데이터 기반으로 재구성한 병원 낙상 위험 평가 도구의 해석 가능성 강화

초록

본 연구는 기존 Johns Hopkins Fall Risk Assessment Tool(JHFRAT)의 가중치를 제약 점수 최적화(CSO) 기법으로 재조정하고, 추가 EHR 변수와 결합해 예측 성능을 향상시켰다. CSO 모델은 AUC‑ROC 0.91을 기록했으며, 블랙박스 XGBoost(0.94)보다 라벨링 변동에 강인함을 보였다.

상세 분석

이 논문은 임상 현장에서 널리 사용되는 JHFRAT의 구조적 한계를 데이터‑드리븐 방식으로 보완하고자 한다. 저자들은 2022년 3월부터 2023년 10월까지 3개 병원의 54,209건 입원 데이터를 활용했으며, 고위험(20,208건)과 저위험(13,941건) 라벨을 ‘표적 중재 횟수 기반’으로 정의하였다. 라벨링은 실제 낙상 사건이 드물어 직접적인 ground‑truth를 얻기 어려운 상황을 고려해, 고위험군은 3일 연속 창에서 표적 중재가 6회 이상, 저위험군은 1회 이하인 경우로 설정했다.

핵심 방법론은 ‘Constrained Score Optimization(CSO)’이다. 이는 기존 JHFRAT의 18개 이진 항목을 그대로 유지하면서 가중치를 최적화하도록 제약을 두었다. 구체적으로, 각 도메인(연령, 약물, 장비 등) 내에서 위험 수준이 상승하면 가중치도 비감소하도록 순서 제약을 부여했으며, 비음수 제약을 통해 해석 가능성을 확보했다. 목표 함수는 로그우도와 두 개의 임계값(저위험/중위험·고위험) 사이의 일치를 가중합한 형태이며, 클래스 불균형을 완화하기 위해 가중치 정규화를 적용했다.

두 가지 모델을 구축했다. ‘Optimized CSO’는 기존 JHFRAT 변수만 사용했으며, ‘Augmented CSO’는 추가로 22개의 EHR 파생 변수(인구통계, AM‑PAC, JH‑HLM, 진단코드 등)를 포함했다. 결과적으로 두 모델의 AUC‑ROC 차이는 미미했으며, 이는 JHFRAT 자체가 이미 핵심 위험 요인을 충분히 포괄하고 있음을 시사한다.

블랙박스 대비 성능을 검증하기 위해 XGBoost 모델을 동일 데이터에 적용했으며, AUC‑ROC 0.94로 최고 성능을 보였지만 라벨링 민감도 분석에서 CSO보다 변동에 취약했다. 즉, CSO는 해석 가능성과 라벨링 불확실성에 대한 견고함을 동시에 제공한다.

또한 저자들은 라벨링 민감도 분석을 수행해 고위험 정의 기준을 4~8회 표적 중재로 변동시켰을 때 모델 성능이 크게 변하지 않음을 확인했다. 이는 제안된 CSO 프레임워크가 실제 임상 현장의 라벨링 불확실성을 잘 흡수한다는 증거다.

한계점으로는 낙상 사건 자체가 0.92%에 불과해 사건 기반 검증이 제한적이며, 라벨링이 ‘표적 중재 횟수’에 의존함으로써 실제 낙상 위험과 완전 일치하지 않을 수 있다는 점을 들었다. 향후 연구에서는 전자 의료 기록 외에 센서 기반 움직임 데이터 등을 통합해 라벨링을 정교화하고, 다기관 외부 검증을 통해 일반화 가능성을 검증할 필요가 있다.