Predicting poor physical fitness among university students using five-year repeated campus surveillance data: development and temporal validation of a risk model

피트니스 예보: 당신의 몸이 가진 "골디락스 존"이 중요한 이유

당신이 날씨를 예측하려고 노력한다고 상상해 보십시오. 단순히 한 시간 동안 하늘만 바라보지는 않을 것입니다. 온도, 습도, 풍속을 확인하고, 이러한 요소들이 며칠 또는 몇 주에 걸쳐 어떻게 변하는지도 확인할 것입니다. 건강 과학의 세계에서 연구자들은 "신체적 적합성(physical fitness)"을 연구할 때 이와 유사한 일을 수행합니다. 이것은 단순히 1마일을 얼마나 빨리 달릴 수 있느냐의 문제가 아닙니다. 이것은 심장의 강인함부터 기분, 심지어 학교나 직장에서의 성과에 이르기까지 당신의 미래 건강을 암시하는 강력한 수정구슬입니다.

오랫동안 과학자들은 체질량 지수(BMI)라는 특정 숫자에 집착해 왔습니다. BMI를 저체중, 정상 체중, 과체중 또는 비만을 측정하는 간단한 자라고 생각하십시오. 과거의 이야기는 꽤 단순했습니다. "너무 무거운 것은 체력에 나쁘다"는 것이었죠. 하지만 삶은 결코 직선이 아닙니다. 때로는 너무 가벼운 것도 까다로울 수 있습니다. 이 논문은 더 나은 "날씨 예보"를 구축할 수 있는지 알아보기 위해 대학생들의 방대한 5개년 데이터 보물을 파헤칩니다. 단일 스냅샷을 찍는 대신, 그들은 동일한 학생들을 지속적으로 관찰하여 그들의 기록을 연관성 없는 사진 더미가 아닌 연속적인 영화처럼 다루었습니다. 그들은 알고 싶었습니다: 테스트가 실시되기도 전에 누가 체력 문제로 어려움을 겪을지 예측할 수 있는가? 그리고 "완벽한" 체중은 실제로 좁은 최적의 지점인가, 아니면 위험이 양쪽 끝에 도사리고 있는가?

5년간의 피트니스 영화

이 연구는 마치 시간 여행을 하는 탐정 이야기와 같습니다. 하지만 범죄를 해결하는 대신, 탐정들은 학생들의 체력이라는 미스터리를 풀려고 합니다. 연구진은 중국의 한 대학교에서 2020년부터 2024년까지 5년 연속 데이터를 수집했습니다. 그들은 45,000명 이상의 고유한 학생들의 기록을 보유하고 있었으며, 총 107,000건 이상의 테스트 결과를 가지고 있었습니다. 익명의 ID 번호가 있었기 때문에, 그들은 동일한 학생들을 매년 추적하며 학생들이 나이가 들고 신체가 변화함에 따라 체력이 어떻게 변하는지 관찰할 수 있었습니다.

목표는 "위험 모델" 즉, 일종의 디지털 수정구슬을 만드는 것이었습니다. 그들은 학생이 체력 테스트를 받기 전에 학생의 기본 정보(성별, 연령, 학년, BMI 등)를 보고 낙제 여부를 예측할 수 있는 도구를 만들고자 했습니다. 여기서 "저조한 체력(poor fitness)"의 정의는 엄격했습니다: 국가 학생 체력 표준 점수 60점 미만입니다.

"골디락스"의 발견

연구진이 숫자를 계산하기 시작했을 때, 그들은 기존의 "살만 빼라"는 서사에 도전하는 흥미로운 사실을 발견했습니다. 그들은 BMI와 체력 사이의 관계가 직선이 아니라 "J" 모양임을 발견했습니다.

가운데가 가장 안전하게 앉을 수 있는 곳인 시소(seesaw)를 상상해 보십시오. 연구 결과, "정상" BMI(18.5에서 23.9 사이)를 가진 학생들은 체력 테스트에서 낙제할 위험이 가장 낮았습니다. 하지만 반전은 여기에서 일어납니다. 위험은 무거운 쪽으로만 올라가는 것이 아니었습니다. 가벼운 쪽에서도 위험이 올라갔습니다.

• 저체중 학생들은 정상 체중인 학생들에 비해 저조한 체력을 가질 확률이 1.54배 높았습니다.
• 과체중 학생들은 어려움을 겪을 확률이 2.68배 높았습니다.
• 비만 학생들은 엄청난 위험에 처해 있었는데, 저조한 체력을 가질 확률이 7.58배나 높았습니다.

연구진은 이 과정을 지도하기 위해 "제한적 삼차 스플라인(restricted cubic spline)"이라는 특별한 수학적 도구를 사용했습니다. 이는 이 그룹의 학생들에게 가장 낮은 위험이 BMI 약 20 kg/m² 부근에서 발견되었으며, "안전 지대"는 대략 19에서 21 kg/m²까지 뻗어 있다는 것을 보여주었습니다. 여기서 저자들은 매우 주의를 기울이고 있습니다: 이것은 이 그룹의 학생들을 위한 인구 통계학적 참조치이며, 마치 평균적인 지형을 보여주는 지도와 같습니다. 이것은 개별 학생에게 정확히 20 kg/m²를 목표로 하라는 개인적인 지침이 아닙니다. 그것은 단지 평균적으로 이 그룹의 체력을 위한 "골디락스 존"이 바로 그 중간 범위에 있으며, 너무 가볍거나 너무 무거운 양 극단에 문제가 기다리고 있음을 시사할 뿐입니다.

수정구슬: 예측은 얼마나 정확했는가?

팀은 낙제를 예측하기 위해 두 가지 서로 다른 모델을 구축했습니다.

모델 A: 사전 테스트 스캐너
이 모델은 학생이 트랙 위에 올라서기 전에 이용 가능한 정보, 즉 성별, 연령, 학년, 연도 및 BMI만을 사용했습니다.

• 결과: 모델이 구축된 기간(2020~2023년) 동안, 이 모델은 적절하게 역할을 수행했으며, 체력이 좋은 학생과 좋지 않은 학생을 약 75.5%의 확률(AUC 0.755)로 정확히 구별해 냈습니다.
• 현실 점검: 이 모델을 (보지 못한 미래의 데이터인) 2024년 데이터에 적용했을 때, 정확도는 67.5%로 떨어졌습니다. 왜일까요? "날씨"가 변했기 때문입니다. 2024년에는 실제로 테스트에서 낙제한 학생이 적었습니다(이전의 높은 비율에 비해 5.1%에 불론). 모델이 낙제자가 더 많았던 해를 바탕으로 훈련되었기 때문에, 실제보다 더 많은 학생이 낙제할 것이라고 예측하는 "과잉 예측(over-prediction)" 현상이 나타났습니다. 이는 모델이 실제보다 더 많은 경보를 울리기 시작했음을 의미합니다. 저자들은 이를 "과잉 예측"이라고 부릅니다. 이는 아무리 좋은 모델이라도 세상이 변하면 재보정(recalibration)이 필요하다는 점을 상기시켜 줍니다. 그러나 이 모델은 낙제하지 않을 학생을 식별하는 데 매우 뛰어났으며(높은 음성 예측도), 이는 학생들을 분류하는 데 유용합니다.

모델 B: 부정행위(?)를 저지른 수정구슬
연구진은 또한 실제 체력 테스트 결과(예: 달리기 속도나 점프 거리)를 예측 변수로 포함하는 두 번째 모델을 시도했습니다.

• 결과: 이 모델은 94.5%의 정확도로 거의 완벽했습니다.
• 함정: 저자들은 이것이 "순환적(circular)"이라고 명시적으로 경고합니다. 이것은 마치 경주가 시작되기도 전에 결승선 통과 시간을 보고 우승자를 예측하려는 것과 같습니다. 이러한 체력 구성 요소들이 최종 점수의 일부이기 때문에, 모델은 단지 자신이 찾아내야 할 답을 반복하고 있을 뿐입니다. 그들은 이것을 실제 도구가 아니라 이론적으로 가능한 수준을 보여주는 "상한 참조치"로서 보고했습니다.

이것이 현실 세계에 의미하는 바

이 연구는 우리가 위험에 처한 학생을 식별하는 도구를 구축할 수는 있지만, 그것이 마법 지팡이는 아니라고 결론짓습니다. 가장 정직한 교훈은 저체중과 비만 모두 신체적 적합성 저하와 연결되어 있으며, 위험 곡선은 J자 형태라는 것입니다.

저자들은 대학이 비만에만 집중해서는 안 된다고 제안합니다. 대학은 이중의 위험에 처해 있는 저체중 학생들에게도 관심을 기울여야 합니다. "사전 테스트" 모델(모델 A)은 학교가 학생들이 트랙에 들어서기도 전에 추가 지원이나 평가가 필요한 학생을 식별하는 데 도움이 되는 유용한 도구가 될 수 있습니다. 그러나 모델은 완벽하지 않습니다. 학생들의 현재 체력 수준에 맞게 매년 조정(재보정)되어야 합니다.

요약하자면, 이 논문은 5년간의 데이터를 사용하여 체력이란 두 극단에 주의가 필요한 복잡한 이야기임을 보여줍니다. 또한 학생들을 지속적으로 관찰하는 것이 단일 스냅샷보다 더 명확한 그림을 제공한다는 것을 증명하는 동시에, 예측은 구축된 데이터만큼만 정확하며 정확성을 유지하기 위해 끊임없이 업데이트되어야 한다는 점을 경고합니다.