신경과 입원 환자 낙상 예측을 위한 인지 기반 머신러닝 모델

초록

본 연구는 급성 신경과 입원 환자 323명을 대상으로 인지·운동 검사와 인구통계 정보를 수집하고, 낙상 발생 여부를 예측하기 위해 머신러닝 모델을 개발하였다. Trail Making Test가 낙상 예측에 가장 강력한 단일 지표로 확인되었으며, 랜덤 포레스트 모델이 68 % 민감도와 90 % 특이도를 달성하였다.

상세 분석

이 논문은 급성 신경과 입원 환자군에서 낙상 위험을 인지·운동 기능 검사만으로 예측할 수 있는지 검증한다는 점에서 임상적 의의가 크다. 연구 설계는 전향적 관찰 코호트이며, 323명의 환자 중 54명이 입원 중 낙상을 경험했다. 주요 변수로는 Stroop, Trail Making, Semantic Fluency 등 세 가지 인지 검사와 Walk‑12 신체 기능 척도, 최근 낙상·수술·신체 기능에 관한 설문, 연령·성별·진단 등 인구통계학적 정보가 포함되었다.

데이터 전처리 단계에서 결측값 처리와 변수 정규화가 언급되지 않아 재현성에 의문이 제기된다. 또한 변수 선택 과정에서 일변량 분석만 수행하고 다중공선성을 검토하지 않은 점은 모델의 과적합 위험을 높일 수 있다. 모델링에서는 로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트 등 여러 알고리즘을 비교했으며, 랜덤 포레스트가 가장 높은 성능을 보였다. 특히 Trail Making Test만을 입력 변수로 사용했을 때도 최적의 성능을 유지한다는 결과는 변수의 파라미터 튜닝과 모델 복잡도 감소에 기여한다.

통계적 검증으로는 Wilcoxon signed‑rank test를 이용해 모델 간 차이를 평가했는데, 비모수 검정 선택이 적절했는지는 데이터 분포에 대한 설명이 부족하다. 모델의 민감도 68 %와 특이도 90 %는 임상 현장에서 활용 가능성을 시사하지만, 양성예측값이 60 %에 머무는 점은 실제 낙상 예방 전략에 적용할 때 오탐률이 높을 수 있음을 의미한다.

한계점으로는 단일 기관에서 수집된 데이터이므로 외부 검증이 부족하고, 환자군이 신경과 질환에 국한돼 일반 병원 인구에 대한 일반화가 어려운 점을 들 수 있다. 또한, 낙상 정의가 ‘입원 중 발생한 낙상’ 하나로 제한돼 낙상의 중증도나 원인 분석이 부족하다. 향후 연구에서는 다기관, 다인구집단 데이터를 활용한 외부 검증과 시간에 따른 위험도 변화를 모델링하는 것이 필요하다.