Explainable Machine Learning Framework for Predicting Cardiometabolic Risk Using Meal Timing and Eating Habits

기술 요약: 식사 시간 및 식습관을 이용한 심혈관계 대사 위험 예측을 위한 설명 가능한 머신러닝 프레임워크

문제 제기
전통적인 심혈관계 대사 위험 평가 전략은 주로 정적인 인체 계측 및 임상 지표(예: BMI, 혈압)와 식이 내용에 의존하며, 식습食 행동의 시간적 차원을 간과하는 경우가 많습니다. 식사 시간과 규칙성이 생체 리듬 정렬(특히 이를 통한 대사 건강 영향)을 통해 대사 건강에 유의미한 영향을 미친다는 최신 크로노 뉴트리션(chrono-nutrition, 시간 영양학) 연구가 부상하고 있음에도 불구하고, 이러한 요소들은 예측 모델에 거의 통합되지 않고 있습니다. 또한, 기존의 통계 기법은 행동 패턴과 대사 결과 사이의 복잡하고 비선형적인 관계를 포착하는 데 한계가 있습니다. 아울러, 고급 머신러닝(ML) 모델의 '블랙박스' 특성은 의료진이 중재를 가이드하기 위해 필요한 해석 가능한 통찰력을 제한하여 임상적 효용성을 떨어뜨립니다.

방법론
본 횡단적 연구는 300명의 성인 데이터를 분석하였으며, 인구통계학적, 인체 계측(BMI, 허리-엉덩이 비율), 임상(혈압) 및 크로노 뉴트리션 데이터(식사 시간, 빈도, 규칙성 및 행동 인식)를 통합하였습니다.

• 데이터 전처리 및 피처 엔지니어링: 결측치는 평균 또는 최빈값을 사용하여 대체하였고, 원시 데이터를 정제하였습니다. 범주형 변수는 인코딩되었으며, 서열 변수는 수치적으로 정렬되었습니다. 행동적 가변성을 정량화하기 위해 새로운 피처인 서카디안 미스얼라이먼트 점수(Circadian Misalignment Score), 식사 시간 가변성 지수(Meal Timing Variability Index), *식단 품질 지수(Diet Quality Index)*를 생성하였습니다. 연속형 예측 변수는 Z-점수 정규화 및 왜도 분포에 대한 로그 변환을 거쳤습니다.
• 모델 개발: 세 가지 지도 학습 알고리즘인 로지스틱 회귀(LR), 랜덤 포레스트(RF), XGBoost를 개발하고 비교하였습니다.
  • LR: L1, L2 및 엘라스틱 넷 규제(최적 $C=1.0$)를 적용하여 테스트하였습니다.
  • RF: 편향과 분산의 균형을 맞추기 위한 특정 분할 기준과 함께 500개의 트리, 최대 깊이 20으로 구성되었습니다.
  • XGBoost: 학습률 0.05, 최대 깊이 6, 서브샘플링 비율 0.8, 규제 매개변수 $\alpha=0.1, \lambda=1$을 사용하여 그리드 서치를 통해 미세 조정되었습니다.
• 검증 및 해석 가능성: 모델은 중첩된 10-겹 층화 교차 검증(nested 10-fold stratified cross-validation)을 통해 평가되었습니다. 성능 지표로는 AUC-ROC, 정확도, 정밀도, 재현율, F1-score 및 보정(calibration)을 위한 Brier score가 사용되었습니다. 해석 가능성을 보장하기 위해, 최적의 성능을 보인 모델에 SHAP(Shapley Additive Explanations)을 적용하여 피처의 기여도를 정량화하고 실행 가능한 행동 동인을 식별하였습니다.

주요 결과

• 모델 성능: XGBoost 모델이 AUC-ROC 0.98, 정확도 93%, 정밀도 92%, 재현율 91%, F1-score 0.92를 달성하며 탁월한 성능을 보였습니다. 또한 Brier score 0.03로 가장 우수한 보정력을 나타냈습니다. 랜덤 포레스트가 AUC 0.94 및 정확도 89%로 그 뒤를 이었으며, 로지스틱 회귀는 AUC 0.92 및 정확도 87%를 기록했습니다.
• 위험 예측 인자:
  • 생리학적 요인: 허리-엉덩이 비율(WHR)과 BMI가 여전히 가장 중요한 생리학적 예측 인자로 나타났습니다(각각 OR 4.39 및 2.74).
  • 행동/크로노 뉴트리션 요인: SHAP 분석 결과, 늦은 저녁 식사 시간(OR = 2.5), 불규칙한 식사 시간(OR = 1.6), 권장 식사 빈도 준수 부족(OR = 1.8)이 심혈관계 대사 위험의 주요 독립적 예측 인자로 식별되었습니다.
  • 보호 요인: 식사 빈도의 증가와 식사 시간의 중요성에 대한 높은 인식은 위험 감소와 관련이 있었습니다.
• 상호작용: 본 연구는 높은 WHR 또는 BMI를 가진 개인이 불규칙한 식사 패턴과 늦은 밤 식사에 의해 더 부정적인 영향을 받는다는 복합적인 효과를 발견하였으며, 이는 서카디안 미스얼라이먼트가 대사 취약성을 악화시킨다는 것을 시사합니다.

주요 기여

1. 크로노 뉴트리션의 통합: 본 연구는 식사 시간 및 규칙성을 예측 ML 프레임워크에 성공적으로 통합하였으며, 이러한 시간적 요소들이 전통적인 인체 계측치를 넘어 유의미한 예측 가치를 제공함을 입증하였습니다.
2. 설명 가능한 AI 프레임워크: 고성능 앙상블 학습(XGBoost)과 SHAP을 결합함으로써, 예측 정확도와 임상적 해석 가능성 사이의 간극을 메웠습니다. 이는 복잡한 모델 출력을 구체적이고 수정 가능한 행동 목표(예: 늦은 저녁 피하기, 규칙성 유지)로 변환합니다.
3. 인식의 요인으로서의 식별: 본 연구는 "식사 시간 인식"이 체격이나 음식의 질과는 독립적인 보호적 행동 요인임을 강조하며, 이는 대사 조절에 대한 인지적 구성 요소가 존재함을 시사합니다.

의의 및 주장
본 논문은 식사 시간과 행동적 규칙성을 설명 가능한 머신러닝 모델에 통합하는 것이 심혈관계 대사 위험 예측의 정확도를 크게 향 향상시킨다고 주장합니다. 저자들은 XGBoost-SHAP 프레임워크가 높은 예측 성능을 제공할 뿐만 아니라, 신체 구성과 식사 리듬 사이의 상호작용을 밝혀낸다고 단언합니다.

결정적으로, 본 연구는 식사 시간 인식이 공중 보건 중재를 위한 저비용, 확장 가능하며 수정 가능한 목표라고 상정합니다. 연구 결과는 음식 섭취를 신체의 자연스러운 생리적 주기(특히 늦은 저녁 식사 방지 및 불규칙한 일정 유지)와 동기화하는 것이 심혈관계 질환의 장기적 예방을 위한 효과적인 전략이 될 수 있음을 시사하며, 이는 정상 BMI를 가진 개인에게도 적용될 수 있습니다. 저자들은 이러한 행동적 중재가 반드시 엄격한 식단 제한을 요구하지 않고도 현대의 불규칙한 라이프스타일 속에서 대사적 영향을 완화할 수 있다고 강조합니다.

참고: 본 문서는 프리프린트(preprint)로서, 저자들은 본 연구가 동료 검토(peer review)를 거치지 않았으며 임상 실무를 가이드하는 데 사용되어서는 안 된다고 명시하고 있습니다.