 해당 토픽을 ‘진심 어린 간호’로 명명하였다. 토픽 2는 전체 토픽의 9.8%로 나타났으며, 주요 키워드는 응대 태도, J 병원, 병원 직원, 고생, 만족, 신속, 감동, 응급실, 담당의, 수고 등이었다. 토픽 2는 신속한 응대와 전문성을 갖춘 의료진에 대한 감사, 밤낮으로 환자를 간호하는 간호사의 수고에 관한 내용, 응급실의 신속한 응대에 대한 만족의 내용을 포함하고 있었다. 이에 해당 토픽을 ‘전문성을 갖춘 의료진의 신속한 대응’으로 명명하였다. 토픽 3은 전체 토픽의 10.3%로 나타났으며, 주요 키워드는 불편, 배려, 칭찬, 의료서비스, 간호조무사, 교수, 간호간병통합서비스, 수고, 외래, 처치 등이었다. 토픽 3은 의료진을 포함한 병원 직원들의 환자 배려에 대한 칭찬, 간호보조인력과 간호사가 협력하여 간호를 제공하는 간호간병통합서비스에 대한 높은 만족, 외래 의료진이 제공하는 의료서비스에 대한 만족 등의 내용을 포함하고 있었다. 이에 해당 토픽을 ‘전 직원 협력을 통한 고객중심 서비스’로 명명하였다. 토픽 4는 전체의 10.0%로 나타났으며, 주요 키워드는 안내, 만족, 노력, 문의 사항, 응대 태도, 헌신, 상담, 이해, 답변, 예약시스템 등이었다. 토픽 4는 문의 사항에 대한 자세한 안내, 환자가 이해하기 쉬운 언어로 설명하고 상담을 해주는 것에 대한 고마움, 예약스케쥴 조율 등 환자중심 의료 제공을 위해 헌신하고 노력하는 의료진에 대한 만족 등의 내용을 포함하고 있었다. 이에 해당 토픽을 ‘시스템 기반의 의료서비스 제공 및 조율’로 명명하였다. 토픽 5는 전체의 58.4%로 나타났으며, 주요 키워드는 배려, 주사 관리, 편안함, 보호자, 위로, 공감, 감동, 수간호사, 걱정, 안정 등이었다. 토픽 5는 환자와 보호자의 입장을 공감해주는 간호서비스 제공에 대한 감사와 숙련도를 갖춘 간호 제공에 대한 고마움, 환자 입장을 이해하는 진심이 담긴 위로와 공감에 대한 고마움 등의 내용을 포함하고 있었다. 이에 해당 토픽을 ‘고객 입장을 배려한 응대’로 명명하였다.

다음으로 VOC 2를 살펴보면 VOC 2의 토픽 1은 전체 토픽의 18.1%로 나타났으며, 주요 키워드는 미소, 전문성, 간호사 스테이션, 처치, 경험, 노인, 인성, 간호조무사, 근무, 성심성의 등이었다. 토픽 1은 검사 · 처치 · 투약에 대한 설명 미숙 등 전문성이 부족한 간호 제공에 대한 불만, 미소 없는 얼굴로 응대하는 간호사와 간호보조인력의 친절도 개선 요구, 노인 환자에게 자세하고 쉬운 설명을 요구하는 내용 등이 포함되었다. 이에 해당 토픽을 ‘고객 눈높이에 맞춘 숙련된 간호 제공에 대한 요구’로 명명하였다. 토픽 2는 전체 토픽의 18.1%로 나타났으며, 주요 키워드는 도움, 요구 사항, 인력 충원, 행동, 간호간병통합서비스, 대화, 전달 사항, 의사소통, 예민, 기계적인 느낌 등이었다. 토픽 2는 인력 부족으로 환자의 요구 사항에 즉각적인 대처가 미흡하다는 내용과 간호간병통합서비스 확대 · 개선 요구, 기계적인 응대에 대한 불만, 치료 과정에서 의료진 간 또는 환자-의료진 간 의사소통이 미흡하다는 내용이 포함되었다. 이에 해당 토픽을 ‘기계적인 응대와 미흡한 의사소통에 대한 개선 요구’로 명명하였다. 토픽 3은 전체 토픽의 15.5%로 나타났으며, 주요 키워드는 퇴원 절차, 수간호사, 퉁명, 주의 사항, 중환자실, 가족, 처방, 대처 능력, 요구 사항, 싸가지 등이었다. 토픽 3은 환자 응대 시 퉁명스러운 말투를 비롯한 전반적인 태도 개선에 대한 요구, 지침에 기반한 상황에 맞는 대처 요구, 처치 및 수술과 투약 · 퇴원 시 주의 사항 설명 미흡에 대한 불만, 수간호사에게 병동 관리를 요구하는 내용이 포함되었다. 이에 해당 토픽을 ‘다양한 상황에 맞는 적절한 대처 요구’로 명명하였다. 토픽 4는 전체 토픽의 48.3%로 나타났으며, 주요 키워드는 예약시스템, 안내, 예의, 실수, 가족, 배정, 교수, 대기 시간, 사무적, 신뢰감 등이었다. 토픽 4는 대기 시간 개선을 포함한 전반적인 예약시스템의 개선 요구, 예의를 갖춘 응대 요구, 환자 안내 시 사무적인 태도 개선 요구, 불투명한 설명으로 의료진에 대한 신뢰감이 저하된다는 내용이 포함되었다. 이에 해당 토픽을 ‘전반적인 예약시스템 · 의료서비스의 개선 요구’로 명명하였다. VOC 1과 VOC 2 토픽 키워드 간 네트워크를 나타낸 그림은 Figure 2와 같다.

Figure 2
Topic network of main keyword.

• Download Figure