배경: 머신러닝(ML)은 비선형 상호작용을 포착함으로써 성능을 향상시킬 잠재력이 있다. 그러나 ML 기반 모델에는 해석 가능성 측면에서 몇 가지 한계가 있다. 목적: 본 연구는 SHapley Additive exPlanations(SHAP) 값을 사용하여 보다 이해 가능하고 효율적인 ML 기반 채점(스코어링) 시스템을 개발하고 검증하고자 하였다. 방법: 우리는 Health를 위한 Explainable Automated nonlinear Computation(EACH) 프레임워크 점수(스코어)를 개발하고 검증하였다. CatBoost 기반 예측 모델을 개발하고 핵심 변수를 확인했으며, SHAP 플롯을 기반으로 기울기의 변화가 가장 가파른 지점(top 5)을 자동으로 탐지하였다. 이어서 EACH 채점 시스템(EACH)을 개발하고 점수를 정규화하였다. 마지막으로 EACH 점수를 수술 전후(perioperative) 뇌졸중을 예측하는 데 사용하였다. EACH 점수는 서울대학교병원 코호트 자료를 이용해 개발하고, 개발 세트와 지리적·시간적으로 다른 보라매병원 자료로 외부 검증하였다. 결과: 비심장 수술을 받는 38,737명의 환자에서 수술 전후 뇌졸중 예측에 적용했을 때, EACH 점수는 곡선하면적(area under the curve, AUC) 0.829 (95% CI 0.753-0.892)를 달성하였다. 외부 검증에서 EACH 점수는 전통적 점수(AUC=0.528, 95% CI 0.457-0.619) 및 다른 ML 기반 채점 생성기(AUC=0.564, 95% CI 0.516-0.612)와 비교하여 AUC 0.784 (95% CI 0.694-0.871)로 더 우수한 예측 성능을 보였다. 결론: EACH 점수는 실제 데이터에서 효과가 입증된 보다 정밀하고 설명 가능한 ML 기반 위험 도구이다. EACH 점수는 수술 전후 뇌졸중 예측에서 전통적 채점 시스템 및 서로 다른 ML 기법을 기반으로 한 다른 예측 모델들보다 우수한 성능을 보였다.