머신러닝 연구로 밝혀낸 보청기 만족도가 가장 높은 사람들

교차 검증을 거친 새로운 머신러닝 분석에 따르면, 배터리 종류 같은 기기 세부 사항보다 나이, 교육 수준, 하루 착용 시간이 보청기 만족도에 더 큰 영향을 미칩니다.

비슷한 청력도에 맞춰 같은 보청기를 받고 클리닉을 나선 두 사람이 몇 달 후에는 전혀 다른 경험을 이야기할 수 있습니다. 한 사람은 아침 식사부터 잠자리에 들 때까지 보청기를 착용하며 절대 포기하지 않겠다고 말합니다. 다른 한 사람은 보청기를 서랍 속에 넣어 둡니다. 만족도가 왜 이렇게까지 차이 나는지는 오랫동안 청각 관리 분야의 풀리지 않는 질문 중 하나였습니다.

튀르키예에 기반을 둔 연구팀이 미국의 공동 연구자와 함께 새로운 도구로 이 질문에 접근했습니다. 연구팀은 한 번에 하나의 요인만 검증하는 대신, 인구통계학적 데이터, 임상 데이터, 설문 데이터로 머신러닝 모델을 학습시켜 어떤 특성이 보청기 사용자의 만족도를 가장 잘 예측하는지 알아보았습니다.

배경: 연구진이 이 주제에 주목한 이유

보청기 만족도는 전통적으로 기존 통계 기법으로 연구되어 왔습니다. 이런 기법은 대개 나이나 난청 정도 같은 각 요인이 다른 요인과 무관하게 만족도를 일직선으로 높이거나 낮춘다고 가정합니다. 저자들은 현실이 그보다 훨씬 복잡하다고 주장합니다. 인구통계학적·임상적·행동적 요인은 서로 상호작용하며, 이들이 만족도에 미치는 복합적인 영향은 기존 방법만으로는 포착하기 어렵다는 것입니다.

연구팀은 만족도를 측정하기 위해 보청기 기술 적응 및 만족도 척도(Hearing Aid Technology Adaptation and Satisfaction Scale, HATASS)를 사용했습니다. 이는 사용자가 기기에 얼마나 잘 적응했는지, 일상생활에서 얼마나 만족하는지를 묻는 환자 보고형 설문지입니다.

이 연구는 '설명 가능한 머신러닝'이라는 점점 확산되는 흐름에도 속합니다. 많은 머신러닝 모델은 정확하지만 내부가 불투명합니다. 설명 가능한 접근법은 모델이 실제로 어떤 입력값에 의존했는지 보여 주는 분석을 추가해, 임상의가 블랙박스를 무작정 믿는 대신 결과를 이해할 수 있도록 합니다.

연구 방법

연구진은 보청기 사용자의 인구통계학적 특성, 사용 기간과 하루 착용 시간 같은 보청기 관련 변수, 임상 정보, HATASS 응답을 결합한 데이터를 구축했습니다. 이후 만족도 점수를 예측하도록 다섯 가지 회귀 알고리즘, 즉 선형 회귀, 의사결정나무 회귀, 랜덤 포레스트 회귀, 서포트 벡터 회귀, 그래디언트 부스팅 회귀를 학습시켰습니다.

공정한 비교를 위해 모든 모델은 5겹 교차 검증으로 평가했습니다. 데이터를 다섯 부분으로 나눈 뒤 네 부분으로 모델을 학습시키고 나머지 한 부분으로 테스트하며, 모든 부분이 한 번씩 테스트 세트가 될 때까지 이 과정을 반복합니다. 이렇게 하면 학습한 데이터를 단순히 암기하기만 하는 모델을 걸러낼 수 있습니다.

마지막으로 연구팀은 순열 특성 중요도 분석을 수행했습니다. 쉽게 말해, 입력값을 하나씩 뒤섞은 뒤 각 모델의 정확도가 얼마나 떨어지는지 관찰한 것입니다. 정확도가 많이 떨어질수록 모델이 그 입력값에 더 많이 의존했다는 뜻입니다.

연구 결과

다섯 가지 알고리즘 중 랜덤 포레스트 회귀가 가장 일관된 성능을 보였으며, 평균 예측 오차가 가장 낮고(평균 제곱근 오차 14.225) 평균 결정계수(R²)는 0.146으로 가장 높았습니다. 이 수치는 최상의 모델이 만족도 점수 변동의 약 15%를 설명했다는 의미로, 저자들도 솔직하게 인정하듯 다소 제한적인 결과입니다.

더 많은 것을 알려 준 결과는 중요도 순위였습니다. 교차 검증 분석 전반에서 나이가 보청기 만족도를 예측하는 가장 영향력 있는 단일 요인으로 나타났습니다. 그 뒤를 난청이 시작된 연도, 교육 수준, 보청기 사용 기간, 하루 착용 시간이 이었습니다.

덜 중요했던 요인도 그만큼 흥미롭습니다. 성별, 배터리 종류, 이명이나 어지럼증의 유무는 예측에 비교적 적게 기여했습니다. 이러한 임상적 분류나 하드웨어 세부 사항보다는 사용자 개인의 특성과 기기가 일상생활에 얼마나 잘 녹아드는지가 더 중요했습니다.

저자들은 보청기 적응과 만족도가 개별적인 일대일 연관성이 아니라, 인구통계학적·행동적·임상적·기기 관련 특성 간의 복잡하고 비선형적인 상호작용에서 비롯된다고 결론지었습니다.

난청이 있는 분들에게 주는 의미

보청기를 고민하고 계신 분들께 이 순위는 실용적인 메시지를 전합니다. 만족도는 청력도나 사양표의 어느 한 항목으로 정해지는 것이 아닙니다. 본인이 영향을 줄 수 있는 요인, 무엇보다 기기를 얼마나 꾸준히 착용하는지가 목록의 상위권에 있었습니다.

나이, 난청 시작 시기, 교육 수준이 두드러졌다는 점은 보청기에 적응하는 과정이 어느 정도는 학습 과정임을 시사합니다. 사람들은 서로 다른 인생 단계에서, 서로 다른 여건 속에서 보청기를 접하게 됩니다. 알기 쉬운 사용 안내부터 꼼꼼한 사후 관리까지, 각자의 상황에 맞춘 지원이 기기의 전자 기술만큼이나 중요할 수 있습니다.

전반적인 예측력이 크지 않다는 점은 양면적입니다. 아직은 어떤 설문지도 보청기에 만족하게 될지를 미리 알려 줄 수 없다는 뜻입니다. 동시에 나이나 병력 때문에 불만족이 정해져 있는 사람은 아무도 없다는 뜻이기도 합니다. 결과를 좌우하는 요인의 대부분은 여전히 열려 있습니다.

만족도가 사람에 따라 달라진다면, 핵심은 개인 맞춤화입니다

이 연구는 하드웨어 사양이 아닌 개인적 요인을 만족도의 주요 동인으로 지목하고 있어, 착용하는 사람에게 맞춰 조정되는 기기의 필요성을 더욱 뒷받침합니다. 최신 FDA-OTC 보청기는 바로 이러한 개념을 바탕으로 만들어졌습니다. Panda Quantum도 그중 하나로, 시끄러운 환경에서 말소리를 더 선명하게 들을 수 있도록 조정된 적응형 소음 감소 기능을 갖춘 16채널 외이도 리시버형(RIC) 보청기입니다.

Quantum은 선택 사항인 전용 앱을 제공하며, 이 앱에서는 보청기 자체로 진행하는 귀 안 청력 검사를 실시하고 그 결과를 바탕으로 이득과 주파수 응답을 앱 기반으로 맞춤 설정할 수 있습니다. 앱과 검사는 모두 선택 사항이며, 기기는 둘 다 없이도 개봉 즉시 사용할 수 있어 스마트폰에 익숙한 정도와 관계없이 누구나 편하게 쓸 수 있습니다.

Quantum은 1회 충전으로 약 20시간 사용할 수 있으며, 충전 케이스가 완전 충전을 3회 더 제공해 총 80시간을 사용할 수 있습니다. 블루투스 스트리밍으로 통화, TV, 음악을 즐길 수 있고, 5년 보증과 제품 수령일부터 시작되는 45일 체험 기간이 제공됩니다. 다만 모든 OTC 보청기에 해당하는 유의 사항이 있습니다. OTC 보청기는 경도에서 중등도 난청을 위한 제품이며, 고도 또는 심도 난청은 여전히 전문가의 임상 피팅이 가장 적합합니다. 자세한 내용은 pandahearing.com/products/panda-hearing-aids-quantum에서 확인하실 수 있습니다.

이 연구의 한계

최상의 모델도 만족도 변동의 15% 미만만을 설명했으므로, 결과를 좌우하는 요인의 대부분은 연구에 포함된 변수로 포착되지 않았습니다. 만족도는 단일 도구로만 측정되었고, 분석은 단면 연구로 이루어져 사용자를 시간에 따라 추적한 것이 아니라 한 시점의 모습만 보여 줍니다.

저자들 스스로도 이러한 프레임워크가 임상적 의사결정에 활용되기 전에 포괄적인 청각학적 측정, 장기 추적 관찰, 독립적인 외부 검증을 추가한 후속 연구가 필요하다고 밝혔습니다. 연구비 지원 및 이해 상충 관련 정보는 논문 초록에 보고되지 않았습니다.

맺음말

한 번의 연구로 머신러닝이 보청기 만족도의 비밀을 풀어낸 것은 아니며, 저자들도 그렇게 주장하지 않습니다. 이 연구가 제시하는 것은 무엇이 중요한지 순위를 매기는 투명하고 재현 가능한 방법이며, 그 첫 번째 순위는 유용한 시사점을 줍니다. 상자 속 세부 사양보다 기기를 착용하는 사람, 그의 나이와 이력, 그리고 일상 습관이 더 중요하다는 것입니다.

Arslanbas S, Akinci TC, Çetinkaya ÜC, Terlemez S. An Explainable Machine Learning Framework for Predicting Hearing Aid Satisfaction: Integrating the HATASS Instrument and Clinical Insights. Bioengineering. 2026;13(9):985. PubMed에서 발췌. https://doi.org/10.3390/bioengineering13090985