Text-Mining Analysis of Firefighters’ Evaluation Narratives in the Ambulance Activity Logs of the Yangsan Fire Station

명준 반; 원대 김; 상구 이

doi:10.7731/KIFSE.169fb5bb

요 약

본 연구는 2018∼2023년 경상남도 양산소방서 119구급대의 구급활동일지 평가소견을 텍스트 마이닝 기법으로 분석하였다. 코로나19 발생 이전(2018∼2019), 유행기(2020∼2021), 일상 회복기(2022∼2023)로 구분해 시기별 평가소견의 분량과 내용 특성을 비교하였다. 자료는 MS Excel, IBM SPSS, R, RHINO로 전처리⋅정제하고 Scheffé 사후검정으로 분량의 통계적 유의성을 검증하였다. TF-IDF, 워드클라우드, LDA 토픽모델링을 통해 주요 키워드와 주제 변화를 도출한 결과, 코로나19 이후 평가소견 분량이 유의하게 증가하고 감염 관리, 보호장비 착용, 병원 사전 연락 등 감염병 대응 표현이 두드러졌다. 본 연구는 향후 재난 대응 상황에서 구급활동일지 기록체계 개선과 문서 작성 효율성 향상을 위한 기초자료로 활용될 수 있다.

ABSTRACT

This study employs text-mining techniques to analyze evaluation narratives from the emergency activity logs of the Yangsan Fire Station 119 Emergency Medical Service unit (Gyeongsangnam-do, South Korea) for 2018∼2023. To reflect the progression of coronavirus disease 2019 (COVID-19), the dataset was divided into three phases: pre-pandemic (2018∼2019), pandemic (2020∼2021), and post-pandemic recovery (2022∼2023). Data preprocessing was performed using MS Excel, IBM SPSS, R, and the RHINO morphological analyzer. Scheffé’s post-hoc test assessed differences in text volume across phases. Term frequency-inverse document frequency analysis, word-cloud visualization, and latent Dirichlet allocation topic modeling identified shifts in salient keywords and thematic patterns. The analysis showed a significant increase in narrative volume following the onset of COVID-19, with more frequent references to infection control, personal protective equipment, and advance hospital notification. Topic modeling demonstrated a transition from pandemic-era infection-control procedures to more detailed physiological descriptions in the endemic phase. These results underscore the evolving informational content of emergency medical documentation and its value as an empirical basis for improving record-keeping systems and documentation efficiency among emergency medical personnel responding to infectious diseases and other disasters.

KeyWords: Text mining, Ambulance activity log, COVID-19, EMS, Yangsan Fire Station

1. 서 론

1.1 연구배경 및 필요성

119구급대는 생명 위기 상황에서 국민의 건강과 안전을 지키는 병원 전 단계 응급의료 제공 주체로서, 갈수록 다양해지고 복잡해지는 현장 상황에 대응하고 있다(1).

또한 이들은 현장에서 환자 평가, 응급처치, 이송 병원 결정 등 고도의 전문성과 신속한 판단이 요구되는 업무를 수행하며, 이 모든 과정은 ‘구급활동일지’에 기록된다(2,3). 그 중 ‘평가소견’은 현장 상황, 판단 근거, 환자 상태 등을 반영하는 핵심 서술자료이지만, 대부분 비정형 자연어 기반으로 작성되어 일관된 분석이 어렵고 행정적 활용에도 한계가 있다. 이에 따라 자유 서술식 데이터를 체계적으로 분석할 수 있는 방법론 개발이 요구되며, 응급의료 행정의 데이터 기반 전환을 위한 중요한 과제로 부상하고 있다. 최근의 ｢진주소방서 평가소견 텍스트 마이닝 연구｣는 텍스트 마이닝을 통해 시기별 키워드, 감성 흐름, 현장 특성 등을 정량적으로 도출하며 이러한 가능성을 보여주었다(4).

본 연구는 기존 연구의 지역적 국한성 및 일반화 제약성을 해소하기 위해 경상남도 양산시에 있는 양산소방서를 대상으로 분석을 수행하여 확장성의 기반을 마련하고자 하였다. 소방관에 의해 작성된 구급활동일지 평가소견의 텍스트를 분석하여, 반복 출동, 감염병 대응, 심리적 부담 등 구급대원의 현장 경험이 기록에 어떻게 반영되는지를 실증적으로 확인하여 평가소견이 단순 행정기록을 넘어, 구급활동의 질적 개선을 위한 자료로 활용될 수 있음을 보여주고자 하였다.

1.2 연구목적

본 연구는 양산소방서 119구급대가 작성한 구급활동일지 중 평가소견 항목을 분석하여, 해당 텍스트의 특성과 변화를 규명하고자 하였다. 이를 위한 구체적인 연구 목적은 다음과 같다.

(1) 양산소방서 구급활동일지의 평가소견을 텍스트 마이닝 분석이 가능한 형태로 정제하는 전처리과정을 체계화한다.
(2) 형태소 분석, 키워드 빈도 분석, 감성 분석, 토픽모델링 등 텍스트 마이닝 기법을 활용하여 핵심어와 주요 주제를 도출한다.
(3) 분석시기를 normal (2018년∼2019년), pan-demic (2020년∼2021년), endemic (2022년∼2023년)으로 구분하여, 시기별 텍스트 특징과 키워드의 변화 양상을 비교⋅분석한다.
(4) 도출된 결과를 바탕으로 양산소방서 구급활동의 특성과 현장의 과제를 파악하고, 향후 정책 수립에 활용할 수 있는 가능한 시사점을 제시한다.

2. 연구방법 / 분석결과

2.1 구급활동일지 자료

본 연구는 경상남도 양산소방서의 구급활동일지를 대상으로 분석을 수행하였다. 자료는 ｢공공기관의 정보공개에 관한 법률｣에 따른 정보공개청구절차를 통해 확보하였으며, 연구 기간은 2018년부터 2023년까지 6년간이다. 수집된 구급활동일지 원시자료 중 성명, 연락처, 주소 등 개인식별 가능 정보는 모두 제거된 비식별화된 2차 자료만을 사용하였다. 정보공개청구는 2025년 1월 31일, 정보공개포털(www.open.go.kr)을 통해 접수번호 13737977로 신청하였고, 양산소방서 현장대응단의 결정에 따라 2025년 2월 10일 자 공문(문서번호: 양산소방서 현장대응단-1700, 2025.2.10.)을 통해 제공되었다. 제공받은 자료는 해당 기간 동안 양산소방서 119구급대가 현장으로 출동하여 응급환자를 병원으로 이송한 모든 건의 구급활동일지로 구성되어 있다. 본 자료는 연구 윤리와 개인정보 보호 원칙에 따라 철저히 비식별화된 상태로 제공되었으며, 연도별 구급 출동 현황(출동건수, 이송건수, 이송인원)은 Table 1에 정리하였다.

Table 1

EMS Dispatch Status in Yangsan (2018-2023)

Year	Total Dispatches	Total Transports	Total Patients Transported
2018	15,939	9,595	9,863
2019	15,784	9,300	9,535
2020	17,907	8,564	8,678
2021	20,363	10,394	10,759
2022	22,685	11,137	11,240
2023	21,735	10,902	11,006
Total	114,413	59,892	61,081

2.2 자료처리 방법

시기별 텍스트 분량 차이를 분석하기 위해 R 소프트웨어와 텍스트 마이닝 기법을 활용하였으며, 형태소 분석과 자연어 처리를 통해 평가소견을 분석할 수 있는 형태로 정제하였다(5,6).

Table 2의 평가소견 텍스트 분석에 앞서 사전 정제 과정을 수행하였다. 먼저 구급활동과 무관한 표현과 불필요한 숫자를 제거하고, 유사한 의미의 단어는 대표어로 통합하였다. 예를 들어, ∼분 경(It’s about), ∼얘기함(tell), 있다 하여(just because), 오전(in the morning), 오후(in the afternoon), 이후부터(after that), 계속 실시(continue to carry out), 상기(as above), 정확(exactly), 당시(at that time), 조치 후(after the measure), 조금(a little bit), 마지막(final), 전일(the previous day), 시간(duration), 분간(for a period of minutes), 약간(slightly), 도중(in the middle of), 본 서(fire station), 보임(visible), 하지(rather doing), 원하여(wanted), 모르고(not knowing), 위하여(for)로 정제하였다.

Table 2

Data Cleaned by Morpheme

Deleted Words
It’s about, tell, just because, in the morning, in the afternoon, after that, continue to carry out, as above, exactly, at that time, after the measure, a little bit, final, the previous day, duration, for a period of minutes, slightly, in the middle of, fire station, visible, rather doing, wanted, not knowing, for

또한 띄어쓰기 오류나 비문은 의미를 훼손하지 않는 범위에서 수정하였다. 이후 명사 중심으로 단어를 추출하고, 출현 빈도를 분석하여 시기별 주요 키워드와 사용 경향을 비교하였다. 데이터 정제에는 R의 KoNLP 패키지를 사용하였으며, 분석의 객관성과 신뢰성 확보를 위해 교수 1인, 대학원생 1인, 119구급대원이 아닌 소방관 1인 등 총 3인이 공동으로 검토하였다.

2.3 평가소견 자료 검정

Normal (2018년∼2019년), pandemic (2020년∼2021년), endemic (2022년∼2023년)으로 구분한 시기별 구급활동일지 평가소견의 텍스트 분량에 통계적으로 유의한 차이가 있는지를 검증하기 위해 일원분산분석(one-way ANOVA)을 실시하였다(7).

분석 결과, 그룹 간 평균 차이는 유의수준 0.05에서 통계적으로 유의한 것으로 나타났으며(F = 3072.451, p < .001), 사후검정으로 Scheffé 방법을 적용하였다.

Table 3의 결과에 따라서, 세 시기 간 텍스트 수 평균은 각각 normal (89.23), pandemic (104.95), endemic (146.37) 순으로 나타났으며, 모든 그룹 간의 차이가 통계적으로 유의함이 확인되었다(a < b < c).

Table 3

ANOVA Test for Text Volume Difference

Category	N	Mean	Standard Deviation	F (p)	Post Hoc
Normal (2018~2019)	31,799	89.23	69.29	3072.451*** (p < .001)	a < b < c
Pandemic (2020~2021)	38,868	104.95	87.76
Endemic (2022~2023)	44,765	146.37	136.98

* p<.05, ** p<.01,

^*** p<.001

이러한 결과는 COVID-19 유행 이후 평가소견에 포함되는 서술 정보가 지속적으로 증가하였음을 보여주며, 감염병 대응 과정에서 구급대원의 기록 행태에도 실질적인 변화가 있었음을 시사한다.

2.4 키워드 빈도 분석

Table 4는 R의 KoNLP 패키지를 활용해 한글 텍스트에서 명사만 분석한 결과 2,444,797개의 단어들이 분류되었고, 각 집단의 상위 키워드 30개를 추출하였다.

Table 4

Top 30 Keywords Appearance Frequency

Rank	Normal		Pandemic		Endemic
Rank	Keyword	n	Keyword	n	Keyword	n
1	patient	21,797	patient	34,213	patient	51,590
2	transport	7,838	report	18,038	report	27,139
3	arrival on scene	7,529	transport	13,918	transport	18,783
4	report	7,480	arrival on scene	12,629	arrival on scene	16,620
5	condition	5,358	dispatch	9,862	condition	13,932
6	dispatch	5,319	condition	8,479	dispatch	12,883
7	pain	5,206	hospital	7,184	hospital	12,421
8	confirm	3,906	confirm	6,887	confirm	11,195
9	hospital	3,586	pain	6,349	measurement	10,923
10	symptom	3,272	symptom	6,124	guardian	10,125
11	EMS team	3,248	guardian	5,866	pain	8,725
12	guardian	3,234	EMS scene	5,152	symptom	8,494
13	EMS scene	2,897	alert & conscious	4,810	EMS scene	7,425
14	arrival	2,789	measure	4,573	vital signs	7,388
15	right	2,705	EMS team	4,503	respiratory	6,807
16	consciousness	2,561	issue	4,213	issue	6,765
17	observation	2,559	vital signs	4,137	arrival	6,298
18	left	2,492	arrival	4,041	pulse	6,290
19	vomiting	2,417	consciousness	3,614	EMS team	5,740
20	usual	2,039	observation	3,604	consciousness	5,669
21	vital signs	2,013	right	3,169	body temperature	5,432
22	alert & conscious	1,978	left	3,069	medical care	5,360
23	issue	1,954	vomiting	2,742	alert & conscious	5,159
24	measurement	1,932	medical care	2,735	check blood glucose	4,706
25	Motor Vehicle Collision	1,906	complain	2,663	session	4,701
26	complain	1,878	respiratory	2,476	systolic blood pressure	4,695
27	police officer	1,804	police officer	2,381	diastolic blood pressure	4,694
28	laceration	1,706	turnover	2,320	observation	4,640
29	physical trauma	1,653	ambulatory	2,274	vomiting	4,227
30	stable condition	1,580	abdominal pain	2,143	turnover	4,002

Normal 시기의 상위 키워드는 ‘환자(patient)’, ‘이송(transport)’, ‘현장도착(arrival on scene)’, ‘신고(report)’, ‘상태(condition)’, ‘출동(dispatch)’, ‘통증(pain)’, ‘확인(confirm)’, ‘병원(hospital)’, ‘증상(symptom)’, ‘구급대(EMS team)’, ‘보호자(guardian)’, ‘현장(EMS scene)’, ‘도착(arrival)’, ‘우측(right)’, ‘의식(consciousness)’, ‘관찰(observation)’, ‘좌측(left)’, ‘구토(vomiting)’, ‘평소(usual)’, ‘활력징후(vital signs)’, ‘의식 명료(alert & conscious)’, ‘사항(issue)’, ‘측정(measurement)’, ‘교통사고(motor vehicle collision)’, ‘호소(complain)’, ‘경찰(police officer)’, ‘열상(laceration)’, ‘외상(physical trauma)’, ‘양호(stable condition)’ 순위였다. Normal 시기에는 신고 단계부터 병원 이송 단계까지 구급일지에 대한 전반적인 내용이 기록되었다.

Pandemic 시기 중에는 ‘환자(patient)’, ‘신고(report)’, ‘이송(transport)’, ‘현장도착(arrival on scene)’, ‘출동(dispatch)’, ‘상태(condition)’, ‘병원(hospital)’, ‘확인(confirm)’, ‘통증(pain)’, ‘증상(symptom)’, ‘보호자(guardian)’, ‘현장(EMS scene)’, ‘의식 명료(alert & conscious)’, ‘측정(measurement)’, ‘구급대(EMS team)’, ‘사항(issue)’, ‘활력징후(vital signs)’, ‘도착(arrival)’, ‘의식(consciousness)’, ‘관찰(observation)’, ‘우측(right)’, ‘좌측(left)’, ‘구토(vomiting)’, ‘진료(medical care)’, ‘호소(complain)’, ‘호흡(respiratory)’, ‘경찰(police officer)’, ‘인계(turnover)’, ‘거동가능(ambulatory)’, ‘복통(abdominal pain)’ 순위였다. Normal 시기 대비 ‘진료(medical care)’, ‘호흡(respiratory)’, ‘인계(turnover)’, ‘거동가능(ambulatory)’, ‘복통(abdominal pain)’이 추가되었다. 이것이 의미하는 것은 기존의 신고 단계에서 병원 이송단계까지의 내용이 COVID-19로 인하여 호흡기 관련 질환 및 증상에 관한 내용이 추가되어 평가소견이 작성하고 있음을 보여주고 있다.

Endemic 시기는 ‘환자(patient)’, ‘신고(report)’, ‘이송(transport)’, ‘현장도착(arrival on scene)’, ‘상태(condition)’, ‘출동(dispatch)’, ‘병원(hospital)’, ‘확인(confirm)’, ‘측정(measurement)’, ‘보호자(guardian)’, ‘통증(pain)’, ‘증상(symptom)’, ‘현장(EMS scene)’, ‘활력징후(vital signs)’, ‘호흡(respiratory)’, ‘사항(issue)’, ‘도착(arrival)’, ‘맥박(pulse)’, ‘구급대(EMS team)’, ‘의식(consciousness)’, ‘체온(body temperature)’, ‘진료(medical care)’, ‘의식명료(alert & conscious)’, ‘혈당체크(check blood glucose)’, ‘회차(session)’, ‘최고혈압(systolic blood pressure)’, ‘최저혈압(diastolic blood pressure)’, ‘관찰(observation)’, ‘구토(vomiting)’, ‘인계(turnover)’ 순위였다.

Pandemic 시기 대비 ‘맥박(pulse)’, ‘체온(body temperature)’, ‘혈당체크(check blood glucose)’, ‘회차(session)’, ‘최고혈압(systolic blood pressure)’, ‘최저혈압(diastolic blood pressure)’이 신규로 추가되었다. 이는 COVID-19 이후 백신 접종 및 환자의 상태에 관한 내용이 pandemic에 비해 높은 빈도로 평가소견에 추가되어 작성되고 있음을 보여주고 있다.

2.5 키워드 상대빈도수 분석

본 연구는 시기별로 중요 키워드를 도출하기 위해 R 프로그램과 term frequency-inverse document frequency (TF-IDF) 알고리즘을 활용하였다(8,9). TF-IDF는 단어의 빈도와 전체 문서에서의 희소성을 동시에 반영하여 특정 시기에서 상대적으로 중요한 단어를 효과적으로 식별할 수 있도록 고안된 기법이다. 개별 문서(본 연구에서는 시기별 평가소견) 내에서의 출현 빈도가 높고 전체 문서 집합에서는 드물게 나타나는 단어일수록 높은 값을 갖는다. 계산식은 식(1)에 제시하였으며, 이를 적용해 시기별 핵심 단어를 Table 5에 정리하였다.

Table 5

Time-based Keyword Weights by Three Segmented COVID-19 Phases

Rank	Normal		Pandemic		Endemic
Rank	Keyword	TF-IDF	Keyword	TF-IDF	Keyword	TF-IDF
1	Mulgeum advanced EMS unit	0.00042	patient transport support	0.001	systolic blood pressure	0.00223
2	advanced EMS unit	0.00032	person entering the country	0.00093	diastolic blood pressure	0.00223
3	in the event of an accident	0.00009	COVID-19	0.00066	confirmed patient	0.00029
4	aged 50-59	0.00006	asymptomatic patient	0.00059	self-test kit	0.00022
5	according to the statement	0.00006	persons entering from abroad	0.00056	personal protective equipment	0.00016
6	trauma and other injuries	0.00005	systolic blood pressure	0.00048	COVID-19	0.00014
7	pain score	0.00005	diastolic blood pressure	0.00048	Pyeongsan special EMS unit	0.00012
8	normal movement	0.00005	medical transport support for international arrivals	0.00038	the above patient	0.00011
9	other trauma observed	0.00004	confirmed patient	0.00038	Jungsan EMS unit	0.00011
10	occurrence of a fall accident	0.00004	travel history	0.00032	treatability	0.00011
11	aged 60-69	0.00004	community treatment center	0.00029	history of confirmed case	0.00009
12	aged 80-89	0.00004	home transport	0.00026	Cincinnati	0.00008
13	pupil	0.00004	Ulsan (KTX) station	0.00021	gaze deviation	0.00008
14	current medications	0.00004	minimize contact	0.00018	rapid antigen test	0.00007
15	nearby hospital	0.00004	vaccine	0.00018	supine position	0.00006
16	pumbulance	0.00004	visit history	0.00018	person to be rescued	0.00006
17	stable condition	0.00004	pharyngitis and other symptoms	0.00017	swelling	0.00006
18	aged 70-79	0.00004	Gyeongbuk	0.00014	observed	0.00005
19	pupillary reflex	0.00004	home quarantine	0.00013	in-person medical consultation	0.00005
20	aged 40-49	0.00003	Masan medical center	0.00009	operations center	0.00005

단순 빈도 분석이 출현 빈도가 높은 단어를 파악하는 데 초점을 두는 반면, TF-IDF 분석은 시기별로 상대적 중요도가 높은 키워드를 선별하는 데 효과적이다. 분석 결과, normal 시기에는 ‘물금 전문 구급(Mulgeum advanced EMS unit)’, ‘전문 구급(advanced EMS unit)’ 등 일반 출동 관련 용어가 나타났다. Pandemic 시기에는 ‘수송지원(patient transport support)’, ‘입국자(person entering the country)’, ‘코로나(COVID-19)’ 등 감염병 대응 관련 단어가 두드러졌으며, endemic 시기에는 ‘최고혈압(systolic blood pressure)’, ‘최저혈압(diastolic blood pressure)’, ‘확진자(confirmed patient)’ 등 생리적 상태와 검사 관련 키워드가 높은 중요도를 보였다. 이러한 결과는 R의 WordCloud(10) 패키지를 활용해 Figure 1에 시각화하였다.

(1)

fidf(t,d,D)=tf(t,d)×idf(t,D)

Figure 1

Ambulance activity journal of wordcloud by three segmented COVID-19 phases.

2.6 시기별 토픽모델링(Topic modeling)

토픽 모델링은 텍스트 내 단어의 동시 출현 패턴을 바탕으로 주요 주제나 이슈를 자동 도출하는 통계적 기법이다. 이 중 잠재 디리클레 할당(latent dirichlet allocation, LDA)은 문서와 단어 간의 주제 분포를 확률적으로 추정하여, 하나의 문서에 복수의 주제가 공존할 수 있음을 반영한다(11,12). 본 연구에서는 시기별 평가소견에 내포된 주제를 파악하기 위해 R의 LDA 패키지를 활용하였으며, 500회의 반복 시행을 통해 각 시기를 대표하는 3개 토픽과 해당 토픽을 구성하는 핵심 키워드(각 20개)를 추출하였다(Table 6, Figure 2).

Table 6

LDA Topic Modeling by Three Segmented COVID-19 Phases

Rank	Normal			Pandemic			Endemic
Rank	Topic 1 (46%)	Topic 2 (32%)	Topic 3 (22%)	Topic 1 (46%)	Topic 2 (29%)	Topic 3 (25%)	Topic 1 (46%)	Topic 2 (32%)	Topic 3 (22%)
1	patient	patient	patient	patient	patient	patient	patient	patient	respiration
2	today	pain	return to station	report	report	return to station	report	report	patient
3	report	right	dispatch	today	guardian	pain	hospital	return to station	pulse
4	symptom	left	scene	symptom	hospital	dispatch	today	dispatch	blood glucose
5	vomiting	laceration	police	transfer	condition	right	symptom	EMS scene	body temperature
6	usually	abrasion	guardian	hospital	scene	left	transfer	condition	session
7	pain	complain of	emergency report	vital signs	return to station	report	guardian	hospital	systolic blood pressure
8	hospital	motor vehicle accident	person needing assistance	pain	transfer	official vehicle operation	condition	pain	diastolic blood pressure
9	transfer	condition	dispatch center	conscious	consciousness	motor vehicle accident	pain	right	time of blood glucose
10	complain of	motorcycle	hospital	condition	dispatch	abrasion	medical care	police	vital signs
11	condition	trauma	condition	notable	police	motorcycle	notable findings	left	measurement
12	guardian	complaining of pain	confirmation	guardian	respiration	EMS scene	vomiting	abrasion	emergency call
13	EMS crew	swelling	EMS crew	vomiting	handover	complain of	complain of	laceration	consciousness
14	vital signs	bleeding	respiration	complain of	medical direction	notable findings	vital signs	transfer	transfer
15	yesterday	transfer	handover	abdominal pain	EMS crew	malfunction	COVID-19	notable findings	guardian
16	dyspnea	hospital	transfer	dyspnea	second call	laceration	response	motor vehicle accident	condition
17	conscious	knee	handover to police	body temperature	vital signs	vehicle	consciousness	guardian	medical direction
18	abdominal pain	vehicle-to-vehicle	consciousness	usually	medical care	condition	abdominal pain	complain of	today
19	dizziness	vital signs	pulse	COVID-19	pulse	international arrivals	current	handover	hospital
20	notable findings	site	EMS call cancellation	EMS crew	confirmation	transfer	return to station	EMS crew	EMS scene

Figure 2

Visualization of Phase-based LDA Topic Modeling.

Figure 2는 추출된 토픽 간의 거리와 관계를 2차원 공간에 시각화한 결과로, 각 파란색 원은 하나의 토픽을 나타내며, 원의 크기는 해당 토픽이 전체 데이터에서 차지하는 비율(중요도)을 의미한다. 원 간 거리가 가까울수록 두 토픽이 공유하는 단어가 많음을, 멀수록 상이한 주제를 다루고 있음을 시사한다. 또한 데이터 전체에서 중요도가 높은 상위 30개 단어와 그 중요도를 막대그래프로 제시하였는데, 파란색 막대는 전체 말뭉치에서의 단어 빈도를, 빨간색 막대는 특정 토픽에서의 특이성을 보여준다. 값이 클수록 해당 단어가 분석 대상 텍스트에서 더 많이, 혹은 더 특징적으로 출현했음을 의미한다.

분석 결과, 각 시기별로 도출된 토픽은 주요 키워드의 특징

에 따라 구분되었다. Normal 시기의 Topic 1은 ‘구토(vomiting)’, ‘복통(abdominal pain)’, ‘어지러움(dizziness)’, 등으로, 질병에 의한 상태를 반영하였으며, Topic 2는 ‘열상(laceration)’, ‘찰과상(abrasion)’, ‘교통사고(motor vehicle accident)’ 등 외상성 사건과 관련되었다. Topic 3에서는 ‘경찰(police)’, ‘인계(handover)’, ‘구급취소(EMS call cancellation)’ 등 타 기관 연계 상황이 중심을 이루었다. Pandemic 시기는 Topic 1에서 ‘구토(vomiting)’, ‘코로나(COVID-19)’, ‘체온(body temperature)’ 등 감염병 증상이 강조되었고, Topic 2는 ‘의료지도(medical direction)’, ‘경찰(police)’ 등 다기관 협업 요소, Topic 3은 ‘교통사고(motor vehicle accident)’, ‘찰과상(abrasion)’, ‘오토바이(motorcycle)’ 등 비감염성 사고 중심으로 구성되었다. Endemic 시기에서는 Topic 1이 ‘복통(abdominal pain)’, ‘구토(vomiting)’ 등 내과적 증상, Topic 2는 ‘열상(laceration)’, ‘찰과상(abrasion)’ 등 외상, Topic 3은 ‘맥박(pulse)’, ‘측정(measurement)’, ‘회차(session)’ 등 기본 생체징후 관련 키워드가 중심이었다. 이러한 분석 결과를 통해 각 시기별 평가소견의 서술 방식과 주제 경향의 차이를 확인할 수 있었다.

2.7 지역별 평가소견 비교분석과 의의

구급대원에 의한 서술형 평가소견은 단순한 출동 기록을 넘어 구급대원의 임상적 판단과 현장 상황이 반영된 중요한 질적 자료로서의 가치를 지니는 것으로 여겨진다. 이는 구급활동일지가 현장의 변화를 실질적으로 반영할 수 있는 의미 기반 데이터로서 활용될 가능성 있음을 시사한다.

본 연구는 진주소방서를 대상으로 한 선행연구 설계의 타당성과 시기 구분의 일관성을 확보하였을 뿐만 아니라, 해당 지역의 행정적 여건이나 응급의료 인프라가 연구 결과에 지역적 특성이 일정 부분 영향을 미쳤을 가능성에도 주목하였다(4). 모든 연구 대상 시기 동안 환자의 증상(Topic 1), 사고 원인(Topic 2), 환자관리(Topic 3)에 관한 경향성에는 지역에 따른 차이가 나타나지 않았다. 하지만, 상대적으로 도시화가 진행된 양산 지역에서 유행기와 일상회복기 동안 환자의 증상(Topic 1) 관련 비율이 43.4%, 43.8%로 진주 지역의 34.1%, 37.5%보다 현저히 높았다. 하지만, 환자 이송을 포함한 환자 관리에 해당하는 토픽(Topic 3)의 비율이 양산 지역보다 진주 지역에서 높은 비율을 나타내었다(32.0%, 26.9% vs. 33.4%, 28.7%). 즉, 진주 지역에서는 환자 관리나 이송에 대한 문제가 양산 지역보다 높다는 것을 의미한다(4). 이러한 분석 결과는 비슷한 인구 규모를 가지고 있는 지역임에도 불구하고 의료자원 접근성과 도시화 정도의 차이가 구급대원의 평가소견에 반영된 것으로 해석된다.

즉, 지역별 응급의료체계의 불균형이 구급활동 평가소견의 주제 분포와 내용에 영향을 미치고 있음을 시사한다. 따라서 향후 연구에서는 토픽 간의 공통점뿐 아니라 차이점을 보다 체계적으로 분석하여, 지역별 응급의료 여건의 편차가 구급대원의 업무 환경과 환자 관리에 어떤 영향을 미치는지 구체적으로 탐색이 필요하다. 특히 양산 지역의 경우 권역응급의료센터에 의료 기능이 집중되어 있어, 중소병원의 응급환자 수용 능력이 제한적이고 야간⋅주말 시간대의 병상 부족 현상이 빈번하게 나타난다. 이로 인해 환자 전원이나 이송지연이 반복되는 양상이 평가소견에도 확인되었다. 따라서 지역 내 응급의료 자원 확충과 의료기관 간 기능 분담 강화, 구급대-병원 간 실시간 정보 공유체계 활성화 등 지역 차원의 정책적 투자가 필요하다. 이러한 체계적 개선이 이루어진다면, 구급활동일지가 단순한 행정기록을 넘어 지역 응급의료체계 개선을 위한 근거자료로 활용될 수 있을 것이다. 부가적으로, 유행기에는 감염 대응 및 보호조치 중심의 기술이 증가하였고, 일상 회복기에는 혈당⋅체온⋅자가검사키트 등 환자 상태를 세밀하게 기술하는 임상정보 중심의 서술이 강화되었다. 이러한 변화는 구급대원이 단순한 처치 수행자를 넘어, 현장에서 환자의 임상 상태와 사회적 맥락을 통합적으로 판단하는 전문 인력으로 기능하고 있음을 보여준다. 결과적으로 평가소견이 지역의 의료환경과 사회적 변화를 반영하는 현장 근거 기반 자료로서 구급대원 업무 지원과 응급의료정책 수립에 기여할 수 있음을 시사한다.

그럼에도 불구하고, 평가소견은 구급대원이 자율적으로 작성하는 서술형 자료이므로, 기록자의 표현 습관이나 기술 방식에 따라 내용과 분량이 달라질 수 있다. 이러한 특성은 텍스트 정제 및 분석 과정에서 의미의 축소나 왜곡을 초래할 가능성을 내포하며, 연구자의 해석이 개입될 여지를 가진다. 더불어 본 연구는 키워드 및 토픽의 빈도 등 정량적 지표에 초점을 맞춘 분석을 수행하였기 때문에, 구급대원이 현장에서 경험하는 감정적 반응이나 윤리적 갈등, 업무 부담과 같은 정성적 맥락을 충분히 반영되지 못한 한계가 있다. 단어 출현 빈도만으로는 피로감⋅스트레스⋅정서적 소진 등 감정 상태를 계량화하기 어렵고, 정책과의 연계 또한 제한적으로 논의되었다는 점이 한계로 남는다.

향후 연구에서는 다양한 지역을 비교⋅분석하여 응급 현장의 지역별 특성과 평가소견 작성 경향을 체계적으로 파악할 필요가 있다. 감성분석이나 의미 네트워크 분석 등 정서적⋅윤리적 요소를 정량화할 수 있는 분석기법을 도입하고, 평가소견의 활용도를 높이기 위한 데이터 구조화 및 자동 기록 보조 시스템의 개발이 필요하다.

더 나아가, 구급활동 기록과 외부 행정자료의 연계를 통한 통합적 접근이 실현될 때, 정책 설계와 현장 지원체계는 실질적 개선을 이룰 수 있으며, 평가소견은 지역 응급의료정책의 방향과 우선순위를 제시하는 핵심 자료로 자리매김할 것이다.

3. 결 론

본 연구는 2018년부터 2023년까지 경상남도 양산소방서 119구급대가 작성한 구급활동일지 평가소견을 COVID-19 발생 이전(normal), 유행기(pandemic), 일상 회복기(endemic)로 구분하여, 텍스트 마이닝 기법으로 분석하였다. 형태소 정제, 키워드 추출, TF-IDF, LDA 토픽 모델링 등 정량⋅정성적 분석을 병행함으로써, COVID-19 전후 구급활동 평가소견의 양적 증가와 질적 변화를 체계적으로 파악하였다.

분석 결과, COVID-19 이후 평가소견의 분량이 통계적으로 유의하게 증가하였으며, pandemic 시기에는 감염대응 및 보호조치, 생활치료센터 연계 등 감염병 대응 중심의 기술적⋅조직적 내용이 부각된 반면, endemic 시기에는 혈당⋅체온⋅자가검사키트 등 환자 상태를 보다 세밀하게 기록하는 임상⋅생리 정보 중심의 내용이 강조되었다. 시기별 키워드와 토픽 변화는 평가소견이 단순한 응급처치 기록을 넘어 현장의 상황과 변화를 민감하게 반영하는 서술형 자료임을 입증하였다.

특히 반복 출동, 의료 기관 수용 한계, 감염병 대응 부담 등 구급대원의 실제 업무 환경과 부담이 평가소견에 직접적으로 드러난 점은, 정량화된 체크리스트나 통계 자료로는 포착하기 어려운 현장의 구조적 문제를 식별할 수 있는 중요한 단서를 제공한다. 이러한 결과는 구급대원 업무 지원 및 현장 정책 개선을 위한 실증적 근거자료로서 평가소견의 활용 가능성을 보여준다.

향후 서술형 자료의 구조화⋅분석 기술이 고도화되고, 도시와 농촌, 산간지역과 해안지역, 대형의료기관 인근과 응급의료 취약지 등 다양한 지역 특성을 아우르는 연구가 병행될 경우, 지역 특성과 감염병 상황의 변화에 대응한 맞춤형 응급의료정책 수립과 현장 지원체계 마련에 보다 실질적으로 기여할 수 있을 것이다. 또한 구급대원의 서술형 평가소견을 정례적으로 수집⋅분석하는 체계를 확립한다면, 현장의 문제점과 개선요구를 조기에 파악해 대응하는 피드백 루프를 형성함으로써 국민의 생명과 안전을 지키는 구급서비스의 질 향상에도 긍정적인 영향을 미칠 것으로 기대된다.