당신은 대학병원 간호부의 품질개선(QI) 팀 간호사로 활동하고 있습니다. 최근 병동에서 수술 후 환자의 통증 점수 관리가 효과적으로 이루어지고 있는지 평가하는 프로젝트를 진행 중입니다. 당신은 지난달 관절 치환술을 받은 환자 15명의 수술 후 24시간 시점의 통증 점수(Numeric Rating Scale, 0-10) 자료를 수집했습니다. 대부분의 환자 통증 점수는 잘 조절되어 2점에서 5점 사이에 분포하고 있습니다. 구체적인 데이터는 2, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5, 6, 6, 6점입니다.
이 데이터의 평균 통증 점수는 약 4.5점, 중앙값은 5점입니다. 이 수치는 수술 후 통증 관리가 적절하게 이루어지고 있음을 시사합니다. 팀 회의에서 당신은 이 결과를 보고합니다.
그런데 한 달 후, 추가로 5명의 환자 데이터가 더 들어왔고, 그 중 한 명의 환자가 특정 약물에 대한 내성으로 인해 극심한 통증을 호소하여 9점을 기록했습니다. 다른 네 명은 기존 패턴과 유사한 점수를 보였습니다. 이제 총 20명의 데이터(원래 15명 + 새 5명: 2,3,3,4,4,4,4,5,5,5,5,5,6,6,6, 4,4,5,5,9)가 되었습니다.
이때, 단순히 평균만 다시 계산하면 약 4.8점으로 상승합니다. 이 수치만 보면 "통증 관리 수준이 약간 악화되었다"는 오해의 소지가 있습니다. 하지만 중앙값을 계산해보면 변함없이 5점입니다. 이 상황에서 평균은 한 명의 극단값(9점)에 의해 왜곡되었지만, 중앙값은 여전히 대다수 환자의 전형적인 상태를 반영하고 있습니다.
실무에서의 교훈: 간호 품질 지표를 모니터링하거나 연구 데이터를 분석할 때, 평균값 하나에만 의존하면 안 됩니다. 특히 데이터에 아웃라이어가 있을 가능성이 있다면, 중앙값과 함께 데이터의 분포를 보여주는 상자 그림(Box plot) 등을 함께 사용하여 더 정확하고 탄력적인 해석을 해야 합니다. 이는 잘못된 결론에 기반한 비효율적인 간호 중재 계획을 수립하는 것을 방지하는 데 도움이 됩니다.