1. 건강문해력의 개념과 측정

건강문해력은 초기에는 의료정보의 읽기 능력이나 수리 능력과 같은 기능적 문해력의 관점에서 이해되었으나, 이후 건강정보의 비판적 해석과 실제 활용 역량까지 포괄하는 다차원적 개념으로 확장되어 왔다. 특히 Nutbeam(2000)은 건강문해력을 기능적, 상호작용적, 비판적 문해력으로 구분하였고, Sørensen 등(2012)은 이를 의료, 질병예방, 건강증진의 세 영역과 정보의 접근, 이해, 평가, 적용의 네 가지 인지 과정으로 통합하여 개념화하였다.

건강문해력 측정 도구는 이러한 개념 확장에 따라 다양하게 발전해 왔다. 초기의 REALM(Davis et al., 1993)과 TOFHLA(Parker et al., 1995)는 의료 관련 어휘 이해나 기능적 문해력을 중심으로 구성되어 임상 현장에서 널리 활용되었으나, 건강정보의 평가와 적용 역량을 충분히 반영하지 못한다는 한계가 지적되었다. 이에 따라 유럽연합은 건강문해력의 다차원적 구조를 반영한 HLS-EU-Q47을 개발하였으며(Sørensen et al., 2013), 이후 HLS-EU-Q16, Q6과 같은 축약형 도구가 제안되었다(Pelikan & Ganahl, 2017). 이 가운데 HLS-EU-Q16은 원척도의 핵심 구조를 비교적 충실히 유지하면서도 적용 가능성을 높인 도구로 평가되어 여러 국가에서 번역, 적용 및 타당도 검토가 이루어져 왔다(Storms et al., 2017; Rouquette et al., 2018; Gustafsdottir et al., 2020).

국내에서도 건강문해력에 대한 연구가 증가하면서 다양한 측정 도구의 적용과 검토가 이루어져 왔다. 강수진과 이미숙(2015)은 국내 건강문해력 연구 동향을 검토하며 측정도구의 타당도와 대상자 특성에 따른 검증의 필요성을 제기하였다. 천희란 외(2022)는 국내 건강문해력 측정도구 연구를 주제범위 문헌고찰로 분석하면서, 도구 개발과 타당화 연구가 증가하고 있으나 대표 표본, 조사시간, 적용 대상 등 도구 활용과 관련된 정보가 더 체계적으로 제시될 필요가 있다고 지적한 바 있다.

2. 건강문해력 축약형 선별 도구

건강문해력 측정도구의 축약은 단순히 문항 수를 줄이는 문제가 아니라, 측정 목적에 맞는 정보 손실의 범위를 관리하는 과정이라 할 수 있다. 전면적 측정을 목표로 하는 경우에는 건강문해력의 다차원성을 충분히 반영하는 문항 구성이 요구되지만, 선별을 목적으로 하는 경우에는 짧은 시간 안에 저건강문해력 위험군을 식별할 수 있는 간결성과 적용 용이성이 중요하다.

기존 연구에서 건강문해력 축약형 도구는 대체로 두 가지 방식으로 개발되어 왔다. 첫째는 기존 도구의 일부 문항을 선정하여 원척도의 개념 구조를 유지하면서 문항 수를 줄이는 방식이다. HLS-EU-Q16과 Q6이 대표적이며(Pelikan & Ganahl, 2017), 이후 여러 국가에서 번역과 문화적 적응을 거쳐 타당성이 검토되어 왔다(Rouquette et al., 2018; Gustafsdottir et al., 2020). 이 경우 원척도의 개념 구조를 어느 정도 유지하면서 응답 부담을 줄이는 데 초점을 두고 있다. 둘째는 기존 개념틀과 표준 도구를 참고하되, 특정 목적과 활용 맥락에 맞게 소수 문항을 재구성하는 방식이다. Chew 등(2004)의 3문항 건강문해력 선별질문은 이러한 접근의 대표적 사례로, 임상 환경에서 짧은 시간 내에 건강문해력 취약 환자를 구분하기 위한 실용적 목적에 초점을 두고 개발되었다.

이러한 두 접근 모두 축약형 도구를 구성할 때에는 문항의 통계적 특성과 내용적 대표성을 함께 고려할 필요가 있다. 선행연구에서는 문항반응이론이나 측정 동일성 분석을 통해 문항 적합성과 집단 간 측정 안정성을 검토하거나(Rouquette et al., 2018), 요인분석, 문항–총점 상관, 내적 일관성, 응답 분포, 분류 성능 등을 활용하여 축약형 도구의 문항 구성을 평가하였다(Storms et al., 2017; Gustafsdottir et al., 2020). 특정 통계지표가 높은 문항만을 중심으로 도구를 구성할 경우 일부 영역에 문항이 편중될 수 있으며, 반대로 내용적 대표성만을 강조할 경우 선별 목적에 필요한 분류 성능 검토가 부족할 수 있다.

측정도구 개발 방법론에서도 문항 개발, 문항 평가, 신뢰도, 타당도, 요인구조, 척도 길이의 적정성을 종합적으로 검토해야 한다고 강조한다(DeVellis & Thorpe, 2021; Streiner et al., 2015). 특히 소수 문항으로 구성된 선별도구는 원척도의 전체 개념 구조를 충분히 대체하기 어렵기 때문에, 해당 도구의 사용 목적과 해석 범위를 명확히 규정할 필요가 있다. 또한 분류도구의 성능을 평가할 때에는 민감도, 특이도, 양성예측도, 음성예측도 등 주요 지표를 제시하고, 동일 자료에서 문항을 선정하고 성능을 평가하는 경우에는 성능이 낙관적으로 추정될 가능성이 있으므로, 표본분할 등 내적 검증 절차를 통해 결과의 안정성을 점검할 필요가 있다(Steyerberg, 2019).

단축형 선별도구에서 적절한 문항 수에 대한 일치된 기준은 존재하지 않는다. 다만 선별을 주된 목적으로 할 경우, 건강문해력의 모든 하위 차원을 포괄적으로 측정하기보다는 제한된 시간 안에서 저건강문해력 위험 가능성이 있는 대상을 파악하는 데 필요한 문항을 선택하는 방식이 고려될 수 있다(Chew et al., 2004; Haun et al., 2014).

국내에서는 건강문해력 측정 도구의 연구 동향과 개념적 검토는 이루어져 왔으나(강수진, 이미숙, 2015; 천희란, 김수현, 박은자, 2022), 한국적 문화, 언어적 맥락과 대규모 대표자료를 바탕으로 3문항 수준의 초단축 선별도구를 구성하고 분류 성능을 평가한 연구는 제한적이다.

1. 연구 설계

본 연구는 제2기 한국의료패널 2021년 부가조사를 활용하여 HLS-EU-Q16 기반 3문항 건강문해력 축약형 선별도구를 구성하고, 그 내적 일관성과 원척도 대비 분류 성능 및 절단점에 따른 성능 차이를 예비적으로 평가한 이차자료 기반의 계량적 연구이다. 이를 위해 전체 HLS-EU-Q16 문항의 응답 특성과 요인 구조, 문항-총점 상관성, 내적 일관성, 응답 분포의 변별력, 요인적재량 및 공통성, HLS-EU 개념틀에 따른 이론적 대표성을 종합적으로 고려하여 3문항 3개의 예비 조합을 구성하였다. 이후 각 예비 축약형 도구의 분류 결과를 원척도의 분류 기준과 비교하여 민감도, 특이도, 예측도, 우도비, 균형정확도(Balanced accuracy) 및 ROC/AUC를 산출하였다.

세 가지 예비조합을 구성하여 평가한 후, 추가 확인분석으로 가능한 모든 3문항 조합 560개의 ROC/AUC를 산출하여 비교하였다. 또한 문항선정과 성능평가가 동일 자료에서 이루어지는 데 따른 과적합 가능성과, 원척도 문항을 내부 준거로 사용하는 데 따른 부분-전체 중복 가능성을 검토하기 위해 표본분할 검증과 13문항 보조준거 분석을 실시하였다. 가중치 적용과 ‘잘 모르겠다’ 응답 처리 방식에 따른 민감도 분석을 통해 결과의 안정성을 확인하였다.

2. 연구 대상 및 자료

본 연구는 제2기 한국의료패널 2021년 연간자료와 건강문해력 부가조사를 활용하였다. 건강문해력 부가조사에 응답한 만 19세 이상 성인 중 건강보험 가입자와 의료급여 수급자는 총 9,714명이었으며, 이 중 HLS-EU-Q16 16개 문항 중 1개 이상 ‘잘 모르겠다’로 응답한 1,356명을 제외하였다. 이에 따라 본 연구의 주분석은 16개 문항 모두에 1~4점의 유효 응답을 제공한 성인 8,358명을 대상으로 수행하였다.

3. 측정 도구

건강문해력은 한국의료패널 건강문해력 부가조사에 포함된 HLS-EU-Q16을 사용하여 측정하였다(Pelikan & Ganahl, 2017; 배재용, 김혜윤, 2023). HLS-EU-Q16은 의료, 질병예방, 건강증진 영역에서 건강정보를 탐색하고, 이해하며, 평가하고, 적용하는 역량을 포괄적으로 측정하는 16개 문항으로 구성되어 있다. 각 문항은 '매우 어렵다', '어려운 편이다', '쉬운 편이다', '매우 쉽다', '잘 모르겠다' 중 하나로 응답하도록 구성되어 있으며, 본 연구는 HLS-EU-Q16의 기존 점수화 방식에 따라 주분석에서 '잘 모르겠다' 응답이 하나라도 있는 사례를 제외하였다(HLS-EU Consortium, 2012). 다만 ‘잘 모르겠다’가 건강정보 이해의 어려움이나 판단의 불확실성을 반영할 가능성을 고려하여, 해당 응답을 0점으로 처리한 민감도 분석을 실시하였다.

원척도 분류 기준을 적용하기 위해 각 문항 응답은 이진화하였다. 즉 ‘매우 어렵다’와 ‘어려운 편이다’는 0점, ‘쉬운 편이다’와 ‘매우 쉽다’는 1점으로 변환하였다. 이진화된 16개 문항의 합산점수는 0점에서 16점 범위이며, HLS-EU-Q16의 기존 분류 기준에 따라 0~8점은 부족, 9~12점은 문제, 13~16점은 충분 수준으로 구분된다(HLS-EU Consortium, 2012; Sørensen et al., 2013). 국내에서도 한국의료패널 자료를 활용한 연구에서 이러한 분류 기준에 근거한 건강문해력 수준 해석이 적용된 바 있다(배재용, 김혜윤, 2023). 본 연구는 원척도의 3수준을 정밀하게 대체하는 축약형 도구 개발보다는, 대규모 조사 및 지역사회 현장에서 저건강문해력 위험군을 1차적으로 넓게 포착하기 위한 선별 후보도구 구성에 초점을 두었으므로, 부족 및 문제 수준을 통합하여 총점 12점 이하를 저건강문해력군으로 정의하였다.

한편, 축약형 도구 구성 단계에서는 분석 목적에 따라 원자료와 이진화 자료를 구분하여 사용하였다. 탐색적 요인분석에는 원자료의 4점 Likert 응답을 사용하였고, 문항별 분포, 문항–총점 상관, 내적 일관성, 축약형 합산점수 및 원척도 대비 분류 성능 평가에는 이진화 자료를 사용하였다.

4. 문항선정 및 분석절차

본 연구는 HLS-EU-Q16 기반 3문항 축약형 건강문해력 선별 후보도구를 구성하기 위해 통계적 적합성과 내용적 대표성을 함께 고려하는 단계적 분석 절차를 적용하였다.

첫째, HLS-EU-Q16 각 문항의 응답분포를 확인하였다. 각 문항은 ‘매우 어렵다’와 ‘어려운 편이다’를 0점, ‘쉬운 편이다’와 ‘매우 쉽다’를 1점으로 이진화하였으며, ‘잘 모르겠다’응답이 하나라도 있는 사례는 주분석에서 제외하였다. 이진화된 문항별 평균, 표준편차, 응답 비율을 산출하여 문항의 난이도와 변별 가능성을 검토하였다. 특히 ‘쉬움’ 응답 비율이 90% 이상인 문항은 저건강문해력 선별에서 변별력이 제한될 가능성이 있는 문항으로 검토하였다.

둘째, 전체 16문항의 내적 일관성을 확인하기 위해 Cronbach’s α를 산출하고, corrected item-total correlation과 문항 제거 시 Cronbach’s α 변화를 검토하였다. 이는 축약형 도구 구성을 위한 문항 후보군을 선별하기 위한 보조 기준으로 활용하였다. 다만 본 연구의 목적은 전체 척도의 신뢰도를 극대화하는 것이 아니라 선별 목적에 적합한 소수 문항 조합을 구성하는 것이므로, 내적 일관성 지표만으로 최종 문항을 결정하지는 않았다.

셋째, 문항 간 경험적 구조를 확인하기 위해 탐색적 요인분석을 실시하였다. 분석에는 HLS-EU-Q16의 원자료인 4점 Likert 응답을 사용하였으며, 요인 추출은 주축요인추출법(principal axis factoring), 회전은 Oblimin 사각회전을 적용하였다. 요인분석에 앞서 KMO와 Bartlett 구형성 검정을 통해 요인분석 적합성을 확인하였다.

넷째, 문항선정은 문항분포, 문항–총점 상관, 내적 일관성 기여도, 요인적재량 및 공통성, 그리고 HLS-EU 개념틀에 따른 내용적 대표성을 종합하여 수행하였다. 수정 문항–총점 상관 .30 이상을 기본 기준으로 삼되, 선별 후보 문항에서는 .60 이상 문항을 우선적으로 검토하였다. 요인분석 결과는 축약형 도구의 최종 요인구조를 확정하기 위한 목적이 아니라, 문항들이 반영하는 경험적 차원과 문항 간 중복 가능성을 파악하기 위한 보조 근거로 활용하였으며, 요인적재량 .40 이상 및 공통성 .40 이상을 참고 기준으로 삼았다. 다만 최종 문항선정은 특정 통계지표만으로 결정하지 않고, 건강정보 접근, 이해, 평가, 적용이라는 HLS-EU 개념틀의 핵심 기능과 문항 간 내용 중복 가능성을 함께 고려하였다.

다섯째, 상기 기준을 바탕으로 세 가지 3문항 예비 조합을 구성하였다. 첫 번째 후보는 경험적 성능과 건강정보 탐색과 활용 기능을 중시한 주 후보조합, 두 번째 후보는 의료 의사소통 및 예방서비스 이해 중심의 비교조합, 세 번째 후보는 의료 접근과 판단 및 건강증진 정보 이해를 포함한 대안 조합으로 설정하였다. 각 예비 도구는 3개 문항의 이진화 점수를 합산하여 0~3점 범위의 총점을 산출하였다. 원척도 기준 저건강문해력군은 HLS-EU-Q16 이진화 합산점수 12점 이하로 정의하였다. 각 축약형 도구의 분류 성능은 원척도 분류 결과와 비교하여 진양성(true positive, TP), 위음성(false negative, FN), 위양성(false positive, FP), 진음성(true negative, TN)을 산출하고, 민감도, 특이도, 정확도, 양성예측도, 음성예측도, 균형정확도, 양성우도비, 음성우도비를 계산하였다. 또한 3문항 합산점수의 전체 절단점에 대한 판별력을 평가하기 위해 ROC 분석을 실시하고 AUC를 산출하였다. 주요 분류 성능 지표와 AUC에 대해서는 95% 신뢰구간을 함께 제시하였다. 이후 추가 확인분석으로 HLS-EU-Q16의 16개 문항에서 가능한 모든 3문항 조합 560개의 분류 성능을 검토하여 최종 후보조합 선택의 안정성을 확인하였다.

여섯째, 우선 후보안으로 도출된 예비조합1에 대해 절단점별 성능을 비교하였다. 예비조합1 총점 0점 이하, 1점 이하, 2점 이하, 3점 이하를 각각 저건강문해력군 분류 기준으로 적용하고, 각 기준의 민감도, 특이도, 정확도, 양성예측도, 음성예측도, 균형정확도, 양성우도비, 음성우도비를 비교하였다. ROC 분석에서는 점수가 높을수록 저건강문해력 위험이 높아지도록 3문항 합산점수를 역코딩한 위험점수를 사용하였다. 선별도구의 목적을 고려하여 저건강문해력군 누락을 줄이는 민감도와 음성예측도를 중점적으로 검토하되, 과도한 위양성 가능성을 확인하기 위해 특이도와 양성예측도도 함께 검토하였다.

일곱째, 동일 자료에서 문항을 선정하고 성능을 평가함으로써 발생할 수 있는 과적합 및 낙관적 성능 추정 가능성을 완화하기 위해 표본분할 검증을 실시하였다. 전체 분석대상자 8,358명을 원척도 기준 저건강문해력 여부에 따라 층화한 뒤, 70% 개발표본과 30% 검증표본으로 무작위 분할하였다. 개발표본에서 산출된 예비조합1의 성능을 확인한 후, 동일한 문항 조합과 절단점을 검증표본에 적용하여 분류 성능이 유지되는지 평가하였다. 이는 외부 독립표본 검증을 대체하는 것은 아니지만, 동일 자료 내에서 도구 성능의 낙관적 추정 가능성을 점검하기 위한 내적 검증 절차로 활용하였다(Steyerberg, 2019).

여덟째, 예비조합1 구성 문항이 원척도 점수에 포함됨으로써 발생할 수 있는 부분-전체 중복 가능성을 검토하기 위해 보조준거 분석을 수행하였다. 예비조합1의 구성 문항인 HLIT1, HLIT8, HLIT12를 제외한 나머지 13문항의 합산점수를 산출한 뒤, 이를 16점 만점으로 환산하였다. 환산점수 12점 이하를 저건강문해력군으로 정의하고, 예비조합1의 분류 성능을 재평가하였다.

아홉째, 한국의료패널 자료의 표본설계를 고려하여 가중치 적용 민감도 분석을 실시하였다. 본 연구의 주목적은 축약형 도구의 문항 수준 분류 성능을 평가하는 것이므로 주분석은 HLS-EU-Q16 완전응답자 기반 비가중 분석으로 수행하였다. 다만 대표성 추정과 관련된 해석의 안정성을 확인하기 위해 가구원 횡단 모집단 가중치(I_WGC)를 적용한 민감도 분석을 추가하였다. 가중치 분석 결과는 주분석 결과와 비교하여 성능 지표의 방향성이 유지되는지 확인하는 보조자료로 활용하였다.

마지막으로, 4점 Likert 응답을 이분화하는 과정에서 발생할 수 있는 정보손실 가능성을 검토하기 위해, 최종 후보조합의 이분화 점수 기반 합산점수와 4점 원점수 기반 합산점수의 ROC/AUC를 비교하였다. 아울러 ‘잘 모르겠다’ 응답 처리 방식에 따른 결과의 안정성을 확인하기 위해 해당 응답을 0점, 즉 ‘어려움’으로 처리한 민감도 분석을 추가로 실시하였다.

모든 통계분석은 SPSS 28.0을 사용하였다.

1. 연구대상자 및 HLS-EU-Q16 문항 특성

<표 1>은 HLS-EU-Q16 문항별 이진화 응답 분포를 제시한 것이다. 본 연구의 최종 분석 대상자는 HLS-EU-Q16 16개 문항에 모두 유효 응답한 성인 8,358명이었다. 성별은 남성 3,686명(44.1%), 여성 4,672명(55.9%)이었다. 연령대는 60대가 2,005명(24.0%)으로 가장 많았고, 다음으로 70대 1,736명(20.8%), 50대 1,405명(16.8%) 순이었다. 교육수준은 대학교 이상이 2,638명(31.6%), 고등학교가 2,520명(30.2%)이었다. 결혼 상태는 기혼이 5,865명(70.2%)으로 가장 많았고, 경제활동 상태는 임금근로자 3,397명(40.6%), 비경제활동 인구 2,859명(34.2%)이었다. 건강보험 유형은 지역가입자 3,263명(39.0%), 직장가입자 2,459명(29.4%) 순이었다.

문항별 평균은 0.529(HLIT5)에서 0.935(HLIT4)까지 분포하였다. ‘이해 쉬움’ 응답 비율은 HLIT5(52.9%), HLIT12(56.6%), HLIT8(57.8%), HLIT1(57.9%), HLIT11(58.2%)에서 60% 미만이었다. 반면 HLIT4(93.5%), HLIT7(92.3%), HLIT10(91.6%), HLIT14(90.3%)는 ‘이해 쉬움’ 응답 비율이 90% 이상이었다. 이러한 문항별 응답 분포는 축약형 도구 구성 시 문항의 변별 가능성을 검토하기 위한 기초자료로 활용하였다.

2. HLS-EU-Q16의 내적 일관성과 요인구조

<표 2>는 HLS-EU-Q16의 내적 일관성 분석 결과를 제시한 것이다. HLS-EU-Q16 전체 16문항의 Cronbach’s α는 0.906이었다. 개별 문항-총점 상관계수는 0.282~0.707 범위였으며, 대부분의 문항이 0.3 이상을 나타내어 각 문항이 전체 척도와 양호한 상관성을 갖는 것으로 확인되었다. HLIT7은 0.282로 상대적으로 낮았으나 문항 제거 시 α의 변화 폭이 미미하여 전체 도구의 신뢰도에 크게 영향을 주지는 않은 것으로 보인다.

<표 3>에서 탐색적 요인분석에 앞서 자료의 요인분석 적합성을 확인한 결과, KMO 값은 0.952로 매우 높았으며, Bartlett 구형성 검정도 유의하였다(χ²(120)=86,391.28, p<.001). 요인 수 결정은 고유값(eigenvalue) 1.0 이상 기준과 스크리플롯을 종합적으로 고려하여 이루어졌다. 분석 결과, 두 개의 요인이 고유값 1 이상을 충족하였으며, 각 요인의 고유값은 요인 1이 8.46, 요인 2가 1.51로 나타났다. 스크리플롯에서도 두 번째 요인 이후 기울기의 완만한 감소가 확인되어 2요인 구조가 적절한 것으로 판단하였다.

회전 후 분산 설명력은 요인 1이 41.0%, 요인 2가 18.9%로 나타났으며, 두 요인의 누적 설명력은 59.9%였다. 두 요인 간 상관계수는 0.593으로 나타나 중등도 이상의 상관을 보였으며, 이는 두 요인이 완전히 독립적인 차원이라기보다는 건강문해력이라는 공통된 잠재 개념 하에서 서로 밀접하게 연결되어 있음을 의미한다.

각 문항의 요인 적재량을 살펴보면, 요인 1에는 건강정보의 탐색, 평가 및 활용과 관련된 문항들이, 요인 2에는 의료인의 설명 이해, 약물 복용 방법 이해, 건강검진 필요성 이해 등 의료·대면 의사소통 상황의 이해와 관련된 문항들이 주로 적재되었다. 문항별 공통성은 대체로 0.50 이상이었으나, HLIT9(0.352)와 HLIT14(0.420)는 상대적으로 낮았다. HLIT9의 경우 요인 1과 요인 2에 유사한 수준으로 적재되었으며(0.446, 0.392), 공통성은 0.352로 상대적으로 낮게 나타났다. 이는 해당 문항이 특정 요인에 명확히 귀속되지 않고 교차적재 경향을 보일 가능성을 시사한다.

3. 3문항 예비 축약형 도구 구성 및 분류 성능

<표 4>는 세 가지 3문항 예비 축약형 도구의 구성 문항, 신뢰도, 원척도와의 상관을 제시한 것이다. 세 예비조합은 단일 통계지표에 따른 성능 상위 조합이 아니라, 문항분포, 문항–총점 상관, 내적 일관성, 탐색적 요인분석 결과와 HLS-EU 개념틀에 따른 내용적 대표성을 종합적으로 고려하여 구성하였다.

세부 문항 검토 결과는 <부표 1>에 제시하였다. 예비조합1은 HLIT1, HLIT8, HLIT12로 구성하였고, 예비조합2는 HLIT3, HLIT4, HLIT10으로 구성하였다. 예비조합3은 HLIT2, HLIT5, HLIT15로 구성하였다.

신뢰도 분석 결과, 예비조합1의 Cronbach’s α는 0.787로 나타나 3문항 도구임을 고려할 때 수용 가능한 수준의 내적 일관성을 보였다. 예비조합3은 0.694로 비교적 양호한 수준이었으며, 예비조합2는 0.575로 상대적으로 낮은 수준을 보였다. 원척도와의 상관 분석에서는 예비조합1(0.902)과 예비조합3(0.894)이 매우 높은 상관을 보였고, 예비조합2는 0.602로 중등도 수준의 상관을 나타냈다(표 4).

<표 5>는 원척도 기준 저건강문해력군 분류 결과와 비교한 세 예비 축약형 도구의 분류 성능을 제시한 것이다. 예비조합1은 민감도 98.2%, 특이도 78.8%, 정확도 88.3%, 양성예측도 81.7%, 음성예측도 97.8%를 보였으며, 균형정확도는 88.5%, AUC는 0.965였다. 양성우도비는 4.63, 음성우도비는 0.023으로 나타났다. 예비조합3도 비교적 양호한 성능을 보였으나, 민감도와 음성예측도, AUC는 예비조합1보다 낮았다. 예비조합2는 특이도와 양성예측도는 높았으나, 민감도가 낮아 저건강문해력군을 넓게 선별하는 목적에는 적합성이 낮았다.

가능한 모든 3문항 조합 560개를 추가로 검토한 결과, 예비조합1의 AUC는 0.9654로 두 번째로 높았으며, 최고 AUC 조합(HLIT6, HLIT8, HLIT12; AUC=0.9662)과의 차이는 0.0008이었다. 예비조합1은 최고 AUC 조합보다 민감도와 음성예측도가 높았으며, 문항의 내용적 구성과 저건강문해력군의 누락을 줄이는 선별 목적을 함께 고려하여 후속 검증의 우선 후보조합으로 선정하였다.

4. 예비조합1의 절단점별 성능과 추가 검증

<표 6>은 예비조합1의 절단점에 따른 분류 성능을 제시한 것이다. 1점 이하 기준은 특이도 96.7%, 양성예측도 96.1%, 양성우도비 25.41로 저건강문해력 가능성이 높은 대상을 좁게 선별하는 데 유리하였다. 반면 2점 이하 기준은 민감도 98.2%, 음성예측도 97.8%, 음성우도비 0.023으로 나타나 저건강문해력군의 누락을 최소화하는 데 강점이 있었다. 0점 기준은 특이도는 매우 높았으나 민감도가 낮았고, 3점 이하 기준은 모든 대상자를 위험군으로 분류하게 되어 실질적 기준으로 적절하지 않다. 따라서 지역사회 1차 선별과 같이 위험군 누락을 최소화해야 하는 상황에서는 2점 이하 기준이 적절하며, 자원이 제한되어 개입대상을 보다 엄격하게 선별해야 하는 상황에서는 1점 이하 기준을 대안으로 고려할 수 있다.

<표 7>은 예비조합1의 표본분할 검증 결과를 제시한 것이다. 동일 자료 내 결과의 안정성을 점검하기 위해 70:30 표본분할 검증을 실시하였다. 검증표본에서 예비조합1의 2점 이하 기준은 민감도 98.3%, 특이도 79.1%, 정확도 88.5%, 양성예측도 81.9%, 음성예측도 98.0%를 보였다. 이는 전체표본 및 개발표본 분석과 유사한 수준으로, 예비조합1의 선별 성능이 표본분할 후에도 비교적 안정적으로 유지되는 것으로 볼 수 있다.

<표 8>은 예비조합1 구성 문항을 제외한 13문항 보조준거 분석 결과를 제시한 것이다. 13문항 합산점수를 16점 만점으로 환산하고 12점 이하를 저건강문해력군으로 정의한 결과, 예비조합1의 2점 이하 기준은 민감도 97.8%, 음성예측도 97.8%를 유지하였다. 다만 특이도는 66.7%, 양성예측도는 66.0%로 낮아졌다.

가중치 적용 민감도 분석 결과는 <부표 2>에 제시하였다. 1점 이하 기준은 민감도 77.4%, 특이도 97.8%, 정확도 90.4%, 양성예측도 95.1%, 음성예측도 88.4%였다. 2점 이하 기준은 민감도 97.1%, 특이도 81.9%, 정확도 87.4%, 양성예측도 75.3%, 음성예측도 98.1%였다. 가중치 적용 후에도 2점 이하 기준의 민감도와 음성예측도는 높게 유지되었으나, 양성예측도는 비가중 분석보다 낮아졌다.

점수화 방식에 따른 정보손실 가능성을 검토하기 위해 보조 분석을 통해 확인했을 때, 4점 원점수 합산점수를 사용한 예비조합1의 AUC는 0.964로 <표 5>의 이분화 점수 기반 결과와 유사하였다. 또한 ‘잘 모르겠다’를 0점으로 처리한 방식에 따른 영향을 확인하기 위한 민감도 분석에서도 예비조합1의 2점 이하 기준은 민감도 98.1%, 음성예측도 97.3%로 주분석과 유사하였다.