Interpretable Machine Learning for Identifying High SBS-Related Symptom Burden Among Endoscopy-Center Staff: A Multicenter Cross-Sectional Study Across 184 Hospitals

기술 요약: 내시경 센터 직원의 높은 SBS 관련 증상 부담 식별을 위한 해석 가능한 머신러닝

문제 정의
내시경 센터 직원들은 화학 소독제(예: 글루타르알데히드, 오르토-프탈알데히드), 생물학적 위험 요소, 에어로졸에 대한 만성적 노출로 인해 복합적인 직업 건강 위험에 직면해 있다. 기존 연구들이 진단된 질병에 초점을 맞추어 온 반면, 근로자들은 명백한 질병 발생 전 단계에서 지속적이고 비특이적인 불편함(피로, 자극, 수면 장애 등)을 경험하곤 한다. 건물 증후군(Sick Building Syndrome, SBS) 관련 증상으로 특징지어지는 이러한 상태는 화학적 노출, 실내 공기 질, 심리사회적 스트레스 간의 상호작용이 결합된 다요인적 현상이다. 기존 연구들은 단일 노출 요인, 단일 센터 설계, 그리고 현실 세계의 직업 데이터가 가진 비선형적, 고차원적, 상관적 특성을 처리하기 어려운 전통적인 선형 모델에 국한되어 있다는 한계가 있다. 따라서 고위험군 개인을 식별하고 조기 개입을 위한 실행 가능한 결정 요인을 파악하기 위한 다차원적 접근 방식이 필요하다.

연구 방법론
본 연구는 중국 5개 성, 184개 병원의 내시경 센터 직원을 대상으로 한 319건의 유효한 설문지를 활용하여 다기관 단면 설계(multicenter cross-sectional design)를 채택하였다.

• 데이터 수집 및 결과 정의: 구조화된 설문지를 통해 인구통계학적 특성, 생활 방식, 건강 상태, 작업 환경 및 업무 관련 인식을 조사하였다. 주요 결과 변수는 지난 2주 동안 보고된 29가지 증상 항목(안구, 호흡기, 신경계/수면, 피부, 위장관계/정서적 증상)으로부터 도출된 "총 SBS 관련 증상 부담 점수"이다. 점수는 표본 특이적 75백분위수(P75 = 24.5)를 사용하여 "높은 증상 부담" 그룹(점수 ≥ 24.5)과 "낮은 부담" 그룹으로 이분화하였다.
• 특성 선택(Feature Selection): 초기 후보 변수 풀에서 가장 예측력이 높은 변수를 선택하기 위해 서포트 벡터 머신(SVM)을 기본 추정기로 사용하는 재귀적 특성 제거(Recursive Feature Elimination with Cross-Validation, RFECV)를 수행하였다. 이 과정을 통해 특성 집합을 12개로 줄였으며, SHAP 중요도 분석을 통해 중요도가 0인 성별 및 음주 여부를 제외하여 최종적으로 10개의 변수를 정제하였다.
• 모델링 전략: 5-겹 교차 검증(five-fold cross-validation)을 사용하여 9가지 지도 학습 알고리즘(XGBoost, 로지스틱 회귀, LightGBM, 랜덤 포레스트, AdaBoost, KNN, SVM, 결정 트리, GBDT)을 비교하였다. 하이퍼파라미터는 그리드 탐색(grid search)을 통해 튜닝되었다. 독립 검증 폴드에서 우수한 곡선 아래 면적(AUC)과 보정 성능(가장 낮은 Brier 점수)을 보인 로지스틱 회귀가 최종 모델로 선정되었다.
• 해석 가능성: 최종 모델은 전역적(인구 수준의 중요도) 및 개별적 수준에서 특성의 기여도를 정량화하기 위해 SHAP(SHapley Additive exPlanations)을 사용하여 해석되었다.
• 검증: 데이터셋을 훈련 세트(70%)와 독립 테스트 세트(30%)로 분할하였다. 모델 성능은 AUC, 정확도, 민감도, 특이도, 양성/음성 예측도, F1 점수 및 코헨 카파(Cohen's kappa)를 사용하여 평가하였다.

주요 결과

• 참가자 특성: 코호트는 주로 여성(93.7%)이었으며 중앙값 연령은 34세였다. 높은 증상 부담 그룹(참가자의 25.1%)은 낮은 부담 그룹에 비해 작업장 온도, 습도 및 신선한 공기에 대한 만족도가 유의하게 낮았고, 직무 스트레스가 높으며 수면의 질이 더 낮은 것으로 나타났다.
• 모델 성능: 로지스틱 회귀가 가장 우수한 성능을 보였다. 독립 테스트 세트에서 모델은 다음과 같은 성과를 달었다:
  • AUC: 0.891
  • 정확도: 0.823
  • 민감도: 0.750
  • 특이도: 0.847
  • 음성 예측도 (NPV): 0.910
  • 양성 예측도 (PPV): 0.621
  • F1 점수: 0.679
  • 코헨 카파 (Cohen's Kappa): 0.558
    모델은 좋은 보정 성능(Brier 점수: 0.113)을 보였으며, 결정 곡선 분석(decision curve analysis)은 광범위한 임계 확률 범위에서 "전원 치료(treat-all)" 또는 "치료 없음(treat-none)" 전략보다 순이익(net benefit)이 높음을 나타냈다.
• 주요 예측 요인 (SHAP 분석): 높은 증상 부담에 대한 가장 영향력 있는 예측 요인은 다음과 같았다:
  1. 작업장 냄새 (가장 높은 영향력)
  2. 인지된 공기 질
  3. 동료의 유사 증상
  4. 직무 스트레스
  5. 신선한 공기 공급에 대한 만족도
     기타 유의미한 요인으로는 수면의 질, 가정 내 환기, 수면 시간, 증상으로 인한 병원 방문, 기저 질환 등이 포함되었다. 분석 결과, 부정적인 조건(예: 강한 냄새, 열악한 공기 질, 높은 스트레스)은 예측을 높은 증상 부담 쪽으로 이동시킨 반면, 보호 요인(예: 양호한 수면, 동료의 증상 없음)은 예측을 낮은 부담 쪽으로 이동시켰다.

의의 및 주장
저자들은 본 연구가 질병 발생 전 단계에서 높은 SBS 관련 증상 부담을 가진 내시경 센터 직원을 식별할 수 있는 해석 가능한 머신러닝 모델을 성공적으로 개발하고 검증했다고 주장한다. 본 연구의 의의는 크게 세 가지 영역에 있다:

1. 다차원적 통합: 본 모델은 단일 요인 분석을 넘어, 높은 증상 부담이 작업장 공기 조건, 심리사회적 부하, 개인의 회복 상태의 누적된 영향으로부터 발생함을 입증한다.
2. 실행 가능한 통찰력: SHAP를 사용함으로써, 본 연구는 단순히 추상적인 위험 점수를 제시하는 것을 넘어 구체적이고 실행 가능한 결정 요인(예: 냄새, 신선한 공기 공급, 직무 스트레스)을 식별한다. 이는 환기 관리 최적화 및 심리사회적 스트레스 요인 해결과 같은 표적 개입을 가능하게 한다.
3. 실용적 유용성: 모델이 일상적인 설문지를 통해 얻을 수 있는 변수들에 의존하고 있다는 점에서, 조기 직업 건강 위험 계층화를 위한 실용적인 도구로 기능할 수 있음을 시사한다. 이는 부서 차원의 위해 요소(예: "동료의 유사 증상"을 통한 확인) 및 개인별 위험 스크리닝을 가능하게 하여, 내시경 센터에서의 선제적인 건강 감시와 환경 최적화를 용이하게 한다.

저자들은 단면 연구 설계로 인해 인과 관계를 추론할 수 없다는 점과 자기 보고식 환경 데이터에 의존함으로써 주관적 편향이 발생할 수 있다는 점을 인정하며 신중한 입장을 유지하였다. 또한, 본 모델의 다른 직종이나 의료 환경에 대한 일반화 가능성에 대해서는 추가적인 평가가 필요하다고 언급하였다.