1. 연구의 필요성

1999년 Institute of Medicine의 보고서에 의해 의료오류로 인한 사망자의 수가 교통사고로 인한 사망자의 수보다 많다는 사실이 알려지면서 환자안전에 대한 사회적 관심은 급격히 높아지게 되었다[1]. 환자안전은 단순히 의료제공자의 ‘오류’에 초점을 맞추는 것에서 벗어나 환자에게 가해진 ‘위해’와 ‘안전’에 대한 위협을 중심으로 ‘환자 중심의 의료’를 강조하는 개념이다[2]. 국내의 경우, 2010년에 의료기관 인증제도가 도입되면서 환자안전에 대한 사회적 관심이 증가하였고[3], 2010년과 2012년의 ‘빈 크리스틴’ 항암제 투약오류 사건으로 인해 2016년에 환자안전법이 제정되었으며[4], 이는 의료소비자의 환자안전 인식이 높아지는 계기가 되었다. 그리고 정부는 2018년에 발표한 제1차 환자안전종합계획에 따라 의료소비자 중심의 안전문화를 구축하고자 노력하고 있다[5]. 안전문화는 개인 및 조직이 안전에 대해 공유하는 가치, 태도, 인식 등을 의미하며[6], 안전문화의 구축은 과거의 오류에 대해 개인을 비난하는 것에서 벗어나 미래의 오류를 예방하고 학습할 수 있는 환경을 조성하게 할 수 있다[1].

세계보건기구(World Health Organization [WHO])는 2023년 세계 환자안전의 날을 통해 환자안전에 있어서 의료소비자의 참여가 의료서비스의 안전 확보에 필수적인 역할을 수행한다고 하였다[7]. 의료소비자란 환자 및 보호자 그리고 의료서비스를 이용하였거나 미래에 의료서비스를 이용할 가능성이 있는 사람을 말한다[8]. 최근, 의료소비자의 역할은 진료 과정에서 정책 결정까지 참여하는 등 의료제공자의 파트너로서 환자안전을 함께 도모하는 능동적인 역할로 확장되고 있다[9]. 환자 및 보호자가 환자안전을 위한 공동체의 핵심 구성원이 되면 환자의 치료뿐만 아니라 의료시스템의 안전성에 중요한 기여를 할 수 있다[10]. 환자 및 보호자의 명확한 건강 정보 제공은 진단 및 치료 과정에 도움이 되며, 환자 및 보호자는 의료소비자와 의료서비스 제공자의 상호작용에 대한 정보를 제공할 수 있다[10, 11]. 이러한 의료소비자의 중요성과 역할 확대는 건강 관리 정책, 거버넌스 구조 및 안전 전략의 설계 및 구현에 있어서 의료소비자 참여의 중요성을 강조한다[9]. 또한, 다양한 의료소비자의 목소리를 듣는 기회를 만드는 것이 의료서비스의 안전성과 환자 중심성 및 신뢰성을 발전시키는 데 있어서 중요하다[7]. 따라서 의료소비자 중심의 안전문화 구축을 위해 의료소비자의 의견을 파악하고, 이를 정책과 프로세스에 반영하는 것이 필요하다.

국내에서는 환자안전 관련 제도[12, 13], 환자안전인식[3, 13, 14], 환자안전사고 공개[15, 16], 병원 입원 중 환자의 안전감[17], 환자안전 활동 참여[18] 등 환자안전 분야에 대해 의료소비자의 인식을 조사한 연구가 보고되었다. 이들의 연구 결과를 살펴보면, 응답자의 약 70% 이상은 환자안전 관련 제도에 대해 인지하지 못하고 있었고[12, 13], 의료진과 의료기관에 대한 신뢰는 낮았으며[3, 13, 14], 환자안전사고 발생 시 공개를 원하는 것으로 나타났다[15, 16]. 또한, 의료소비자는 치료 과정에서 의사결정에 참여할 때와 병원의 아낌없는 지원을 받을 때 안전하다고 느꼈다[17]. 그리고 의료소비자는 의료환경에 위계질서가 존재한다고 인식하고 있으며, 자신의 치료에 불이익이 있을까 봐 의료진에게 안전에 대하여 이야기하는 것을 꺼리는 것으로 조사되었다[18]. 이렇듯 국내 의료문화에서는 환자안전과 관련된 의견이나 우려사항을 의료소비자가 직접 의료기관에 표현하기 어려울 수 있으며, 이는 의료소비자가 의료진과 소통하고 의사결정에 참여하는 것을 어렵게 만들어 의료서비스의 질과 안전에 영향을 미칠 수 있다.

한편, 최근 의료소비자는 소셜미디어에 자신의 의견, 경험, 감정 등을 실시간으로 게시하여 다른 사람들과 공유하는데[19], 이들은 소셜미디어의 특성 중 하나인 익명성을 활용하여 자신의 의견을 솔직하고 자유롭게 표현하는 경향이 있다[20]. 소셜미디어에 자주 언급된 의료소비자의 의견은 의료소비자의 진솔한 관심사를 반영한다고 볼 수 있으며, 소셜미디어 게시글을 분석하여 특정 질병과 관련된 의료소비자의 관심사를 도출하고 인식을 파악한 연구도 보고되고 있다[21, 22]. 이처럼 솔직하고 자유롭게 의견 공유를 할 수 있는 소셜미디어는 의료소비자도 환자안전에 대해 의견을 자유롭게 표현할 수 있는 잠재력을 가지고 있으며, 소셜미디어 게시글에는 의료소비자의 다양한 환자안전에 대한 관심사도 많이 담길 것으로 예상된다. 또한, 소셜미디어의 특성상 많이 언급되는 의료서비스에 관련된 내용은 사회 전반으로 빠르게 확산되어 의료소비자의 환자안전에 대한 인식을 형성할 수 있으며, 이는 국가의 안전문화 구축을 위한 정책 수립 초기 단계에서 영향을 미칠 수 있다. 즉, 소셜미디어 내 의료소비자의 관심사를 조사하면 의료소비자가 가장 우려하거나 개선을 요구하는 내용을 보다 용이하게 파악할 수 있고, 파악된 내용은 환자안전문화 구축을 위한 관련 정책 수립과 개선 활동에 반영될 수도 있다. 따라서 소셜미디어 내 의료소비자의 환자안전에 대한 관심사를 조사하여 분석할 필요가 있다. 하지만 현재까지 소셜미디어에서 공유 및 확산된 정보를 통해 의료소비자의 환자안전에 대한 관심과 시간에 따른 변화를 조사한 연구는 확인되지 않았다.

소셜미디어 게시글 등 방대한 양의 텍스트 자료에서 의미 있는 정보를 찾아내는 방법으로 다양한 알고리즘의 토픽 모델링(topic modeling)이 활용되고 있다. 그중 구조적 토픽 모델링(structural topic modeling [STM])은 비교적 최근 개발된 알고리즘으로, 문서에서 대표적인 주제 및 주제 비중을 추출할 뿐만 아니라 시간에 따른 주제 비중의 변화를 추정할 수 있다[23]. STM을 활용하여 췌장암에 대한 온라인 정보 교환[24], 의료소비자와 의료진의 COVID-19 백신에 대한 표현 차이[25], COVID-19에 대한 인종 간 담론 차이[26] 등의 연구가 수행되었다.

앞서 언급했던 것과 같이, 기존의 의료소비자의 환자안전 인식에 대한 선행연구는 주로 양적 조사 방법으로 수행되었고, 의료소비자의 설문 또는 인터뷰 중심의 조사방식으로 이루어져 조사데이터의 양적 한계가 있었으며, 의료소비자의 불특정 다수의 방대한 의견이 반영되어 있는 소셜미디어를 이용한 연구는 매우 미미한 실정이다. 이에 본 연구에서는 구조적 토픽 모델링을 통해 의료소비자의 환자안전에 대한 관심사와 관심의 변화를 파악하고자 한다. 이러한 방법론적 접근은 소셜미디어 상의 대규모 비정형 텍스트 데이터에서 의미 있는 패턴과 추세를 식별할 수 있는 새로운 기회를 제공할 수 있을 것이며, 본 연구의 결과는 의료소비자의 관점을 반영한 환자안전문화 형성을 위한 전략 제시 및 환자안전 정책 수립에 있어서 기초 자료로 활용될 수 있을 것이다.

2. 연구의 목적

본 연구의 목적은 소셜미디어에서 의료소비자의 환자안전 관련 게시글을 분석하여 의료소비자의 환자안전에 대한 관심과 시간에 따른 관심의 변화를 확인하는 것이다. 이를 통해 의료소비자의 환자안전에 대한 인식을 파악하여 향후 환자안전문화 형성 및 정책 개선에 필요한 기초 자료를 제공하고자 한다.

본 연구의 구체적인 목표는 다음과 같다. 첫째, 의료소비자가 작성한 소셜미디어 내 환자안전 관련 게시글에서 토픽을 확인한다. 둘째, 의료소비자가 작성한 소셜미디어 내 환자안전 관련 게시글의 작성 연도에 따른 토픽 비중의 변화를 확인한다. 셋째, 의료소비자가 작성한 소셜미디어 내 환자안전 관련 게시글에서 도출된 토픽 커뮤니티를 확인한다.

1. 연구 설계

본 연구는 의료소비자가 작성한 소셜미디어 내 환자안전 관련 게시글을 대상으로 STM을 적용하여 파악한 의료소비자의 환자안전 관심에 대한 서술적 탐색 연구이다.

2. 자료 수집

자료 수집은 다음의 절차에 따라 진행하였다. 첫째, 분석 자료를 수집하기 위한 검색 기간을 선정하였다. 국내에서 환자안전은 의료기관 인증평가제가 시작되면서부터 사회적 관심을 받게 되었다[3]. 따라서 국내에서 의료기관평가인증원 개원 이후이며 의료기관 인증평가제가 시작된 시점을 포함하는 2010년 11월 1일부터 2022년 1월 30일로 검색 기간을 선정하였다.

둘째, 분석 자료를 수집하기 위한 자료 수집원을 선정하였다. 본 연구에서 선정한 자료 수집원은 블로그(네이버, 다음, 티스토리), 카페(네이버, 다음), 트위터, 네이버 포털에 게시된 언론사 뉴스 기사(이하 네이버 뉴스 기사)의 댓글이다. 인터넷 포털 사이트 ‘네이버’는 국내에서 점유율 62%를 차지하는 사용자가 가장 선호하는 정보검색 플랫폼이다[27].

셋째, 분석 자료를 검색하기 위한 검색 키워드를 선정하였다. 환자안전은 국제기관의 정의를 통해 의료환경에서 발생할 수 있는 오류나 사고로 인한 위해를 감소시켜 환자의 안전을 향상하는 것으로 이해될 수 있다[1, 9]. 따라서 네이버 뉴스 기사는 ‘환자안전’, ‘의료오류’, ‘의료사고’의 용어를 사용하여 본문을 검색하였고, 그에 따른 댓글을 수집하였다. ‘위해’의 경우 ‘오류’나 ‘사고’의 결과로써 검색어에 포함하지 않아도 해당 개념을 포함한 게시글을 수집할 수 있어 포함하지 않았다. 반면, 블로그와 카페, 트위터는 ‘환자안전’, ‘의료오류’, ‘의료사고’의 용어보다 소비자가 사용하기 편리한 용어를 사용하므로 사전 검색을 실시한 후 ‘안전’, ‘오류’, ‘사고’를 검색어로 선정하였다. 그리고 포함어와 제외어 기준을 두어 자료를 수집하였다. 포함어는 ‘의료’, ‘환자’, ‘병원’으로 의료서비스, 이를 받는 환자의 경험, 그리고 의료서비스가 이루어지는 병원이라는 세 가지 차원에서 환자안전에 관련된 측면을 광범위하게 포함하고자 선정하였다. 제외어는 ‘애완동물’, ‘동물병원’, ‘변호사’, ‘신기술’, ‘환자안전의 날’, ‘행사’로 의료소비자의 의견과 관련 없는 게시글을 배제하기 위해 선정하였다.

넷째, 자료의 수집 방식은 Python 3.8.8 version 프로그램(Python Software Foundation)의 Requests와 Selenium 오픈라이브러리를 이용한 크롤링 방식으로 웹 문서를 수집하였다. 연구에 필요한 데이터만을 추출하기 위해 파싱(parsing) 라이브러리인 BeautifulSoup4를 활용하였으며, 데이터 정제를 위해 Pandas 라이브러리를 활용하였다. 웹 크롤링을 통한 자료의 수집은 2023년 1월 21일부터 2023년 2월 10일까지 진행되었다. 수집된 자료는 네이버 뉴스 기사 댓글 283,683건, 블로그 81,592건, 카페 70,478건, 트위터 114,273건으로 총 550,026건이다.

다섯째, 일차적으로 수집된 550,026건의 분석 자료에 필터링을 실시하였다. 수집된 자료에는 단순히 의미 없는 내용의 메시지를 반복적으로 게시하였거나, 다른 사람들에게 전달하기 위한 목적으로 같은 내용을 배포한 리트윗이 다수 포함되어 있어 이를 중복 자료로 간주하고 삭제하였다. 중복 자료(133,299), 빈칸인 자료(1), 한 글자 이하인 자료(77), 작성 날짜가 없거나 불완전한 자료(9,122) 총 142,499건을 삭제하였다. 그리고 분석 목적과 관련이 없다고 판단된 정치적 성향을 나타내는 글(특정 정치인의 성명, 지역감정, 정치)과 종교와 관련된 내용(하느님, 하나님, 예수, 기도), 교통사고를 나타내는 글(운전, 추돌사고, 교차로, 사거리, 삼거리), 채용 공고를 나타내는 글(채용, 모집, 초빙), 성형, 동물, 획득 등의 단어가 포함된 301,800건의 자료를 삭제하였다.

이러한 필터링 과정을 통해 최종적으로 수집된 자료는 네이버 뉴스 기사 댓글 65,170건, 블로그 5,905건, 카페 2,603건, 트위터 32,049건으로 총 105,727건이다. 자료의 수집 과정은 Figure 1에 제시하였다.

Figure 1
Data collection and filtering process.

• Download Figure

3. 자료 분석

본 연구에서 수집된 자료는 분석을 위한 전 처리 과정을 거쳤다. 분석에 의미가 없는 숫자와 특수문자를 삭제하였고, 한국어 형태소 분석기인 KoNLPy의 OKT (https://github.com/open-korean-text/open-korean-text)를 이용하여 명사를 추출하였다. 그리고 분석에 의미를 지니지 않는 단어를 삭제하였고, 띄어쓰기가 잘못되었거나 같은 의미로 사용된 단어는 하나의 표현으로 수정 또는 통합하였다. 자료 전 처리를 통해 추출된 자료는 R 4.2.2 version 프로그램(R Foundation for Statistical Computing)을 이용하여 분석을 진행하였으며, STM 분석을 위해 ‘stm’ 패키지[28]를 이용하였다.

본 연구에서 분석 방법으로 활용하는 STM은 주제를 단어의 확률 분포로 정의하고, 문서들이 이러한 단어의 확률 분포로부터 생성되었다고 가정한 후, 문서에서 대표적인 주제를 추출하거나 개별 문서에서 주제의 비중을 파악한다. 그리고 주제 비중에 메타데이터의 영향이 존재한다고 가정한다[23]. 따라서 메타데이터가 추출된 토픽의 비중에 어떤 혹은 어느 정도 영향을 미치는지를 추정할 수 있다. 메타데이터는 문서에서 서술된 본문의 내용 이외에 문서의 작성 시점, 작성자, 출판사 등 문서와 관련있는 부가적인 혹은 주요 정보를 의미한다[23]. STM은 메타데이터의 영향을 고려하기 위해 사전 확률 분포로서 로지스틱 정규분포(logistic normal distribution)를 활용하며, 이를 활용하여 토픽 간의 상관을 추정할 수 있고, 상위 수준의 주제 구조로 나타낼 수 있다[28].

4. 윤리적 고려

본 연구는 ‘서울대학교 생명윤리위원회’의 승인을 받은 후 진행하였다(IRB No. 2301/003-008). 본 연구에서 수집한 자료는 온라인상 대중에게 공개된 정보를 이용하는 것으로 작성자의 아이디, 이메일 등 개인정보를 식별할 수 있는 정보는 수집하지 않았다. 수집된 모든 자료는 비밀번호가 설정된 제1저자의 개인 컴퓨터에서만 수집하고 분석한 후 연구 결과를 작성하였다. 컴퓨터에 저장된 연구 자료의 보관은 생명윤리위원회의 지침에 따라 영구보관할 예정이며, 관련 기록은 연구가 종료된 시점부터 3년간 보관 후 삭제할 예정이다.

1. 토픽 분석 및 질적 검증

수집된 데이터에서 STM을 이용해 도출한 13개의 토픽 결과는 Table 1에 제시하였다. 토픽 1의 대표 단어는 ‘사람, 생명, 아이, 부모, 목숨, 이해, 구속, 집단, 사과, 행동’ 등이며, 대표 문서는 “아이 부모들은 얼마나 마음이 아플까요…ㅠㅠ 사람 생명 가지고 장난하는 것도 아니고. 잘못이라도 인정하고 사과해야 하는거 아닌가요? 뭐하자는건지.”이다. 이 외에도 토픽 1의 비중이 큰 9개의 원문을 추가로 검토하여 토픽 1의 명명을 시행하였다. 이 같은 과정을 통해 토픽 1부터 토픽 13까지 토픽 명명을 시행하였다.

Table 1
Result of Topic Analysis

• Download Table

도출된 토픽에 대하여 전문가 검증을 시행한 결과 13개의 토픽 중 2점 이하의 점수가 부여된 토픽명은 토픽 1이었다. 토픽 1번은 소아의 의료사고에 대한 내용을 담고 있어 토픽명을 ‘소아의료사고’로 설정하였으나, 소아의 의료사고보다는 의료과실에 대한 사과와 보상에 대한 내용이 적합하다는 전문가의 의견이 있어 논의를 거친 후 최종 토픽명을 ‘의료과실에 대한 사과와 보상’으로 설정하였다.

토픽 1은 소아의 의료사고에 대한 내용과 의료과실에 대한 인정과 사과 및 보상 등을 원하는 내용이 주된 내용이었으며, 토픽 2는 수술실 내 CCTV 설치 의무화를 요구하는 내용이, 토픽 3은 대리 수술 등의 문제로 인해 의료진의 면허 처벌 강화를 요구하는 내용이, 토픽 4에는 의료분쟁과 관련한 내용이, 토픽 5는 응급 상황에서 환자의 이송에 대한 문제와 의료기관의 화재 안전관리 교육에 대한 내용이, 토픽 6은 환자안전 향상을 위한 의료기관의 활동에 대한 내용이, 토픽 7은 민영화 반대, 공공보건의료 확대 등의 내용이, 토픽 8은 간호인력 부족과 간호사의 열악한 근무환경, 낮은 수가 등에 대한 내용이, 토픽 9는 일반인의 의료사고에 대한 내용과 유명인과 일반인의 의료사고에 대한 반응을 비교하는 내용이, 토픽 10은 매스미디어를 통해 보도된 유명인과 신생아의 의료사고에 대한 내용이, 토픽 11은 수술 및 시술 중 발생한 의료사고에 대한 내용이, 토픽 12는 의료과실 입증의 어려움을 호소하며 관련 법안을 개정해 주길 바라는 내용이 주를 이루었다. 마지막으로 토픽 13은 의료기관의 감염관리와 의료소비자가 신종 감염병에 대한 정부의 방역에 대해 비난하는 내용이 전체 내용의 대부분을 차지하였다.

이후 전체 문서의 토픽 비중을 도출하였으며 그 결과는 Figure 2에 제시하였다. 13개의 토픽 중 가장 비중이 높은 토픽은 ‘토픽 3. 의료인 면허취소 처벌 강화’이었으며, 비중은 13.5%를 차지하는 것으로 나타났다. 그 다음으로 비중이 높았던 토픽은 ‘토픽 2. 수술실 CCTV 설치 의무화’로 비중은 10.5%를 차지하는 것으로 나타났다. 가장 비중이 낮은 토픽은 ‘토픽 4. 의료분쟁’이었으며 비중은 5.4%를 차지하는 것으로 나타났다. 이는 소셜미디어에서 의료인 면허취소 처벌 강화와 수술실 CCTV 설치 의무화 주제에 대한 의료소비자의 관심이 높음을 의미한다.

Figure 2
Proportion of topics in whole documents.
The topic proportion of all documents is calculated by averaging the topic proportion of individual documents.

CCTV = Closed circuit television.

• Download Figure

2. 토픽 비중의 변화

문서 작성 연도에 따라 전체 문서에서 토픽 비중의 변화를 확인하였다. Figure 3에는 13개 토픽 비중의 변화를 함께 제시하였다. 전체적으로 토픽 비중의 변화가 나타났으나, 특히 ‘토픽 2. 수술실 CCTV 설치 의무화’, ‘토픽 3. 의료인 면허취소 처벌 강화’, ‘토픽 13. 의료기관의 감염관리 및 정부의 방역 대응’의 비중 변화가 두드러졌다. ‘토픽 2. 수술실 CCTV 설치 의무화’, ‘토픽 3. 의료인 면허취소 처벌 강화’는 2010년부터 토픽 비중이 점차적으로 증가하다가 2019년에 다소 감소하고 2020년에서 2021년 사이에 두드러지게 증가하였다. 그 후 2021년 후반에는 토픽 비중이 감소하고 2022년에 다시 증가하였다. 해당 토픽들의 비중이 감소하는 시기에 비중이 상승한 토픽은 ‘토픽 13. 의료기관의 감염관리 및 정부의 방역 대응’이다.

Figure 3
Changes in quarterly topic proportions according to the year.
Topic 1. Apology and compensation for medical malpractice. Topic 2. Mandatory installation of CCTVs in operating rooms. Topic 3. Strengthened revocation of healthcare providers licenses. Topic 4. Medical dispute. Topic 5. Patient transportation and fire safety management. Topic 6. Hospital activities for improving patient safety. Topic 7. Public nature of medical care. Topic 8. Lack of nurses. Topic 9. General medical accidents. Topic 10. Medical accidents involving famous people and newborns. Topic 11. Medical accidents during surgery and treatments. Topic 12. Difficulty in proving malpractice. Topic 13. Infection management of medical facilities and government epidemic responses.

• Download Figure

3. 토픽 상관 및 토픽 커뮤니티 분석

토픽 커뮤니티를 구성하기 위해 토픽의 상관관계를 확인하였다. 상관계수의 값은 -0.470~0.881까지 나타났으며, ‘토픽 2. 수술실 CCTV 설치 의무화’와 ‘토픽 3. 의료인 면허취소 처벌 강화’의 상관이 0.881로 가장 높았고, ‘토픽 1. 의료과실에 대한 사과와 보상’과 ‘토픽 3. 의료인 면허취소 처벌 강화’의 상관이 0.658, ‘토픽 1. 의료과실에 대한 사과와 보상’과 ‘토픽 2. 수술실 CCTV 설치 의무화’의 상관이 0.450으로 높게 나타났다.

토픽 커뮤니티 분석 결과, 13개의 토픽은 3개의 커뮤니티로 범주화 할 수 있었다. 토픽 1, 2, 3, 4, 7, 8, 12가 토픽 커뮤니티 1로, 토픽 5, 6, 13이 토픽 커뮤니티 2로, 토픽 9, 10, 11이 토픽 커뮤니티 3으로 도출되었다. 커뮤니티를 구성한 후에 각 커뮤니티에 속한 개별 토픽명을 고려하여 토픽 커뮤니티명을 설정하였다.

토픽 커뮤니티 1에 속하는 토픽들은 ‘토픽 1. 의료과실에 대한 사과와 보상’, ‘토픽 2. 수술실 CCTV 설치 의무화’, ‘토픽 3. 의료인 면허취소 처벌 강화’, ‘토픽 4. 의료분쟁’, ‘토픽 7. 의료의 공공성’, ‘토픽 8. 간호인력 부족’, ‘토픽 12. 의료과실 입증 어려움’이었으며, 해당 토픽들이 문서에서 함께 자주 나타난다고 할 수 있다. 토픽 커뮤니티 1에는 의료사고에 대한 정책적 요구, 의료분쟁 등에 대한 내용을 포함하고 있어 커뮤니티 1을 ‘의료사고에 대한 제도적 개선 요구’로 설정하였다. 토픽 커뮤니티 2에 속하는 토픽들은 ‘토픽 5. 환자 이송 및 화재 안전관리’, ‘토픽 6. 환자안전 향상을 위한 병원의 활동’, ‘토픽 13. 의료기관의 감염관리 및 정부의 방역 대응’이었다. 이에 토픽 커뮤니티 2를 ‘안전관리를 위한 정부와 기관의 노력’으로 설정하였다. 토픽 커뮤니티 3은 ‘토픽 9. 일반인 의료사고’, ‘토픽 10. 유명인 및 신생아 의료사고’, ‘토픽 11. 수술 및 시술 중 의료사고’였다. 이는 매스미디어를 통해 알려진 의료사고와 소셜미디어에 게시된 의료사고에 대한 내용을 포함하고 있어 토픽 커뮤니티 3을 ‘미디어에 노출된 의료사고’로 명명하였다. Figure 4는 토픽 네트워크 및 커뮤니티를 시각화한 것으로 각 커뮤니티의 비중을 제시하고 있다.

Figure 4
Result of topic community analysis. (A) Topic network and communities. (B) Topic community proportions. The visualization algorithm for the topic network (A) utilized the stress. Topic community proportions (B) are calculated by aggregating individual topic proportions.
Topic 1. Apology and compensation for medical malpractice. Topic 2. Mandatory installation of CCTVs in operating rooms. Topic 3. Strengthened revocation of healthcare providers licenses. Topic 4. Medical dispute. Topic 5. Patient transportation and fire safety management. Topic 6. Hospital activities for improving patient safety. Topic 7. Public nature of medical care. Topic 8. Lack of nurses. Topic 9. General medical accidents. Topic 10. Medical accidents involving famous people and newborns. Topic 11. Medical accidents during surgery and treatments. Topic 12. Difficulty in proving malpractice. Topic 13. Infection management of medical facilities and government epidemic responses.

• Download Figure