기술 요약: 머신러닝을 이용한 대학생의 고당류 음료 섭취 관련 주요 요인 예측 및 식별

문제 정의

설탕이 함유된 음료(탄산음료 등)의 과도한 섭취는 비만, 대사 장애 및 비전염성 질환과 연관된 심각한 공중보건 문제로 부상하고 있다. 기존 연구들은 탄산음료 섭취와 다양한 인구통계학적, 행동적, 태도적 요인 사이의 연관성을 입증해 왔으나, 대부분의 연구는 전통적인 통계적 접근 방식(예: 로지스틱 회귀분법)에 의존해 왔다. 이러한 전통적 방법은 다차원 데이터 세트 내의 복잡하고 비선형적인 상호작용을 포착하는 데 한계가 있다. 또한, 식이 전환기를 겪고 있는 방글라데시 대학생들의 높은 탄산음료 섭취를 결정짓는 구체적인 예측 인자에 대한 이해가 부족한 실정이다. 본 연구는 단순히 연관된 요인을 식별하는 것을 넘어, 소비자 유형을 분류하고 이 맥락에서 머신러닝 알고리즘의 예측 성능을 평가하는 필요성을 다룬다.

연구 방법론

연구 설계 및 데이터 수집

• 설정: 방글라데시 마울라나 바샤니 과학기술대학교(MBSTU)에서 수행된 단면 연구.
• 대상: 편의 추출법을 통해 모집된 학부생 450명 (1~5학년).
• 데이터 수집: 2024년 12월, 구조화된 설문지를 사용한 대면 인터뷰 실시.
• 결과 변수: 탄산음료 섭취 수준을 Scully 등(2017)이 제안한 기준에 따라 이분화함:
  • 고섭취군 (High Consumption): 주당 1리터 이상.
  • 정상 섭취군 (Normal Consumption): 주당 1리터 미만.
• 예측 변수: 네 가지 범주로 분류된 12개의 독립 변수:
  • 인구통계학적: 연령, 학년, 혼인 여부.
  • 습관적: 흡연 상태, 알코올 섭취.
  • 태도적: 인공 향료/색소, 보존제, 지방 함량 및 맛에 대한 신념.
  • 주제적: 생과일 주스와 탄산음료를 동일시하는 인식, 두 음료의 건강함에 대한 인식, 인지된 건강 문제.

분석 접근 방식

본 연구는 이중 방법론을 채택하였다:

1. 전통적 통계: 단변량 및 이변량 분석(카이제곱 검정)과 다변량 로지스틱 회귀 분석을 사용하여 연관성과 오즈비(OR)를 추정하였다.
2. 머신러닝 (ML): 섭취 수준을 예측하기 위해 7개의 지도 학습 분류 알고리즘을 훈련 및 테스트하였다. 데이터셋은 70%의 훈련 데이터와 30%의 테스트 데이터로 분할되었다. 사용된 알고리즘은 다음과 같다:
   • k-최근접 이웃 (k-Nearest Neighbors, KNN)
   • 선형 판별 분석 (Linear Discriminant Analysis, LDA)
   • 분류 및 회귀 나무 (Classification and Regression Tree, CART)
   • 로지스틱 회귀 (Logistic Regression, LR)
   • 나이브 베이즈 (Naïve Bayes, NB)
   • 서포트 벡터 머신 (Support Vector Machine, SVM)
   • 랜덤 포레스트 (Random Forest, RF)

성능 지표

모델은 정확도(Accuracy), 민감도(Sensitivity), 특이도(Specificity), 정밀도(Precision), 그리고 ROC 곡선 아래 면적(AUC)을 사용하여 평가되었다. 변수 중요도는 랜덤 포레스트의 최소 깊이(minimal depth) 지표를 사용하여 평가하였다.

주요 결과

유병률 및 연관성

• 유병률: 참가자의 33.6%가 고탄산음료 섭취자로 분류되었다.
• 통계적 연관성: 섭취 수준과 모든 인구통계학적, 습관적, 주제적, 태도적 변수 사이에 유의미한 상관관계($P < 0.05$)가 발견되었다.
• 로지스틱 회귀: 다변량 분석 결과 흡연 상태(OR = 3.31), 알코올 섭취(OR = 2.76), 학년(특히 2학년 및 4학년), 혼인 여부, 그리고 특정 태도적 신념이 유의미한 예측 인자로 확인되었다.

머신러닝 성능

• 최우수 모델: **랜덤 포레스트 (RF)**가 다른 모든 알고리즘보다 우수한 성능을 보였다.
  • 정확도: 77.04% (95% CI: 0.6902–0.8383)
  • AUC: 0.8460
  • 민감도: 95.40%
  • 특이도: 43.75%
  • 정밀도: 75.45%
• 비교: SVM과 KNN은 더 높은 민감도(각각 97.70%, 92.92%)를 기록했으나, 특이도가 현저히 낮았다(각각 31.25%, 22.92%). 나이브 베이즈는 가장 높은 정밀도(76.84%)를 보였다.
• 변수 중요도: 랜덤 포레스트의 최소 깊이 분석을 통해 두 가지 핵심 예측 인자가 식별되었다:
  1. 흡연 상태 (평균 최소 깊이 = 2.02)
  2. 학년 (평균 최소 깊이 = 2.07)

주요 기여

1. 비교 머신러닝 분석: 본 연구는 탄산음료 섭취 분류를 위한 7가지 서로 다른 머신러닝 알고리즘을 직접 비교함으로써, 앙상블 방법(랜덤 포레스트)이 이 특정 인구 집단에서 전통적인 로지스틱 회귀 및 기타 분류기보다 우수한 예측 정확도와 변별력(AUC)을 제공함을 입증하였다.
2. 핵심 예측 인자 식별: 표준 통계적 연관성을 넘어, 본 연구는 ML 기반의 특징 중요도를 활용하여 흡연 상태와 학년을 주요 동인으로 지목하였으며, 이는 건강하지 못한 생활 습관의 군집화와 대학 생활의 전환기적 영향을 시사한다.
3. 맥락적 근거 제공: 본 연구는 데이터가 제한적인 지역인 방글라데시 대학생들의 탄산음료 섭취 패턴 및 예측 모델링에 관한 문헌의 공백을 메운다.

의의 및 주장

저자들은 머신러닝 접근법을 전통적인 역학 분석과 통합하는 것이 복잡한 소비 행동에 대한 이해를 높인다고 주장한다. 본 연구는 다음과 같이 상정한다:

• 고탄산음료 섭취는 방글라데시 대학생들 사이에서 흔한 문제이며, 표적 개입이 필요하다.
• 머신러닝 모델, 특히 랜덤 포레스트는 행동 및 인구통계학적 프로필을 바탕으로 위험군 학생을 효과적으로 식별할 수 있다.
• 탄산음료 섭취와 다른 위험 행동(흡연, 음주) 사이의 강한 연관성은 예방 전략이 이러한 행동들을 개별적이 아닌 하나의 군집으로서 다루어야 함을 시사한다.

한계 및 겸허한 태도

논문은 결과의 일반화 가능성을 제한하는 몇 가지 한계점을 명시적으로 인정하였다:

• 설계: 단면 연구의 특성상 인과 관계를 추론할 수 없다.
• 표집: 단일 대학에서의 편의 추출법을 사용했으므로 방글라데시의 다른 지역이나 기관 전체를 대표하기에는 한계가 있다.
• 데이터 품질: 자기 보고식 데이터는 회상 편향(recall bias) 및 사회적 바람직성 편향(social desirability bias)을 유발할 수 있다.
• 범위: 신체 활동, 상세한 식단 패턴 또는 사회경제적 지위와 같은 잠재적 요인들을 평가하지 않았다.
• 검증: 데이터셋 규모가 작고 독립된 표본에 대한 외부 검증이 부족하므로, 모델을 실제 현장에 적용하기 전 추가적인 테스트가 필요하다.

저자들은 랜덤 포레스트 모델이 유망하지만, 이러한 예측 모델을 검증하고 더 강력한 인과 관계를 확립하기 위해서는 더 큰 표본을 가진 다기관 종단 연구가 필요하다고 결론지었다.