배경: 본 연구는 기계학습 알고리즘을 통해 어깨 질환의 업무 관련성을 예측하는 예측 모델을 개발하고자 하였다. 방법: 본 데이터세트는 2020년 1월부터 2021년 12월까지 어깨 근골격계 질환과 관련하여, 직업성 질병을 신청하고 한국 근로복지공단 질병평가위원회의 최종 승인 결정(결정서)을 받은 8,302명의 7,270건을 포함하였다. 본 연구에서는 인구통계학적 분석 및 어깨 질환별 승인율의 차이를 수행하였다. 또한 업무 관련성 평가를 위한 예측 모델을 구성하기 위해 로지스틱 회귀, 서포트 벡터 머신, 결정 트리, 랜덤 포레스트, XGBoost를 포함한 기계학습 알고리즘을 활용하였다. 결과: 각 모델의 성능을 평가하였다. XGBoost는 정확도 81.64%, 곡선 아래 면적(area under the curve) 0.73을 보였고, 랜덤 포레스트는 정확도 84.46%, 곡선 아래 면적 0.73을 보였다. 업무 관련성 평가에 영향을 미치는 주요 요인은 고용 기간, 신체 부담 점수, 성별, 연령이었다. 결론: 다양한 기계학습 기법의 적용은 높은 성능 점수를 보였으며, 직업환경의학과 전문의의 판정 간 차이를 줄이는 데 도움이 될 수 있음을 시사한다.

배경 및 목적: 근골격계 질환(MSDs)은 한국에서 보상되는 직업성 질병의 60% 이상을 차지한다. 이러한 부담에도 불구하고, 표준화된 인체공학적 노출의 벤치마크와 위험요인의 결합효과에 대한 근거는 제한적이다. 본 연구의 목적은 신체 부위별 인체공학적 작업 노출-직무노출행렬(job-exposure matrix, JEM)을 구축하고, 인체공학적, 인구통계학적 및 업무 관련 요인의 독립적 효과와 상호작용 효과를 평가하는 데 있다. 재료 및 방법: 제2~제6차 한국의 근로환경조사(2009–2020)에서 210,500명의 근로자 데이터를 분석하였다. 팔/목, 등, 다리에 대한 JEM을 개발하고 타당화하였으며(κ≥0.79), 로지스틱 회귀모형을 사용하여 조정된 오즈비(aOR)를 추정하였다. 가산적 상호작용은 상호작용에 의한 상대초과위험(relative excess risk due to interaction, RERI), 기여분율(attributable proportion, AP), 시너지 지수(synergy index, SI)를 통해 평가하였다. 결과: 높은 인체공학적 노출은 모든 신체 부위에서 MSDs와 강하게 연관되었다(aOR 2.3–2.5). 45세 초과 연령, 장시간 근무(52시간 초과), 높은 직무긴장 또한 위험을 증가시켰다(aOR 1.4–2.3). 가산적 척도에서 인체공학적 위험과 고령의 조합은 일관된 시너지를 보였다(RERI 최대 1.5; SI >1.5). 반면 장시간 근무 또는 직무긴장과의 조합에서는 완화가 관찰되었다(RERI <0; SI <1). 여성은 조(粗)유병률은 더 높게 보고되었으나 조정 오즈는 더 낮았다(aOR ≈0.9). 결론: 본 전국 대표성 연구는 인체공학적 위험, 연령, 장시간 근무 및 직무긴장이 MSDs의 주요 결정요인임을 보여준다. 타당화된 한국형 JEM은 감시 및 보상을 위한 표준화 도구를 제공한다. 다만 단면연구 설계는 인과추론을 제한한다. 인과추론을 강화하고 맞춤형 예방을 안내하기 위해 객관적 노출 측정을 포함한 향후 종단 연구가 필요하다.