Musculoskeletal Science and Practice (SCI(E), IF 2.2, Q2, 2025)에 등재된 논문입니다. 

제 1저자: 황의재 교수

1. 연구 목적 (Objective)

배달 종사자(Delivery Service Workers, DSWs)는 가쪽 발목 염좌(Lateral Ankle Sprain, LAS) 이후 만성 발목 불안정성(Chronic Ankle Instability, CAI)이 흔히 발생함. CAI의 위험요인을 파악하는 것은 표적화된 중재 전략을 수립하는 데 중요함. 본 연구는 가쪽 발목 염좌 병력이 있는 배달 종사자를 대상으로 머신러닝(Machine Learning, ML) 기반 CAI 분류 모델을 개발하고, CAI에 영향을 미치는 주요 요인을 규명하고자 하였음.

2. 연구 설계 (Design)

탐색적 횡단면 연구(Exploratory Cross-sectional Study)로 설계하였음.

3. 연구 대상 (Setting and Participants)

총 289명의 배달 종사자 중 가쪽 발목 염좌 병력이 있는 121명을 선별하여 연구 참여 적격성을 평가하였음.

4. 연구 방법 (Methods)

가쪽 발목 염좌 병력이 있는 배달 종사자 121명을 대상으로 인구통계학적 특성, 발목 근력, 관절가동범위, 자세조절 능력 및 해부학적 변형을 평가하였음.

CAI를 분류하기 위해 7가지 머신러닝 알고리즘을 학습 및 검증하였음. 주요 특성을 추출하기 위해 주성분분석(Principal Component Analysis, PCA)을 실시하였으며, CAI 분류에 영향을 미치는 주요 변수를 확인하기 위해 특성 순열 중요도(Feature Permutation Importance, FPI)와 SHAP(Shapley Additive Explanations) 분석을 활용하였음.

5. 주요 평가 지표 (Main Outcome Measures)

머신러닝 모델의 분류 성능은 곡선하면적(Area Under the Curve, AUC)을 이용하여 평가하였음. 또한 FPI와 SHAP 값을 활용하여 모델의 분류 결과를 해석하고 주요 영향 요인을 확인하였음.

6. 연구 결과 (Results)

주성분분석을 통해 전체 데이터 변동의 83.5%를 설명하는 7개의 주성분(Principal Components, PCs)을 추출하였음.

7가지 머신러닝 알고리즘 중 서포트 벡터 머신(Support Vector Machine, SVM)이 AUC 0.817로 가장 높은 분류 성능을 나타냈음.

FPI 및 SHAP 분석 결과, PC1, PC2, PC5, PC7이 가쪽 발목 염좌 병력이 있는 배달 종사자의 CAI 분류에 가장 중요한 영향을 미치는 요인으로 확인되었음.

7. 결론 (Conclusions)

체질량지수(Body Mass Index, BMI) 및 발목 근력과 관련된 주성분분석 기반 요인을 활용한 SVM 알고리즘은 가쪽 발목 염좌 병력이 있는 배달 종사자의 만성 발목 불안정성을 분류하는 데 높은 성능을 나타냈음.

이러한 결과는 만성 발목 불안정성의 예방 및 관리에서 체질량지수와 발목 근력을 비롯한 다양한 기여 요인을 종합적으로 고려하는 것이 중요함을 시사함.

Reference: Musculoskelet Sci Pract. 2025 Feb:75:103230. doi: 10.1016/j.msksp.2024.103230. Epub 2024 Nov 19.