본 논문은 기존 연구의 클래스 불균형, 데이터 부족, 방법론적 일관성 부족 등의 문제점을 해결하고자, 첨단 데이터 균형 기술과 반실증 분석을 활용하여 대사증후군(MetS) 예측을 위한 머신러닝(ML) 모델을 체계적으로 평가하고 최적화하였다. XGBoost, Random Forest, TabNet 등 다양한 ML 모델을 ROS, SMOTE, ADASYN, CTGAN 등의 데이터 균형 기법 하에서 학습 및 비교하였고, SMOTE, ADASYN, CTGAN을 통합하여 합성 데이터 생성을 가중 평균 및 반복적 가중치 조정을 통해 최적화하는 새로운 하이브리드 프레임워크인 MetaBoost를 제시하여 1.14%의 정확도 향상을 달성하였다. 또한, 반실증 분석을 통해 고위험군에서 저위험군으로 전환하는 데 필요한 특징 수준 변화를 정량화하여 혈당(50.3%)과 중성지방(46.7%)이 가장 많이 수정된 특징임을 밝혔고, 확률적 분석을 통해 혈당 상승(85.5% likelihood)과 중성지방 상승(74.9% posterior probability)이 가장 강력한 예측 인자임을 보였다. 이 연구는 MetS 예측의 방법론적 엄격성을 높일 뿐만 아니라, 임상의와 연구자에게 실행 가능한 통찰력을 제공하여 대사증후군의 공중 보건 부담을 완화하는 데 ML의 잠재력을 강조한다.
