†To whom correspondence should be addressed. E-mail: 서론
안구건조증(DED, Dry Eye Disease)은 스마트폰·컴퓨터 사용 증가와 대기오염 등 환경적 요인의 영향으로 현대 사회에서 매우 흔한 질환으로 보고된다. 안구건조증은 눈물막 항상성(homeostasis) 상실을 특징으로 하는 다인자성 안구표면 질환으로, 흔히 건조안이라고 불린다(Craig et al., 2017). 이는 눈물막 삼투압 증가와 안구표면 염증을 동반하며 안구 불편감, 시력 장애, 눈물막 불안정성 및 안구표면 손상을 유발하는 질환으로 정의된다(Lemp and Foulks, 2007).
대도시 거주 인구의 약 90%가 안구건조증 증상을 경험한 것으로 보고되고(Kim et al., 2025), 국민건강보험공단 통계에 따르면 안구건조증 발생률이 2010년 약 8%에서 2021년 약 17%로 증가했다. 또한 2022년 안구건조증으로 의료기관을 이용한 환자가 약 237만 명에 이르는 등 환자가 지속적으로 확대되고 있다(Kim, 2025). 안구건조증은 사물을 볼 때 흐리게 보이거나 빛이 눈부시게 보이는 등 일상생활을 방해하는 요인으로 자리 잡았다(Kim, 2022).
안구건조증이 적절히 관리되지 않을 경우 눈물막 불안정성과 만성 염증으로 인해 각막 상피 결손, 감염성 각막염, 각막궤양 및 각막혼탁으로 진행할 수 있으며, 이는 돌이킬 수 없는 시력 저하를 초래할 수 있는 합병증을 유발한다(Xinying, 2024).
안구건조증은 생활습관·신체지표 기반의 위험 요인을 체계적으로 규명하고 예방 전략을 마련해야 하는 중요한 공중보건 문제이다(Kim and Kim, 2022). 그러나 안구건조증은 환경, 유전 요인 등 다양한 요소가 복합적으로 작용하는 질환으로, 단일 요인만으로 발병 위험을 충분히 설명하기 어렵다. 개별 요인을 독립적으로 분석하는 전통적 통계 모형만으로는 다양한 위험 요인 간의 비선형 관계나 상호작용 효과를 포착하기에 한계가 있다.
다양한 가정을 충족해야 하는 전통적인 통계 방법은 데이터의 수와 복잡도가 증가하는 현대 사회의 요구에 대해 뒤떨어진다는 지적을 받곤 했다(Lee and Park, 2024). 이에 반해 별다른 가정을 요하지 않고, 방대한 데이터를 스스로 학습하며 뛰어난 예측 성능을 보이는 기계학습이 전통 통계 방식의 대안으로 떠오르고 있다(Kim and Kim, 2019).
본 연구는 기계학습과 통계적 방식의 두 방법론을 동일 데이터셋에 적용하여 결과 일관성 검증, 상호 보완적 활용 등 방법론적 목적을 달성하고자 한다. 즉, 기계학습의 변수들이 통계 패키지인 SPSS(Statistical Package for the Social Sciences)에서 동일하게 통계적으로 유의미한 위험요인으로 확인되는지 비교·분석한 뒤, 실무적 시사점을 나타낼 것이다.
또한 동일한 안구건조증 데이터에 대해 기계학습과 SPSS의 로지스틱 회귀를 병행 적용함으로써 두 접근법이 핵심 위험요인에 대해 일관된 결론을 제시하는지를 확인하고, 향후 데이터 구조가 변하거나 변수가 추가·삭제되는 상황에서도 재학습과 적용이 용이한 기계학습 기반 분석의 유연성과 효율성을 강조하고자 한다.
본 연구의 목적은 생활습관 및 신체지표를 이용한 안구건조증 조기선별 모델을 구축하고, 클래스 균형 가중치(class weight balancing)를 적용한 로지스틱 회귀(logistic regression) 분석을 통해 안구건조증 판별 성능을 확보함과 동시에 핵심 위험요인을 정량적으로 규명하는 것이다.
이 논문은 다음과 같은 공헌을 한다.
첫째, 안구건조증 판별에서 전통적 통계 분석이 포착하기 어려운 생활습관, 신체지표 간의 비선형 관계와 상호작용을 반영한 기계학습 기반 다요인 예측 모형을 구축한다.
둘째, 일상적인 건강 데이터를 활용해 안구건조증을 조기에 선별하고, 임상 현장에서 적용 가능한 위험 요인 관리 우선순위를 제안한다.
셋째, 기계학습 모델과 통계 프로그램을 병행 적용하여 두 접근법의 핵심 위험요인 순위 일치를 확인함으로써, 기계학습 결과의 통계적 타당성을 검증한다. 이를 통해 예측 성능과 해석 가능성을 동시에 확보하는 한편, 데이터 구조 변화에도 유연하게 대응 가능한 기계학습 기반 분석의 실무적 활용 가능성을 제시한다.
관련 연구
1. 안구건조증의 주요 요인
안구건조증의 발병 기전은 복합적이며, 인구학적 요인인 고령과 여성뿐만 아니라 안과 수술력, 갑상선 질환, 높은 교육 수준 등 다양한 임상적·사회적 변수가 위험 인자로 작용한다. 특히 영양학적 측면에서는 비타민 A 및 오메가-3 지방산의 섭취 부족이 질환 발생에 뚜렷한 영향을 미치는 것으로 알려져 있다(Ahn et al., 2014).
안구건조증은 단순히 신체적 불편함을 넘어 환자의 심리적 문제까지 유발할 수 있다. 눈물 분비 감소가 심하지 않음에도 불구하고 안구건조증을 호소하는 환자들 사이에서 우울증 동반율이 높게 나타나, 안구건조증이 신체적 요인 외에 정신 건강과도 깊은 연관성이 있다(Joo, 2024).
안구건조증 환자는 질환 발생 가능성을 나타내는 OR(Odds Ratio) 수치가 우울증(OR=1.65), 불안장애(OR=1.62), 섬유근육통(OR=2.41), 만성피로증(OR=1.5) 등과 같이 정신·신체 동반 질환 발병 위험이 유의하게 높아, 안구건조증의 정신적 영향을 강조한다(Li et al., 2025). 또한 40세 이상 여성의 경우 폐경 후 에스트로겐(estrogen) 수치 감소가 눈물 생성과 눈물막 윤활 기능을 저하시켜 안구건조증 위험을 높이는 것으로 보고된다(Kim and Choi, 2024).
안구건조증은 선진국뿐 아니라 개발도상국에서도 중요한 안과 질환으로, 진단 장비와 전문 인력의 부족으로 인해과소진단되기 쉽다(Caparas, 2024). 특히 의료 자원이 제한된 환경에서는 고가의 임상검사보다 증상 및 생활습관 지표를 활용하여 일차 진료 현장에서 안구 건강 검진의 일상적인 부분으로 자리 잡게 할 수 있을 것이다. 이러한 맥락에서 본 연구는 복잡한 임상장비 없이도 활용 가능한 예측 모델을 제시함으로써 의료 접근성이 낮은 환경에서도 안구건조증 위험요인 관리에 기여할 수 있다.
2. 기계학습을 활용한 안구건조증 연구
AI의 발전으로 안구건조증을 포함한 안질환 연구는 Table 1과 같이 활발하게 진행되고 있다. 기존 연구들은 국민건강영양조사 자료(KNHANES)에 포함된 인구사회학적 특성, 건강행태, 영양 섭취, 질환 이력 변수들을 활용하여 안구건조증 여부를 예측하고, 네트워크 기반 분석을 통해 중심성이 높은 요인들을 도출함으로써 안구건조증의 다차원적 위험 구조를 설명하고자 하였다(Nam et al., 2020). 하지만 모델의 판별력 확보에 집중하여 개별 생활 요인이 발병에 미치는 영향에 대한 정량적 해석은 다소 부족하다.
또한 안구표면 임상지표와 설문 점수, 생활습관 변수를 함께 투입한 AI 모델을 구축하여, 근거리 작업 시간, 운동, 음주, 야외 활동, 교통수단 이용 등 구체적 생활행태가 안구건조증 관련 지표를 예측하는 데 중요한 요인으로 작용함을 입증하였다(Graham et al., 2025). 그러나 현미경 검사 등 전문 장비와 인력이 필요한 임상 데이터를 전제로 하여 일반적인 디지털 헬스 환경에서 조기 선별 도구로 활용하기에는 실무적 제약이 있다.
대기오염 및 기상 자료를 활용하여 이산화질소(NO₂) 농도와 습도가 지역별 발생률 편차를 결정짓는 핵심 요인임을 규명한 연구(Youn et al., 2020)와 같은 거시적 분석은 지역적 추이 파악에는 효과적이나, 환자 개개인의 구체적인 생활 패턴이나 기초 신체 지표가 발병에 미치는 개별적 영향력을 충분히 반영하지 못하는 한계가 있다.
기존 연구는 특수 장비 기반의 지표나 거시적 환경 요인에 주로 의존하고 있어, 일상적인 생활습관 및 기초 건강지표만을 이용한 조기 선별 모델은 상대적으로 미흡한 실정이다. 이에 본 연구는 일상에서 용이하게 측정 가능한 26개의 생활습관 및 신체 지표를 활용하여 안구건조증의 핵심 위험 인자를 정량적으로 규명하고자 한다.
제안 기법
1. 데이터 구조 및 전처리
본 연구는 안구건조증 유무를 포함한 총 26개의 속성을 기반으로, 18세에서 45세까지 약 2만 명의 피험자로부터 수집된 캐글(Kaggle)의 Dry Eye Disease 데이터셋을 활용한다.
Table 2와 같이 해당 데이터는 성별, 연령, 흡연 여부, 평균 스크린 사용 시간, 신체 활동 수준, 체질량지수, 혈압, 수면 시간, 주관적 눈 불편감 등 일상생활·기초 건강지표를 폭 넓게 포함하고 있어, 다각적 생활습관·신체지표 기반 안구건조증 예측 모형을 구축하기에 적합하다.
범주형 속성인 성별, 흡연 여부, 카페인 섭취 등은 문자열(Y/N)을 0/1 수치형으로 변환하였다. 연속형 속성은 척도 차이를 표준화하였으며, 안구건조증 타겟 변수는 증상 없음(0), 증상 있음(1)로 설정하였다.
데이터 전처리는 다음 절차를 거쳤다. 첫째, 독립변수와 종속변수인 Dry Eye Disease를 분리한 후, 데이터를 훈련 세트(75%)와 테스트 세트(25%)로 분할하였다(random_state=42). 둘째, 훈련 세트에 z-score를 적용한 후 훈련 및 테스트 세트의 데이터 규모를 표준화하였다. 최종 데이터셋은 훈련 세트 15,000건, 테스트 세트 5,000건으로 구성되었다.
2. 성능 평가 모델
모델 학습을 위해 전체 데이터를 훈련 세트 75%, 테스트 세트 25%로 분할하였으며, 데이터 불균형 구조를 고려하여 정확도(accuracy) 외에 정밀도(precision), 재현율(recall), 그리고 이들의 조화평균인 F1-score를 주요 평가지표로 활용하였다.
수식 (1), (2), (3)에서 TP(true positive)는 실제 안구건조증 환자를 올바르게 안구건조증으로 분류한 경우, TN(true negative)은 안구건조증이 없는 정상군을 모델이 올바르게 정상으로 분류한 경우, FP(false positive)는 정상군을 안구건조증으로 잘못 분류한 경우, FN(false negative)는 실제 안구건조증 환자를 정상으로 잘못 분류한 경우를 의미한다.
F1-score는 수식 (4)와 같이 정밀도와 재현율의 조화평균으로, 두 지표의 균형을 종합적으로 반영하며, 다음과 같이 계산된다.
로지스틱 회귀 분석은 두 개의 값을 가지는 이항 종속변수와 하나 이상의 독립변수 사이의 관련성을 분석하는 통계 기법으로(Seong, 2001), 특히 특정 사건의 확률을 예측하는 이진 분류 문제에 효과적이다.
이 모델은 시그모이드(sigmoid) 함수를 통해 입력 변수(성별, 흡연 여부, 카페인 섭취 등)와 결과 변수(안구건조증 유무) 사이의 비선형 관계를 0~1 사이의 확률값으로 변환한다. 시그모이드 함수는 어떤 실수 값이 들어와도 결과를 0과 1 사이로 압축해 주므로, 모형의 출력값을 안구건조증이 있을 확률로 자연스럽게 해석할 수 있게 한다.
오즈(odds)는 어떤 사건이 발생할 확률을 발생하지 않을 확률로 나눈 값으로, 본 연구에서는 안구건조증이 발생할 확률을 발생하지 않을 확률로 나눈 비율을 의미하며 수식 (5)와 같이 정의된다.
로짓(logit)은 오즈에 자연로그를 취한 값, 즉 로그 오즈(log-odds)이며, 수식 (6)과 같이 표현된다. 로짓 변환을 사용하면 원래 0~1 범위에 묶여 있던 확률이 음의 무한대에서 양의 무한대까지의 연속적인 값으로 바뀌어, 일반 선형 회귀식 형태로 다룰 수 있게 된다. 변환된 로짓은 선형 회귀식에 대입되어, 최종적인 로지스틱 회귀 모형은 수식 (7)과 같이 나타난다.
수식 (7)에서 β0는 상수항을, βi는 각 독립 변수 xi의 계수를 의미하며, βi는 해당 변수가 1단위 증가할 때 로그 오즈가 얼마나 변하는지를 나타낸다. 실제 해석에서는 이 계수에 지수함수(exp)를 취하여 OR를 구하며, OR이 1보다 크면 해당 변수가 증가할수록 안구건조증 발생 오즈가 증가, 1보다 작으면 오즈가 감소하는 것으로 해석한다. 여기서 OR는 한 집단의 오즈를 다른 집단의 오즈로 나눈 값으로, ‘어떤 요인이 있을 때’와 ‘없을 때’의 질환 발생 가능성 차이를 상대적 비율로 나타낸다. 예를 들어 오즈비 OR=1.5이면 해당 요인이 있는 집단의 안구건조증 오즈가 없는 집단보다 1.5배 높다는 뜻이다.
로지스틱 회귀는 안구건조증의 조기 선별 성능을 평가하는 이진 분류 모델이면서, 동시에 각 생활습관·자각증상·신체지표가 질환 발생 오즈를 얼마나 변화시키는지를 오즈비라는 직관적인 지표로 제시할 수 있다는 점에서 기계학습 기반 분석에서도 해석 가능성이 높은 핵심 모형으로 활용된다. 전체적인 기계학습 모델은 Figure 1과 같다.
본 연구에서 로지스틱 회귀를 중심 모델로 선정한 이유는 다음과 같다. 첫째, 안구건조증 유무라는 이진 종속변수를 분석하는 데 가장 적합한 통계적 프레임워크를 제공하기 때문이다. 둘째, 로지스틱 회귀는 회귀계수와 오즈비(OR)를 통해 개별 위험요인의 기여도를 정량적으로 제시할 수 있어, 기계학습 모델의 블랙박스적 특성을 보완하고 임상적 해석 가능성을 확보하는 데 탁월하다(Field, 2013). 셋째, 본 연구의 핵심 목적이 기계학습의 예측력과 전통적인 통계적 타당성을 동시에 검증하는 것인 만큼, 기계학습 환경에서 구축된 동일 파이프라인 상에서 통계적 유의성을 직접 도출할 수 있는 로지스틱 회귀가 두 방법론을 연결하는 최적의 브리지 모델이기 때문이다.
실험 및 평가
1. 실험환경 및 알고리즘
본 연구에서는 모델의 객관적 평가를 위해 동일한 데이터셋을 이용하여 로지스틱 회귀 모델을 학습하였다. Table 3은 본 연구에서 사용된 개발환경을 정리한 것으로, Python 3.11과 scikit-learn 1.5.0을 Google Colab 및 로컬 PC(CPU: Intel i5-L16G7, RAM: 8GB)에서 실행하였다. 로지스틱 회귀의 훈련 및 변수 중요도 산출 과정은 Figure 2의 알고리즘과 같다.
Figure 2는 로지스틱 회귀 모델의 학습 및 변수 중요도 산출 절차를 보여준다. 먼저 random_state=42를 설정하여 재현성을 확보한 뒤, 전처리된 데이터셋을 훈련 세트와 테스트 세트로 75:25 비율로 분할하였다. 이후 StandardScaler는 훈련 세트에만 적합하고 테스트 세트에는 동일한 변환을 적용하여 데이터 누출을 방지하였다(1-3행).
다음으로 LogisticRegression(max_iter=1000, random_state=42)를 이용해 모델을 학습하였고, 테스트 세트 예측을 통해 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score를 산출하였다(4-7행). 마지막으로 8행 이후, 학습된 모델의 회귀계수 절댓값을 변수 중요도로 활용하여 내림차순 정렬한 뒤 상위 10개 예측변수를 선정함으로써 안구건조증의 주요 위험요인을 도출하였다.
2. 모델 성능
최종 채택된 로지스틱 회귀 모델의 테스트 성능은 Table 4와 같다.
실험 결과, 로지스틱 회귀 모델은 F1-score 80.57%의 안정적인 성능을 보였다. 특히 재현율(recall)이 94.99%로 매우 높게 나타나, 변수별 계수를 통해 각 위험요인의 상대적 중요도를 정량적으로 해석할 수 있다는 장점에서 본 연구의 최종 분석 모델로 채택하였다. 실제 안구건조증 환자를 놓치지 않고 식별해야 하는 조기 선별 및 진단 도구로서 높은 유효성을 나타냈다.
3. 핵심 위험 요인 분석
로지스틱 회귀 모델의 계수 절대값(absolute coefficient)을 사용하여 변수 중요도를 분석한 결과, Figure 3과 같이 안구 불편감 및 피로도(discomfort eye-strain)가 0.246으로 안구건조증 예측에서 가장 높은 기여도를 나타냈다. 이어 안구 충혈(redness in eye)과 안구 가려움 및 자극(itchiness/irritation in eye)은 0.208과 0.227으로 상위 중요 변수로 도출되었다.
이처럼 로지스틱 회귀 모델에서 변수 중요도를 회귀계수의 절댓값으로 평가하는 방식은 독립변수의 상대적 기여도를 정량화하기 위한 방법론으로 널리 활용되어 왔다. 본 연구는 연속형 변수에 StandardScaler를 적용하여 변수 간 척도를 통일함으로써 계수의 직접 비교 가능성을 확보하였다. 분석 결과, 최상위 변수인 안구 불편감 및 피로도의 계수 절댓값은 4위인 평균 스크린 사용시간(0.053)과 약 4.6배의 뚜렷한 수치적 격차를 보였다. 이러한 계수값의 급격한 단절은 상위 변수들이 예측 모델에서 통계적으로 유의미한 지배적 영향력을 가짐을 의미하며, 변수 간 영향력의 차이를 명확히 보여주는 근거로 해석된다.
나아가 모든 계수 절댓값의 합을 1로 정규화하여 상대적 중요도를 산출한 결과, 상위 3개 안구 증상 변수의 합계 중요도가 약 70.1%에 달했다. 이는 본 모델이 일반적인 생체 지표보다 구체적인 안구 관련 자각 증상 데이터에 더욱 민감하게 반응함을 보여주며, 대상자가 자각하는 임상적 증상이 예측 성능을 결정짓는 핵심 지표임을 시사한다.
또한, 평균 스크린 사용 시간(average screen time) 0.053, 성별(gender) 0.040, 취침 전 스마트기기 사용(smart device before bed) 0.040, 스트레스 수준(stress level) 0.034, 음주 여부(alcohol consumption) 0.030, 심박수(heart rate) 0.029, 수면의 질(sleep quality) 0.023 등 생활 습관 및 생체 지표 또한 예측 모델의 주요 변수로 포함되어, 현대인의 생활 패턴과 안구건조증 발병 간의 유의미한 연관성을 정량적으로 확인하였다.
4. 통계적 검증을 통한 기계학습 예측 모델의 타당성 분석
기존 SPSS 기반의 전통적 로지스틱 회귀 분석은 변수 간 선형 관계와 독립적 효과를 가정하여 통계적 유의성(p-value)과 오즈비(OR)를 명확히 제시하나, 복잡한 비선형 상호작용이나 다중공선성 문제를 자동으로 처리하기 어렵다. 반면 Python 기반 기계학습 환경에서는 동일한 분석 파이프라인을 유지한 채, 새로운 변수 추가, 표본 수 증가 등 입력 데이터의 속성이 일부 변경되더라도 전처리와 모델 학습 과정을 반복 수행함으로써 분석 구조를 크게 수정하지 않고도 모형을 손쉽게 갱신할 수 있다. 이는 데이터 구조 변화에 상대적으로 덜 민감하게 반응하는 유연성을 제공한다.
그럼에도 불구하고 본 연구에서 통계 분석을 병행한 이유는, 기계학습 모델이 도출한 중요 변수들의 통계적 유의성을 Wald 통계량과 p-value를 통해 검증함으로써 결과의 타당성과 해석 가능성을 확보하기 위함이다. 이에 기계학습 모델의 타당성을 검증하기 위해 IBM SPSS Statistics 20.0을 이용한 이분형 로지스틱 회귀분석을 병행 수행하였으며 분석 결과는 Table 5와 같다.
분석 결과, 안구 불편감 및 피로도(Wald=247.132, p=.000), 안구 충혈(Wald=219.822, p=.000), 안구 가려움 및 자극(Wald=207.618, p=.000)이 전체 변수 중 가장 높은 Wald 통계량을 보이며 안구건조증 판별에 가장 강력한 예측 요인으로 확인되었다.
하지만 안구 증상이 낮을수록 안구건조증에 해당할 가능성이 높다는 결과를 보아, 오히려 안구건조증 진단을 이미 받은 상태여서 관리 중이거나, 데이터 수집 방식상 자각 증상이 심할수록 이미 치료 중인 케이스가 많아 역방향 관계가 나타날 수 있다. 따라서 추후 다른 데이터베이스를 통한 후속 연구를 통해 상관관계를 파악할 필요성이 있다.
디지털 생활습관 요인인 평균 스크린 사용시간(OR=1.018, p=.003), 성별(OR=1.069, p=.027), 취침 전 스마트기기 사용(OR=1.067, p=.032)도 유의한 위험요인으로 나타났다. 반면 일일 걸음 수(p=.349), 키(p=.350), 수면의 질(p=.417) 등은 통계적으로 유의미한 영향을 미치지 않는 것으로 나타났다.
본 연구에서 평균 스크린 사용 시간과 취침 전 스마트기기 사용이 유의한 위험요인으로 도출된 점은 디지털 노출과 안구건조증의 관련성을 보고한 선행연구들과 일치하며, 여성에서 위험이 높게 나타난 결과 또한 기존 역학연구의 성별 차이와 부합한다. 다만 수면의 질이나 일일 걸음 수 등이 통계적으로 유의하지 않았던 점은, 안구건조증 발생에 있어 간접적 건강지표보다 안구 관련 직접 증상과 디지털 노출 요인이 훨씬 강력한 설명력을 가짐을 의미한다.
결론
본 연구는 로지스틱 회귀(logistic regression) 모델을 활용하여 안구건조증 예측에 핵심적인 위험 요인을 정량적으로 분석하였다. 분석 결과, 안구 불편감 및 피로도, 안구 충혈, 그리고 안구 가려움 및 자극이 안구건조증 판별에 가장 결정적인 영향을 미치는 상위 3개 요인으로 식별되었다.
특히 Python 기반 기계학습 모델을 통해 도출된 변수 기여도 순위와 SPSS를 통한 통계적 유의성 및 영향력 순위를 비교한 결과, 안구 불편감 및 피로도, 안구 충혈, 안구 가려움 및 자극, 평균 스크린 사용시간, 성별, 취침 전 스마트기기 사용에 이르는 상위 6개 변수에서 순위 일치를 보였다. 이것은 본 연구에서 구축한 기계학습 모델이 단순한 수치적 예측 성능을 넘어, 전통적인 SPSS 로지스틱 회귀 분석과도 동등한 방향의 결론을 제시함으로써 통계적 타당성을 확보하고 있음을 의미한다.
자각 증상이 생체 지표보다 질환 판별에 더 높은 기여도를 보인다는 점은, 향후 안구건조증의 조기 스크리닝 및 예측 모델 수립 시 환자가 체감하는 임상적 자각 증상을 우선적으로 정량화할 필요가 있음을 보여준다. 또한 평균 스크린 사용 시간과 성별 등 생활 습관 및 인구학적 요인이 주요 변수로 도출됨에 따라, 현대인의 생활 패턴이 안구 질환 발현에 밀접한 영향을 미치고 있음을 재확인하였다.
기계학습 접근은 동일한 분석 파이프라인을 유지한 상태에서 데이터 규모 확대, 새로운 생활습관·신체지표 변수의 추가, 범주 구조 변화 등이 발생하더라도 비교적 쉽게 모형을 재학습하고 갱신할 수 있어, 반복·대량 데이터 환경에서 높은 유연성과 효율성을 제공한다. 반면 SPSS 분석은 모형 재규정과 가정 점검 등 연구자의 수동 조정이 더 많이 요구되지만, 오즈비(OR)와 p값을 통해 각 변수의 영향력을 직관적으로 제시함으로써 본 연구의 기계학습 결과를 검증하고 해석 가능성을 강화하는 데 중요한 역할을 하였다.
본 연구의 결과는 향후 안구건조증 예측 모델의 정밀도를 개선하고, 사용자 증상 중심의 맞춤형 디지털 헬스케어 서비스 및 조기 선별 도구 개발에 있어 신뢰할 수 있는 임상적 근거이자 기초 자료로 활용될 수 있을 것으로 기대된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
