2025년 Digital health (impact factor 3.9, Q1)에 등재된 논문입니다. 

목적: 비특이적 목 통증(nonspecific neck pain, NSNP)은 견갑골 운동학의 변화와 관련된 것으로 보고되어 왔으나, 연구 결과가 일관되지 않아 그 관계는 여전히 논란이 있다. 본 연구의 목적은 간소화된 2차원 분석 방법을 이용하여 견갑골 상방회전(scapular upward rotation, SUR) 궤적 패턴을 기반으로 NSNP를 예측하는 머신러닝(machine learning, ML) 모델을 개발하고 검증하는 것이었다.

방법: 공공기관 사무직 근로자 총 332명(NSNP군 240명, 무증상군 92명)이 연구에 참여하였다. 견갑골 상방회전은 스마트폰 동영상으로 촬영한 후 분석하였다. 운동학적 변수로 수평 변위(horizontal displacement, HD), 수직 변위(vertical displacement, VD), 수평-수직 변위 비율(horizontal-to-vertical ratio, HVR)의 세 가지 변수를 측정하였다. 총 6개의 머신러닝 알고리즘을 적용하였으며, 한 명씩 제외하는 교차검증(leave-one-subject-out cross-validation, LOOCV)과 다양한 성능 평가지표를 이용하여 모델의 성능을 평가하였다. 또한 움직임 변수와 NSNP 발생 확률 간의 관계를 시각화하기 위해 부분 의존성 도표(partial dependence plot, PDP)를 생성하였다.

결과: K-최근접 이웃(K-Nearest Neighbors)과 서포트 벡터 머신(Support Vector Machine) 알고리즘은 견갑골 움직임 패턴을 기반으로 NSNP를 식별하는 데 양호한 분류 성능을 보였다. 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUC)은 LOOCV에서 각각 0.879와 0.827이었으며, 독립 검증에서는 각각 0.873과 0.866이었다. 나머지 알고리즘은 상당히 낮은 성능을 보였으며, AUC 범위는 0.487–0.560이었다. PDP 분석에서는 운동학적 변수와 NSNP 발생 확률 사이에 비선형적 관계가 나타났다. 2차원 도표 분석 결과, NSNP 위험이 낮은 것과 관련된 특정 수평 및 수직 변위의 조합은 수평 변위 4.00–6.00 cm와 수직 변위 6.00–10.00 cm로 확인되었다.

결론: 견갑골 상방회전 궤적에 대한 머신러닝 분석은 NSNP를 식별하는 데 높은 예측 능력을 보였다. 본 분석을 통해 확인된 비선형적 관계와 변수 간 상호작용 효과는 기존 문헌에서 보고된 상충되는 결과를 설명하는 데 도움을 줄 수 있으며, 임상적 평가와 중재를 위한 정량적 기준을 제공한다.

Reference: Digit Health. 2025 Dec 24:11:20552076251407128. doi: 10.1177/20552076251407128. eCollection 2025 Jan-Dec.

무료 다운로드: https://pmc.ncbi.nlm.nih.gov/articles/PMC12745515/