순환신경망(RNN) 기법을 통한 고령인구의 일상생활수행능력(ADL) 예측모델 개발

Abstract

본 연구는 고령화패널 5~9차 자료를 활용하여, 고령인구의 일상생활수행능력(Activities of Daily Living, ADL) 예측을 위한 통계적 및 기계학습 기반 예측모형을 개발하고, 그 성능을 비교하였다. 기존 고령인구 연구에서는 주로 전통적 통계기법인 로지스틱 회귀분석이나 혼합효과 회귀모형을 활용해 왔었다. 이에 본 연구는 시계열 데이터의 장기 의존성 문제를 해결할 수 있는 딥러닝 기반 순환신경망(RNN) 기법(LSTM, GRU)을 적용하여, 고령인구의 ADL 변화 예측에 대한 새로운 접근법을 제시하고자 하였다. 연구대상은 2014년 5차 조사 기준 만 65세 이상이면서 일상생활수행능력(ADL) 점수가 0점(완전자립군)인 고령인구로, 이후 2022년 9차 조사까지 추적된 대상자를 설명 모델 분석군에 포함하였다. 5~9차 조사 중 1번이라도 탈락된 대상자는 제외하고 예측 모델 분석군으로 선정하여 예측 모델 성능 비교에 사용하였다. 주요 독립변수는 성별, 연령, 학력, 가구원 수, 결혼 여부, 주관적 건강상태, 음주 및 흡연 여부, 노동 여부, 가구 총 자산, 고혈압·당뇨 진단, 보청기·틀니 사용 여부 등으로 선정하였다. 예측모형은 혼합효과 로지스틱 회귀모형과 LSTM, GRU 기반의 순환신경망 모델로 구축하였으며, 각 모델의 성능은 AUC, 정확도, 오분류율로 평가하였다. 연구 결과, 혼합효과 로지스틱 회귀모형 결과 독립 변수 중 연령, 주관적 건강상태, 현재 노동 여부, 음주 여부, 보청기 사용 여부 등이 종속변수인 ADL 악화와 유의한 관련성을 보였다. 혼합효과 로지스틱 회귀모형의 AUC는 0.6161, LSTM 모델은 0.7395, GRU 모델은 0.7516으로, 딥러닝 기반 순환신경망 모델이 전통적 통계모형에 비해 우수한 예측력을 보였다. 특히 GRU 모델이 가장 높은 AUC 값을 나타냈으며, 정확도와 오분류율 역시 LSTM, GRU 모델이 더 양호하였다. 결론적으로 본 연구는 반복측정된 고령자 건강자료의 예측에 있어 딥러닝 기반 시계열 모델의 활용 가능성을 실증적으로 제시하였다. 이는 고령인구의 신체기능 저하 예측 및 맞춤형 건강관리 정책 수립에 기여할 수 있는 근거를 제공하며, 향후 일상생활수행능력(ADL) 회복 예측, 해석 가능한 딥러닝 모델 개발 등 다양한 후속 연구의 필요성을 시사한다.

This study utilized data from the 5th to 9th waves of the KLoSA to develop and compare both statistical and machine learning-based models for predicting ADL among older adults. While prior research has mainly employed traditional statistical methods—such as logistic regression and mixed-effects models—this study introduces a novel approach by applying deep learning-based RNN model, specifically LSTM and GRU models, to address the long-term dependency challenges of time-series data in forecasting changes in ADL. The study population comprised individuals aged 65 and older who were fully independent in ADL at the baseline 5th wave in 2014 and were followed through the 9th wave in 2022. Participants who dropped out during any wave from the 5th to the 9th were excluded from the predictive modeling analysis. Key independent variables included gender, age, education level, household size, marital status, subjective health status, alcohol and smoking habits, employment status, total household assets, diagnoses of hypertension or diabetes, and use of hearing aids or dentures. Predictive models included mixed-effects logistic regression, LSTM, and GRU architectures, evaluated using AUC, accuracy, and misclassification rate, and results showed significant associations between ADL decline and age, subjective health, employment, alcohol use, and hearing aid use, with the GRU model achieving the highest AUC (0.7516) and both deep learning models outperforming the statistical approach (AUC: 0.6161). This study demonstrates the superiority of deep learning-based time-series models for predicting longitudinal health outcomes in older adults, providing a foundation for forecasting functional decline and informing personalized health management strategies, and suggests further research on ADL recovery prediction and interpretable model development.