Leveraging the wearable 1-lead ECG signal: From cardiac rhythm to cardiac function assessment

기술 요약: 심장 기능 평가를 위한 웨어러블 1-리드 ECG 활용

문제 제별 (Problem Statement)
심혈관 질환은 여전히 전 세계 사망의 주요 원인으로 남아 있으며, 접근 가능한 진단 도구의 필요성을 증대시키고 있습니다. 12-리드 심전도(ECG)는 심장의 전기적 활동과 구조적 이상을 평가하는 임상적 골드 스탠다드이지만, 장비와 인력 요구 사항으로 인해 임상 환경에 국한되어 사용됩니다. 반면, 웨어러블 1-리드 ECG(예: 스마트워치)는 휴대성이 뛰어나 원격 모니터링을 가능하게 하지만, 역사적으로 구조적 또는 기능적 평가보다는 주로 리듬 분석(예: 심방세동 탐지)에 최적화되어 왔습니다. 최근 연구들은 1-리드 ECG가 좌심실 기능 부전(LVD)을 감지할 수 있음을 시사하고 있으나, 특히 심근경색(MI) 후 환자군 내에서 손목 기반 1-리드 ECG와 표준 12-리드 ECG 간의 직접적인 헤드 투 헤드(head-to-head) 비교 연구는 부족한 실정입니다. 또한, 특정 코호트 내에서 단일 리드 신호가 좌심실 기능(LVF)과 어떻게 상관관계를 갖는지 해석하기 위한 설명 가능한 AI(XAI)의 적용 역시 아직 충분히 탐구되지 않았습니다.

연구 방법론 (Methodology)
본 연구는 라이덴 대학교 의료 센터(Leiden University Medical Center, 2018–2023)에서 급성 관상동맥 증후군 치료를 받은 환자들의 매칭된 코호트를 활용하였습니다. 데이터셋 구성은 다음과 같습니다:

• 1-리드 ECG: 708명의 환자로부터 Withings ECG 스마트워치를 통해 집에서 기록된 63,950개의 원시 30초 신호 (300 Hz).
• 12-리드 ECG: 6,703명의 환자로부터 병원에서 기록된 77,005개의 원시 10초 신호 (500 Hz).

데이터 전처리 및 레이블링:
신호는 개별 심박(R-피크를 중심으로 한 800 ms 간격) 단위로 분할되었습니다. R-피크 검출에는 U-Net 기반의 CNN이 사용되었습니다. 홈 기록 특유의 데이터 품질 문제(예: 기기 방향 오류, 비휴식 상태)를 해결하기 위해, 자기상관(autocorrelation) 기반 필터를 적용하여 저품질 1-리드 신호를 제외했습니다. LVF 레이블은 ECG 기록 7일 이내에 얻은 심초음파 보고서로부터 추출되었으며, 대규모 언어 모델(LLM)을 사용하여 네 가지 서열 카테고리(정상, 경도, 중등도, 중증 기능 저하)로 분류되었습니다.

모델 아키텍처:
본 연구는 인코더와 디코더 모두에 7개의 순환 컨볼루션 블록(recurrent convolutional blocks)을 갖춘 부분 $\beta$-변이형 오토인코더(VAE)를 채택했습니다. 이 아키텍처는 잠재 표현(latent representation)을 비선형 신호 성분($z_{nls}$)과 LVF 예측과 직접 연결된 선형 신호 성분($z_{ls}$)으로 분리하도록 설계되었습니다. 네 가지 서로 다른 모델 구성이 학습 및 평가되었습니다:

1. 12-리드 모델: 전체 12-리드 ECG로 학습.
2. Lead I 모델: 12-리드 ECG에서 추출된 Lead I로 학습.
3. 사전 학습된 1-리드 모델: 12-리드 ECG의 Lead I로 사전 학습된 후, 웨어러블 1-리드 ECG로 미세 조정(fine-tuning).
4. 1-리드 모델: 웨어러블 1-리드 ECG로만 학습.

1-리드 입력을 위해, 단일 채널을 리드 차원에 따라 복제하여 모델의 예상 입력 형태($12 \times 400$)에 맞추었습니다.

해석 가능성 (Interpretability):
투명성을 보장하기 위해 본 연구는 **속성 조작(attribute manipulation)**을 활용했습니다. $z_{ls}$ 잠재 벡터를 가상의 LVF 상태(중증 기능 저하에서 정상까지)를 나타내도록 조작함으로써, 가상의 ECG 파형을 재구성했습니다. 이를 통해 다양한 수준의 LVF 저하와 관련된 특정 형태학적 변화(예: R-피크 진폭, T-파 면적)를 시각화할 수 있었습니다.

주요 결과 (Key Results)

• 예측 성능: 전체 12-리드 모델이 가장 높은 성능(AUC = 0.897)을 달립했습니다. 웨어러블 1-리드 모델은 AUC 0.863을, 사전 학습된 1-리드 모델은 AUC 0.883을 달성했습니다. 이 결과는 1-리드 ECG가 12-리드 ECG에 근접하는 정확도로 LVF를 예측할 수 있음을 나타냅니다.
• 민감도/특이도 트레이드오프: 민감도 0.90에서 12-리드 모델의 특이도는 0.64, 사전 학습된 1-리드 모델은 0.71, 표준 1-리드 모델은 0.65를 기록했습니다.
• 집계의 이점: 심박 단위의 예측값은 신호 내 평균을 내는 방식으로 집계되었습니다. 이러한 시간적 집계는 1-리드 모델의 성능을 유의미하게 향상시켰으며, 이는 노이즈 제거와 더 긴 30초 기록을 통한 더 많은 심박수의 확보가 감소된 공간 해상도를 보완할 수 있음을 시사합니다.
• 일관성: 모든 모델은 높은 심박 일관성 점수(대부분의 경우 HBC > 0.95)를 보여주었으며, 이는 견고한 기록 내 안정성을 나타냅니다.
• 해석 가능성 발견: 속성 조작 결과, 12-리드 모델은 여러 리드에 걸친 다양한 특징(예: 특정 리드의 notched R-peaks)을 활용하는 것으로 나타났습니다. 반면, 1-리드 모델은 Lead I와 유사한 특징(예: R-피크 진폭, T-파 형태)에 의존하였으며, 이는 1-리드 모델이 전역적인 이상 징후는 포착할 수 있지만 공간적 다양성은 부족함을 확인시켜 줍니다.

의의 및 주장 (Significance and Claims)
본 논문은 설명 가능한 딥러닝과 결 결합된 웨어러블 1-리드 ECG가 리듬 분석을 넘어 구조적 심장 기능, 구체적으로 심근경색 후 환자의 좌심실 기능을 평가할 수 있는 역량을 갖추고 있다고 주장합니다. 본 연구는 다음을 입증합니다:

1. 임상적 실행 가능성: 1-리드 ECG는 시간적 집계를 통해 12-리드 ECG와 대등한 성능을 달성함으로써, LVF에 대한 임상적으로 의미 있는 통찰을 제공할 수 있습니다.
2. 조력자로서의 설명 가능성: 속성 조작을 통한 설명 가능한 AI의 활용은 모델의 추론 과정을 투명하게 보여주며, 예측을 주도하는 특정 파형 성분(예: T-파 형태)을 강조합니다. 이러한 투명성은 전문적인 심장 전문 지식을 활용하기 어려운 자원 제한 지역이나 가정 기반 케어 환경에서 이러한 도구를 확장하는 데 필수적입니다.
3. 전략적 적용: 1-리드 ECG가 12-리드 ECG를 대체하기 위한 목적은 아니지만, 환자를 정밀 검토 대상으로 분류하는 조기 경보 시스템으로서 실용적이고 확장 가능한 스크리닝 및 종단적 모니터링 도구 역할을 할 수 있습니다.

저자들은 1-리드 모델이 12-리드 모델과 성능 격차가 존재하며, 심근경색의 위치(전역적 vs 국소적 이상)에 따라 효과가 달라질 수 있음을 인정하며 신중한 입장을 유지하고 있습니다. 또한, 광범위한 임상 하위 유형에서 이러한 발견을 검증하고, 가정 기반 획득 데이터의 품질 관리를 정교화하기 위한 향후 연구가 필요함을 강조합니다.