가톨릭대학교 가톨릭중앙의료원 기초의학사업추진단 인공지능뇌과학사업단의 전지원 교수(교신저자, 의과대학 의료정보학교실)와 박충희 연구원(제 1저자, 의과대학 의료정보학교실)을 비롯한 공동 연구팀이 파일럿 집단 연구와 대규모 설문 연구를 결합해 노년층의 디지털 헬스 리터러시(Digital Health Literacy, DHL)를 예측하는 ‘설명가능한 머신러닝’ 접근법을 개발했다.

‘설명가능한 머신러닝’이란 머신러닝 모델이 예측 결과에 이르기까지의 의사결정 과정을 사람이 이해할 수 있도록 설명하는 기술이다. 이는 단순히 높은 예측 정확도에 그치는 기존 인공지능과 달리, 각 판단이 어떤 이유와 과정을 통해 도출되었는지를 명확히 제시하는 것이 특징이다. 이는 디지털 헬스 리터러시 수준에 영향을 미치는 요인을 더욱 정밀하게 파악하고 개인 맞춤형 개선 방안을 ▲(좌측부터) 전지원 교수, 박충희 연구원       도출하는 데에도 유용하게 활용될 수 있다.

최근 디지털 헬스케어 서비스가 일상화됨에 따라 스마트 기기를 활용하여 건강 정보를 탐색 및 이해와 활용하는 능력인 디지털 헬스 리터러시의 중요성이 지속적으로 강조되고 있다. 그러나 기존 디지털 헬스 리터러시 평가는 자기보고식 설문 방식에 의존해 실제 수행 능력을 충분히 반영하지 못한다는 한계가 지적됐다.

이에 연구팀은 이러한 한계를 보완하기 위해 자기보고식 평가에 실제 수행 기반 지표를 결합한 통합 분석 프레임워크를 제시했다. 머신러닝 기법을 활용해 주관적 인식과 객관적 수행 능력 간의 관계를 정밀하게 분석하고, 고령층의 디지털 헬스 리터러시를 결정하는 다양한 요인을 정량적으로 도출했다.

이번 연구는 각 변수의 기여도를 정량적으로 분석함으로써 설명가능한 머신러닝 기반의 정밀한 해석의 가능성을 높였다는 점에서 의미가 있으며, 향후 고령층 대상 맞춤형 디지털 헬스케어 개입 전략 수립과 디지털 격차 완화에 기여할 것으로 기대된다.

연구는 두 개의 독립된 연구자료를 기반으로 2단계 방법론을 적용해 수행됐다. 먼저, 1단계에서는 파일럿 코호트 집단인 60~74세 고령자 30명을 대상으로 디지털 및 정보 이해 능력을 평가하고, 동시에 55세~74세 고령자 1,000명을 대상으로 온라인 설문조사를 실시해 자기보고식 기반의 디지털 헬스 리터러시를 측정했다. 이후 두 연구자료에 베이지안 선형회귀를 적용해 주요 설명 변수를 도출했다.

2단계에서는 도출된 변수들을 활용해 설문 데이터의 KeHEALS(Korean version of the eHealth Literacy Scale) 수준을 예측하고자 이진 분류 모델로 구축하고, 5개의 머신러닝 알고리즘을 이용하여 평가했다. 이 가운데 가장 우수한 성능을 보인 모델에 SHAP(Shapley Additive Explanations) 분석을 적용해 연구 결과를 해석했다.

분석 결과, 건강 관련 앱에 관한 관심, 디지털 기기 사용, 운동은 고령층 디지털 헬스 리터러시에 긍정적인 영향을 미치는 요인으로 나타났으며, 연령, 음주, 흡연은 고령층 디지털 헬스 리터러시에 부정적인 영향을 미치는 변수로 확인됐다. 특히 범주형 부스팅 모형인 CatBoost 알고리즘이 기존 모델 대비 높은 정확도(AUC 0.84)를 보였다.

전지원 교수는 이번 연구에 대해 “디지털 전환 가속화되는 환경에서 기술적 혜택에서 소외되기 쉬운 고령층의 디지털 격차를 설명가능한 인공지능(AI)을 통해 정밀하게 분석하고자 했다”며 “이를 바탕으로 노년층 개개인의 특성에 맞춘 맞춤형 디지털 돌봄이 가능해질 것으로 기대한다”고 밝혔다. 이어 “앞으로도 AI기술이 인간을 향하는 기술로 발전할 수 있도록 양질의 의료데이터 구축과 서비스 발굴에 힘쓰겠다”고 덧붙였다.

한편, 이번 연구는 국제학술지 《JMIR Medical Informatics》 2026년 3월호에 게재됐다.

[그림 설명] 머신러닝을 활용한 고령층 디지털헬스리터러시 예측