익사 온도 추정을 위한 혈액 생화학 지표 활용의 정확성을 높이기 위해 본 연구는 익사한 SD 쥐의 신선한 심장혈액을 사용하여 생화학 검사를 실시했으며, 통계 검정과 기계 학습을 이용해 익사 온도와 혈액 생화학 지표 간의 회귀 모델을 구축했다. 혈액의 14가지 생화학 지표를 측정하여 정규성 검정, 분산 동질성 검정, 분산 분석, 사후 검정 및 상관 분석을 수행했고, K-최근접 이웃 회귀(KNN) 모델을 사용하여 중요한 특성 지표를 선별하여 벤치마킹 및 회귀 모델을 구축했으며, 최종적으로 모델의 하이퍼파라미터 튜닝, 평가 및 해석을 수행했다. 결과는 14가지 생화학 지표가 다양한 온도에서 정규 분포를 따르며 그룹 내 평균 간에 유의한 차이(p<0.05)가 있었고, 18.6%의 그룹 간 쌍별 비교에서 유의미한 차이가 없었으며; 각 지표 간 공선성 정도는 낮았다(<70%). 회귀 모델은 알칼리 인산분해효소(ALP), 감마 글루타밀 전이효소(GGT), 크레아티닌(Cr), 요산(UA), 요소(UREA), 고밀도 지단백 콜레스테롤(HDL_C), 총 콜레스테롤(CHO), 중성지방(TG), Ca²⁺, Mg²⁺ 10가지 생화학 지표를 선별했고, 이를 특성 변수로 하여 KNN 회귀 모델을 구축했으며, 하이퍼파라미터 튜닝 후 테스트 세트의 평균 제곱근 오차(RMSE)는 1.872, 결정 계수(R²)는 0.9792였다. Mg²⁺, TG, ALP 세 지표가 모델에 가장 큰 영향을 미쳤으며 모두 음의 영향을 주었다. 기존 회귀 모델과 비교할 때, 본 연구에서 구축한 회귀 모델은 샘플 데이터를 충분히 활용하며 데이터 전처리가 간단하고 정확도가 높고 해석 가능성이 우수하여 익사 온도 추정에 적합하다.

익사 온도;혈액 생화학;익사;머신러닝