A Multimodal and Explainable Machine Learning Approach to Diagnosing Multi-Class Ejection Fraction from Electrocardiograms

"심전도에서 다중 분류 박출률을 진단하기 위한 다중 모달 및 설명 가능한 기계 학습 접근법"에 대한 상세한 기술 요약입니다.

1. 문제 제기

임상적 배경: 좌심실 박출률 (LVEF) 은 심부전을 진단하고 돌연 심장사 위험을 계층화하는 데 있어 금표준 (gold standard) 입니다. 그러나 현재 평가는 에코카디오그래피나 심장 MRI 에 의존하고 있는데, 이는 자원 집약적이며 비용이 많이 들고 시간이 소요되며, 1 차 진료나 자원이 부족한 환경에서는 종종 접근이 어렵습니다.
격차: 12 유도 심전도 (ECG) 는 보편적이고 저비용이지만, 관련 신호가 인간이 해석하기에는 너무 미묘하기 때문에 역사적으로 LVEF 평가를 제공할 수 없었습니다.
기존 AI 의 한계: 이전의 AI 접근법은 주로 다음에 초점을 맞추었습니다:

• 이진 분류: "정상"과 "감소된" EF 만을 구분 (종종 <35% 와 같은 단일 절단값 사용).
• 단일 모달 데이터: ECG 파형만 또는 전자 건강 기록 (EHR) 데이터만 의존하며, 둘을 통합하지 않음.
• 블랙박스 모델: 해석 가능성이 부족하고 임상 배포를 위한 높은 계산적 장벽을 부과하는 딥러닝 아키텍처 사용.
• 세분화 부족: 치료 결정에 중요한 경미한, 중등도, 중증 수축기 기능 부전 사이의 구분을 실패함.

목표: 표준 12 유도 심전도와 구조화된 EHR 데이터를 사용하여 LVEF 를 네 가지 임상적으로 구별 가능한 층위로 분류하는 다중 모달, 설명 가능, 그리고 계산적으로 효율적인 기계 학습 프레임워크를 개발하는 것.

---

2. 방법론

A. 데이터 코호트

• 출처: 코네티컷주의 대규모 네트워크인 하트포드 헬스케어 (HHC) 의 후향적 데이터.
• 포함 기준: 표준 12 유도 심전도와 14 일 이내에 의사가 검토한 에코카디오그래피를 가진 성인 외래 환자.
• 개발 코호트: 30,952 명의 고유 환자로부터 얻은 36,784 개의 심전도 - 에코카디오그래피 쌍.
  • 클래스 분포: 정상 (≥50%): 88.35%; 경미하게 감소 (40–50%): 5.93%; 중등도로 감소 (30–40%): 3.47%; 중증으로 감소 (<30%): 2.26%.
• 시간적 검증 코호트: 시간 경과에 따른 일반화성을 테스트하기 위해 후속 기간 (2024 년 1 월 – 2025 년 7 월) 의 19,966 개 심전도.
• 제외: "품질 불량" 또는 "아티팩트"로 표시된 심전도.

B. 특징 공학

이 연구는 두 가지 다른 데이터 유형을 결합하는 다중 모달 접근법을 사용합니다:

1. 심전도 시계열 특징 (구조화):
   • 전처리: 0.5Hz 고역 통과 버터워스 필터링, 전원선 간섭 제거, z-점수 표준화.
   • 임상 특징: RR 간격 통계, 심박수 지표, PQRST 형태를 포착하는 127 개의 수동으로 설계된 특징 (확립된 심전도 특징 세트 사용).
   • 자동화 특징: tsfresh 라이브러리를 통해 생성된 777 개의 시계열 기술자 (통계적 모멘트, 정상성, 자기상관, 정보 이론적 측정, 주파수 영역 특성 (예: 스펙트럼 엔트로피) 포함).
   • 총 심전도 특징: 유도당 약 900 개의 특징으로, 12 개 유도 전체에 걸쳐 연결됨.
2. EHR 구조화 변수:
   • 에코카디오그래피 6 개월 전부터 추출.
   • 인구통계, 신체 측정, 약물 병력, 그리고 동반 질환 (ICD-10 그룹화) 포함.
   • 선택: 희소성을 줄이기 위해 가장 빈도가 높은 50 개의 진단 그룹과 50 개의 약물 그룹을 유지.
   • 누출 방지: 레이블 누출을 방지하기 위해 LVEF 와 직접적인 관련이 있는 코드 (예: 특정 심부전 코드) 를 명시적으로 제외.

C. 모델 아키텍처

• 알고리즘: XGBoost(Extreme Gradient Boosting).
• 근거: 딥러닝 대신 계산 효율성, 병원 시스템 내 배포 용이성 (CPU 호환), 그리고 표 형식 데이터에서의 우수한 성능을 위해 선택됨.
• 작업: One-vs-Rest 전략을 사용한 다중 클래스 분류 (4 클래스).
• 학습: 80% 학습, 10% 검증, 10% 홀드아웃 테스트 (데이터 누출 방지를 위한 환자 단위 분할).
• 하이퍼파라미터: 학습률 0.08, 최대 깊이 7, 최소 자식 가중치 5, 목적 함수 multi:softprob.

D. 설명 가능성

• 방법: SHAP(SHapley Additive exPlanations).
• 구현: 홀드아웃 테스트 세트에서 클래스별 SHAP 값을 계산하여 각 LVEF 층위를 위한 예측을 주도하는 특징을 식별.
• 안정성 분석: 상위 특징 순위가 샘플 간에 일관되게 유지되는지 확인하기 위해 부트스트랩 리샘플링 (B=20) 수행.

---

3. 주요 결과

A. 성능 지표 (내부 테스트 세트)

다중 모달 (ECG + EHR) 모델은 네 가지 클래스 전반에 걸쳐 단일 모달 베이스라인 (ECG 만, EHR 만) 보다 우수한 성능을 보였습니다.

• AUROC(One-vs-Rest):
  • 중증 (<30%): 0.95(다중 모달) 대 0.94(ECG 만) 대 0.87(EHR 만).
  • 중등도 (30–40%): 0.92(다중 모달) 대 0.88(ECG 만) 대 0.86(EHR 만). 여기서 가장 큰 향상이 관찰됨.
  • 경미 (40–50%): 0.82(다중 모달) 대 0.80(ECG 만) 대 0.76(EHR 만).
  • 정상 (≥50%): 0.91(다중 모달) 대 0.89(ECG 만) 대 0.84(EHR 만).

B. 시간적 외부 검증

모델은 미래 시간적 코호트 (2024 년 1 월–2025 년 7 월) 에서 견고한 성능을 유지하여 시간 경과에 따른 안정성을 입증했습니다.

• AUROC: 중증 0.93, 중등도 0.89, 경미 0.81, 정상 0.89.
• 다중 모달 접근법은 EHR 데이터 통합의 가치를 확인하며 ECG 만 모델보다 일관되게 점진적인 향상을 제공했습니다.

C. 클래스 불균형 및 임계값

• "정상" LVEF 의 높은 유병률 (88%) 로 인해 임계값 의존성 지표 (F1, 민감도) 가 다양했습니다.
• 정상 클래스: F1 최대화 임계값에서 높은 F1(0.95) 과 민감도 (0.99) 를 달성했으나, 모델이 지배적인 클래스를 분류하는 데 관대하기 때문에 특이도는 낮았습니다 (0.26).
• 감소된 클래스: modest 한 F1 점수 (0.27–0.35) 를 보였으나 높은 특이도 (0.82–0.95) 를 나타내어, 모델이 건강한 환자에서 감소된 EF 를 배제하는 데 효과적이지만 스크리닝 목적을 위해서는 신중한 임계값 설정이 필요함을 시사합니다.

D. 특징 귀속 (설명 가능성)

SHAP 분석은 일관되고 임상적으로 타당한 주도 요인을 식별했습니다:

• 심전도 특징: 유도 I 과 V6 의 QR 간격 진폭 통계, 스펙트럼 엔트로피 (주파수 영역 복잡도), 그리고 측벽 유도에서의 특정 전압/형태 기술자.
• EHR 특징: 심근병증 병력 (I42.9), 허혈성 심근병증 (I25.5), 수축기 혈압, 그리고 성별.
• 안정성: 상위 10 개 특징이 부트스트랩 리샘플의 95–100% 에 나타났으며, 견고성을 확인했습니다.

---

4. 주요 기여

1. 다중 클래스 세분화: 치료 지침과 일치하는 임상적으로 실행 가능한 4 단계 계층화 (정상, 경미, 중등도, 중증) 로 "정상 vs 감소" 이진 분류를 넘어섬.
2. 다중 모달 융합: 공학적으로 설계된 심전도 시계열 특징과 구조화된 EHR 데이터를 결합하는 것이 단일 모달만 사용하는 것보다 우수한 성능을 제공하며, 특히 중등도 및 경미 감소 사례에서 더 두드러짐을 입증.
3. 설명 가능성 및 신뢰: SHAP 를 사용하여 모델 결정을 해석 가능한 임상 변수 (예: 특정 심전도 진폭 및 ICD-10 코드) 로 매핑하여 딥러닝의 "블랙박스" 우려를 해소.
4. 배포 가능성: 단일 GPU 에서 학습 시간 약 3.3 분으로 계산적으로 효율적이고 오픈 소스이며 표준 병원 IT 인프라와 호환되는 XGBoost 기반 표 형식 파이프라인을 사용 (자원 집약적인 딥러닝 모델과 대비됨).
5. 시간적 검증: 별도의 미래 코호트에서 모델을 검증하여 학습된 신호가 시간 경과에 따라 안정적이며 특정 학습 기간의 아티팩트가 아님을 증명.

---

5. 중요성 및 임상적 함의

• 스크리닝 및 분류: 이 모델은 1 차 진료를 위한 실용적인 의사결정 지원 도구 역할을 합니다. 확인되지 않을 수 있는 고위험 감소 LVEF 환자를 식별하여 확인용 에코카디오그래피를 위해 우선순위를 지정할 수 있습니다.
• 자원 최적화: 에코카디오그래피 접근이 제한된 환경에서 이 AI 도구는 저위험 환자의 불필요한 영상을 줄이고 고위험 개인을 긴급 치료로 연결할 수 있습니다.
• 글로벌 건강: 보편적인 심전도와 표준 EHR 데이터에 의존하므로 고급 영상이 부족한 저소득 및 중소득 국가로 확장 가능합니다.
• 향후 작업: 저자들은 판별력이 높지만, 이러한 예측이 실제 업무 흐름에서 진료 의뢰 패턴과 환자 결과에 어떻게 영향을 미치는지 결정하기 위해 전향적 임상 시험이 필요하다고 지적합니다.

결론: 이 연구는 일상적인 심전도에 잠재된 진단 정보를 해제하는 견고하고 설명 가능하며 배포 가능한 AI 프레임워크를 제시하여, 자원이 제한된 환경에서 심부전 위험 계층화를 위한 확장 가능한 솔루션을 제공합니다.