AI가 '낙상 위험 환자'를 미리 짚어 준다면 — 낙상 예측 모델의 근거와 함정

낙상(넘어짐)은 병원에서 가장 오래된 안전 과제 중 하나입니다. 의료기관평가인증원이 집계한 2023년 환자안전 통계연보를 보면, 그해 보고된 환자안전사고 20,273건 가운데 낙상은 6,863건(33.9%)으로 약물사고 다음으로 많았고, 사고가 가장 많이 일어난 장소도 외래진료실과 나란히 입원실이었습니다(의료기관평가인증원 2023년 환자안전 통계연보 보도). 그만큼 ‘어떤 환자가 넘어질 위험이 큰가’를 미리 가려내 침상 높이·야간 순회·보호자 안내 같은 예방 활동을 배분하는 일은 오래도록 간호 현장의 몫이었습니다.

지금까지 이 판단을 도운 것은 모스 낙상 척도(Morse Fall Scale) 같은 사정 도구입니다. 낙상 이력, 보행 상태, 정맥주사 여부 등 몇 가지 항목에 점수를 매겨 위험을 가늠하는 방식입니다. 최근에는 전자의무기록에 쌓인 자료로 인공지능이 이 위험을 더 잘 짚어낼 수 있다는 연구가 이어지고 있습니다. 실제로 얼마나 되는지, 그리고 무엇을 조심해야 하는지 두 연구를 봅니다.

기존 척도를 조금 앞섰지만, ‘조금’이었습니다

첫 번째는 급성기 뇌졸중 환자의 원내 낙상을 예측한 연구입니다(Kim 외, PMC 2023). 뇌졸중 환자 8,462명 가운데 낙상한 156명과 낙상하지 않은 934명을 짝지어 비교한 ‘내포 환자-대조군’ 설계로(넘어진 환자 한 명마다 비슷한 조건의 안 넘어진 환자를 여럿 골라 견주는 방법), 입원 초기의 나이·체질량지수·혈색소·알부민·뇌졸중 중증도·투약 등을 재료로 삼았습니다.

여기서 성능은 AUROC라는 값으로 잽니다. 위험이 높은 환자와 낮은 환자를 무작위로 한 명씩 뽑았을 때 모델이 순서를 옳게 맞힐 확률로, 1에 가까울수록 잘 가려내고 0.5면 동전 던지기와 같다는 뜻입니다. 이 연구에서 성능이 가장 좋았던 XGBoost 모델은 AUROC 0.85로, 같은 자료에서 모스 낙상 척도의 0.76보다 높았습니다. 인공지능이 기존 척도를 앞선 것은 맞지만, ‘판을 뒤집을’ 정도가 아니라 ‘조금 나은’ 차이였다는 점을 먼저 기억할 필요가 있습니다.

위치 정보를 더하니 눈에 띄게 올랐습니다

두 번째는 국내 용인세브란스병원의 후향적 연구입니다(지나간 기록을 되짚어 분석하는 방식). 입원 환자 561명(낙상 118명, 비낙상 443명)을 대상으로, 전자의무기록만 쓸 때와 실시간 위치추적시스템(RTLS, 환자·침상의 위치와 이동을 실시간으로 파악하는 장치)을 더할 때를 비교했습니다(Kim 외, PMC 2025).

전자의무기록만 쓴 모델의 AUROC는 0.699였는데, 여기에 위치 정보를 더한 결합 모델은 0.847로 뚜렷하게 올랐고 그 차이는 통계적으로도 의미가 있었습니다. 환자가 얼마나 자주, 어떻게 움직이는지가 낙상 위험을 읽는 데 중요한 신호라는 뜻입니다. 다만 이 연구는 한 병원의 561명을 되짚어 본 것이어서, 다른 병원·다른 환자군에서도 같은 성능이 나올지는 아직 확인이 필요합니다.

높은 점수가 곧 현장의 쓸모는 아닙니다

여기서 조심할 대목이 있습니다. AUROC가 높아도 실제 병동에서 바로 유용하다는 보장은 아닙니다. 낙상은 다행히 드문 사건이라, 모델이 ‘위험’이라고 표시한 환자 상당수는 실제로는 넘어지지 않습니다. 앞의 뇌졸중 연구에서도 순위를 매기는 능력(AUROC 0.85)과 달리, 실제로 넘어질 사람을 정확히 집어내는 정밀도를 함께 반영한 F1 점수는 0.44에 그쳤습니다. 즉 ‘위험’ 경보의 상당수가 헛경보일 수 있다는 뜻입니다.

이 지점은 이미 다룬 알람 피로 문제와 곧장 이어집니다. 넘어지지 않을 환자에게까지 경보가 자꾸 뜨면, 정작 필요한 순간의 경보마저 무뎌집니다. 또한 예측은 ‘누가 위험한가’를 알려 줄 뿐, 그 자체가 낙상을 막아 주지는 않습니다. 위험을 안 다음에 무엇을(순회 강화, 낙상 고위험 약물 조정, 환경 개선 등) 실제로 바꾸느냐가 예방의 본체이고, 모델은 그 활동을 어디에 집중할지 돕는 도구일 뿐입니다.

도입을 검토하는 행정·간호가 확인할 점

첫째, 우리 병원 자료로 확인해야 합니다. 위 연구들의 성능은 각자의 환자군에서 나온 값이고, 다른 병원에 그대로 옮겨지지 않을 수 있습니다. 도입 전 우리 기관의 과거 기록으로 성능을 검증하고, 가능하면 기존 척도와 나란히 견줘 보는 편이 안전합니다.

둘째, 헛경보의 양을 미리 물어야 합니다. ‘정확도 몇 %‘나 AUROC 하나만 볼 게 아니라, 위험으로 표시되는 환자가 하루에 몇 명이고 그중 실제 낙상이 얼마나 되는지를 확인해야 현장 부담을 가늠할 수 있습니다.

셋째, 예측 다음의 개입까지 함께 설계해야 합니다. 위험 표시가 실제 예방 활동으로 이어지는 흐름이 없으면, 점수만 쌓이고 낙상은 줄지 않습니다. 위치추적 같은 장치를 더할 때는 환자 위치 정보의 수집·보관 범위와 동의도 함께 짚어야 합니다.

핵심 요약

• 낙상은 국내 입원실에서 가장 흔한 환자안전사고 중 하나이고, 위험 환자를 가려내는 일은 오래도록 간호의 몫이었습니다.
• 뇌졸중 환자 연구에서 AI 모델(AUROC 0.85)은 모스 낙상 척도(0.76)를 앞섰지만 차이는 ‘조금 나은’ 수준이었고, 국내 연구에서는 실시간 위치 정보를 더하자 성능이 0.699에서 0.847로 뚜렷하게 올랐습니다.
• 다만 낙상은 드물어 ‘위험’ 경보에 헛경보가 많고(뇌졸중 연구 F1 0.44), 예측 자체가 낙상을 막아 주지는 않습니다.
• 도입한다면 우리 병원 자료로 검증하고, 헛경보의 양을 미리 확인하며, 예측 다음의 예방 활동까지 함께 설계하는 것이 핵심입니다.