본 연구는 2023년 노인실태조사 자료를 이용하였으며, 지역사회에 거주하는 만 65세 이상의 노인을 대상으로 하였다. 전체 대상자 10,078명 중 지난 1년간 낙상 경험이 있는 639명을 선정하여, 이 중 유효하지 않은 응답 27명을 제외하고 최종적으로 612명을 분석에 이용하였다.

종속변수는 재낙상 여부로, 지난 1년간 낙상 경험이 2회 이상인 경우를 재낙상으로 정의하여 분류하였다[21–25]. 독립변수는 선행연구에서 제시된 재낙상의 위험요인들을 바탕으로, 인구사회학적 요인, 건강상태 요인, 건강행태 요인, 기능상태 요인, 낙상 관련 요인, 환경적 요인으로 구분하였다.

분석에 사용된 612명의 자료에는 유효하지 않은 응답 27명을 제외한 것으로, 추가적인 결측값이나 이상값은 존재하지 않았다. 이를 바탕으로 범주형 변수는 인코딩을 통해 변환하였고, 연속형 변수는 스케일(scale) 차이를 보정하기 위해 평균 0, 표준편차 1로 변환하는 Standard-Scaler 기반의 표준화를 적용하였다.

본 연구는 대상자의 일반적 특성 및 재낙상 여부에 따른 집단 간 차이를 분석하기 위해 기술통계, 독립표본 t-검정, 카이제곱 검정을 시행하였으며, 통계적 유의수준은 p <0.05로 설정하였다. 재낙상 예측을 위해, 보건의료 분야의 선행연구를 바탕으로 예측 성능이 입증된 네 가지 알고리즘인 로지스틱 회귀, 랜덤포레스트, XGBoost, CatBoost (Cat-egorical Boosting)를 적용하였다. 로지스틱 회귀는 이진 분류에 적합한 선형 모델로, 해석이 직관적이며 변수 간 관계를 명확히 파악할 수 있어 예측 결과에 대한 설명력이 높은 모델로 평가된다[26]. 랜덤포레스트, XGBoost, CatBoost는 비선형 관계를 학습할 수 있는 트리 기반의 앙상블 알고리즘으로, 예측력과 과적합 방지 측면에서 우수한 성능을 보이는 것으로 알려져 있다[10,13]. 랜덤포레스트는 다수의 결정트리를 생성하고 그 결과를 평균 또는 다수결 방식으로 통합하는 배깅(bag-ging) 기반의 앙상블 학습 기법으로, 모델의 안정성과 과적합 완화에 강점을 가진다[27,28]. XGBoost는 약한 학습기를 순차적으로 결합해 성능을 향상시키는 부스팅(boosting) 기반의 앙상블 학습 기법으로, 모델 복잡도 제어와 병렬 처리 구조를 통해 대규모 데이터에서 높은 예측 성능과 빠른 처리 속도를 구현할 수 있다[29]. CatBoost는 범주형 변수 처리에 최적화된 부스팅 알고리즘으로, 복잡한 전처리 없이 안정적인 학습과 우수한 예측 성능을 나타낸다[30].

전체 데이터는 훈련용(70%)과 검정용(30%)으로 분할하였으며, 이후 데이터 불균형 문제를 해결하기 위해 실제 데이터 분포의 왜곡을 최소화하는 방식인 class_weight 옵션을 적용하여 가중치를 조정하였다. 각 모델은 훈련 데이터에서 5-fold 교차검증을 기반으로 하이퍼파라미터 튜닝을 통해 최적의 파라미터 조합을 탐색하였다. 최종 모델의 성능 평가는 정확도, 정밀도, 재현율, F1-score, AUC (area under the curve)-ROC (receiver operating characteristic) 곡선을 기준으로 비교하였으며, 최적의 모델을 활용하여 변수 중요도를 도출하였다. 모든 분석은 Python 3.12.4 및 관련 라이브러리를 활용하여 수행하였으며(Table 1), 머신러닝 기법의 적용에 대한 전체 흐름도는 다음과 같다(Figure 1).

전체 612명의 대상자 중 재낙상군은 241명, 1회 낙상군은 371명으로, 평균 연령은 재낙상군이 78.06세(±7.01), 1회 낙상군이 75.31세(±6.57) 로 재낙상군이 유의하게 높았다(p <0.001). 교육수준은 재낙상군에서 중졸 이하 비율이 높았고, 1회 낙상군에서는 고졸 이상 비율이 높았다(p <0.01). 평소 건강상태에 대해 ‘건강하지 않은 편이다’ 또는 ‘매우 건강하지 않다’고 응답한 비율은 재낙상군에서 더 높았고(p <0.001), 당뇨병과 좌골신경통이 있는 경우 또한 재낙상군에서 더 높았다(p <0.05). 만성질환 수는 재낙상군(3.68±1.99)이 1회 낙상군(3.02±1.71)보다 많았고(p <0.001), 우울 점수 또한 재낙상군(6.54±4.41)이 1회 낙상군(4.48±3.67)보다 높게 나타났다(p <0.001). 반면, 인지기능은 재낙상군(22.16±5.54)이 1회 낙상군(23.17±5.29)보다 낮게 나타났다(p <0.05). 처방약 수는 재낙상군(3.45±2.13)이 1회 낙상군(2.81±1.79)보다 많았고(p <0.001), 음주 빈도는 월 1-3회 음주는 1회 낙상군에서, 주 1회 이상 음주는 재낙상군에서 높았다(p <0.05). 영양관리는 ‘양호’하다고 응답한 비율이 1회 낙상군에서 더 높았고, 재낙상군에서는 ‘보통’ 또는 ‘불량’으로 응답한 비율이 높았다(p <0.05). 시력/청력/이동의 불편함, 계단 오르기, 300 m 이동은 재낙상군이 전반적으로 불편함을 더 많이 호소했으며(p <0.001), ADL과 IADL 역시 재낙상군에서 ‘도움 필요’ 응답 비율이 1회 낙상군보다 높았다(p <0.001). 낙상 이후 치료를 받지 않은 비율은 재낙상군에서 높았으며(p <0.001), 낙상의 원인으로 ‘신체적 요인’을 응답 비율 역시 재낙상군에서 더 높게 나타났다(p <0.001) (Table 2).

재낙상 예측을 위한 네 가지 모델의 성능을 비교한 결과, 전반적으로 트리 기반 모델이 로지스틱 회귀 모델에 비해 우수한 성능을 보였다(Table 3). 이 중 랜덤포레스트 모델은 정확도(0.71), 정밀도(0.75), F1-score (0.77), AUC (0.75) 등 대부분의 지표에서 높은 값을 보여, 가장 우수한 예측 성능을 나타냈다. XGBoost는 재현율(0.88) 측면에서는 가장 우수한 성능을 보였으나, 정확도(0.67), 정밀도(0.68), AUC (0.71)는 랜덤포레스트보다 낮아, 양성 클래스(재낙상)의 탐지에는 효과적이지만 전체적인 예측 성능의 균형은 상대적으로 미흡한 것으로 나타났다. CatBoost 역시 재현율(0.83)은 높았지만, 정확도(0.65), 정밀도(0.68), F1-score (0.75), AUC (0.72)에서는 XGBoost보다 다소 낮은 성능을 보였다. 반면, 로지스틱 회귀 모델은 정밀도(0.71)를 제외한 대부분의 지표에서 가장 낮은 성능을 보였으며, 특히 F1-score (0.65)와 AUC (0.66)가 다른 모델에 비해 현저히 낮아, 예측력 측면에서 제한적인 성능을 나타냈다. 모델 성능의 안정성 확인을 위해 5-fold 교차검증을 실시한 결과, 평균 정확도는 랜덤포레스트 0.68 (±0.05), XGBoost 0.64 (±0.03), CatBoost 0.65 (±0.07), 로지스틱 회귀 0.68 (±0.04)로 나타났으며, 이는 검정 데이터에서 관찰된 성능과 유사한 경향을 보였다.

각 모델의 AUC와 ROC 곡선은 Figure 2에 제시되어 있으며, 특히 FPR (false positive rate)이 약 0.2 내외인 구간을 제외한 전 구간에서 랜덤포레스트가 가장 높은 TPR (true positive rate)을 보였다. 추가적으로, DeLong 검정을 통해 랜덤포레스트를 기준으로 다른 모델들과의 AUC 차이를 비교한 결과, XGBoost와 CatBoost는 통계적으로 유의하지 않았으나, 로지스틱 회귀 모델과는 유의한 차이를 보였다(p <0.001). 즉, 랜덤포레스트가 수치적으로 가장 우수한 AUC를 보였으나, 다른 트리 기반 모델들과의 성능 차이는 뚜렷하지 않았다.

Figure 3은 랜덤포레스트를 기준으로 산출한 변수 중요도를 시각화한 것이다. 분석 결과, 연령이 가장 높은 중요도를 보였으며, 우울, 낙상 후 치료 여부, 인지기능, 낙상 원인, 만성질환 수, 처방약 수, 평소 건강상태 순으로 높은 기여도를 나타냈다.