Predicting Under-Five Child Stunting Using Machine Learning and Probability Calibration: A Nationally Representative 2024/25 EDHS Study from Ethiopia

세계 여러 지역에서 아이의 키는 단순히 신체적 크기 그 이상의 이야기를 들려줍니다. 어린 아이가 연령에 비해 눈에 띄게 작을 때, 이는 만성 영양실조의 징후인 '발육 부진(stunting)'일 가능성이 높습니다. 이는 단순히 체구가 작은 문제가 아닙니다. 이는 아이의 뇌 발달, 학습 능력, 그리고 평생의 건강에 영향을 미칠 수 있는 장기적인 결핍의 지표입니다. 수십 년 동안 공중보건 요원들은 이러한 손상이 영구적으로 굳어지기 전에 어떤 아이들이 위험에 처해 있는지 식별하려고 노력해 왔습니다. 전통적으로 그들은 어머니의 교육 수준이나 가계 소득과 같은 요인들 사이의 직선적인 관계를 찾는 통계적 도구에 의존해 왔습니다. 하지만 인간의 건강이라는 현실은 결코 직선적이지 않습니다. 그것은 어머니의 체중, 가족이 마시는 물의 청결도, 그리고 아이의 연령이 예측 불가능한 방식으로 상호작용하는 복잡한 그물망과 같습니다. 공동체가 발육 부진이 시작되기 전에 이를 막고자 한다면, 이러한 얽힌 연결 고리를 이해하는 것이 필수적입니다.

에티오피아의 한 연구팀은 이러한 과제에 대해 전통적인 통계를 넘어 머신러닝이라 불리는 컴퓨터 학습 기술을 사용하는 새로운 접근 방식을 취했습니다. 그들은 주요 국가 보건 조사 기간 동안 수집된 전국 1만 명 이상의 아동 데이터를 분석했습니다. 데이터를 단순하고 경직된 공식에 억지로 끼워 맞추는 대신, 그들은 여섯 가지 서로 다른 컴퓨터 알고리즘을 훈련시켜 어떤 아이들이 발육 부진을 겪을 가능성이 높은지 예측하는 숨겨진 패턴을 찾아내도록 했습니다. 이 알고리즘들은 마치 서로 다른 유형의 탐정처럼 작동하며, 각기 독특한 방식으로 단서를 찾았습니다. 어떤 알고리즘은 단순한 규칙을 찾았고, 다른 알고리즘은 수십 가지 요인을 동시에 가중치로 두는 복잡한 결정 트리를 구축했습니다. 연구진은 컴퓨터가 미래의 지식을 이용해 과거를 예측하는 오류를 범하지 않도록, 어머니의 건강 상태나 가족의 생활 환경과 같이 아이의 성장이 측정되기 전부터 이미 가용한 정보만을 사용하도록 주의를 기울였습니다.

연구 결과, 더 복잡한 컴퓨터 모델이 전통적인 방식보다 위험군 아동을 훨씬 더 잘 포착하는 것으로 나타났습니다. 가장 성공적인 도구는 '그래디언트 부스팅(Gradient Boosting)'이라 불리는 정교한 알고리즘이었는데, 이는 작은 실수를 저지르고 이를 반복해서 수정하며 학습하는 방식을 취했습니다. 그러나 연구진은 이 강력한 도구에 결함이 있다는 점을 발견했습니다. 바로 예측에 있어 지나치게 확신을 가져, 실제와 일치하지 않는 극단적인 위험 점수를 부여한다는 것이었습니다. 이를 해결하기 위해 그들은 컴퓨터의 신뢰도를 부드럽게 조정하여, 80%의 예측 위험도가 실제로 83%의 발육 부진 확률을 의미하도록 만드는 '교정(calibration)' 과정을 적용했습니다. 이 조정을 거친 후, 모델은 매우 신뢰할 수 있는 가이드가 되었습니다. 이 모델은 발육 부진을 겪는 아동의 83% 이상을 정확히 식별해 냈으며, 동시에 발육 부진이 없는 아동의 86% 이상을 정확하게 제외했습니다.

이 연구는 발육 부진의 위험이 고르게 분포되어 있지 않고 명확한 패턴을 따른다는 것을 보여주었습니다. 컴퓨터는 아이가 나이가 들수록, 특히 1세에서 5세 사이에 위험이 크게 증가한다는 것을 학습했습니다. 또한 저체중인 어머니에게서 태어난 아이들, 가장 가난한 가구에 속한 아이들, 그리고 깨끗한 식수에 접근할 수 없는 아이들이 가장 높은 위험에 처해 있다는 사실도 밝혀냈습니다 설사병과 같은 최근의 질병 역시 강력한 경고 신호 역할을 했습니다. 결정적으로, 연구진은 이 컴퓨터 모델을 사용하는 것이 현장의 보건 요원들에게 실제로 도움이 될지를 테스트했습니다. 그들은 보건 요원들이 모든 가정을 방문하거나 혹은 아무도 방문하지 않는 대신, 이 모델을 사용하여 어떤 가정을 먼저 방문할지 결정함으로써 자원을 절약하고 더 많은 아이를 도울 수 있다는 것을 발견했습니다.

이 작업은 에티오피아와 유사한 지역의 공중보건을 위한 새로운 방향을 제시합니다. 에티오피아는 이미 정기적으로 가정을 방문하는 수천 명의 지역 사회 보건 요원을 고용하고 있습니다. 연구진은 이 요원들이 교정된 컴퓨터 모델을 기반으로 하는 간단한 모바일 애플리케이션을 사용할 수 있다고 제안합니다. 정기 방문 중에 보건 요원이 가족과 아이에 대한 몇 가지 기본적인 사실을 입력하면, 앱이 즉각적으로 위험 점수를 생성할 것입니다. 이를 통해 보건 요원은 가장 도움이 필요한 가정에 시간과 자원을 집중하여, 아이의 성장이 멈추기 훨씬 전부터 영양 상담이나 지원을 제공할 수 있습니다. 복잡한 데이터를 명확하고 실행 가능한 신호로 바꿈으로써, 이 접근 방식은 조기에 개입할 수 있는 실질적인 방법을 제공하며, 잠재적으로 발육 부진의 돌이킬 수 없는 영향을 예방하고 더 많은 아이가 건강하고 튼튼하게 자랄 기회를 제공합니다.