Development and validation of an ECG-based 10-year risk prediction model for Major Adverse Cardiac and Cerebrovascular Events in UK Biobank

본 연구는 UK Biobank 데이터를 기반으로 정지 및 운동 중 심전도 (ECG) 기반 위험 점수가 주요 심뇌혈관 사건 (MACCE) 의 10 년 예측에 독립적으로 유의미하지만, 기존 QRISK3 임상 위험 인자와 결합했을 때는 예측 성능이 미미하게만 향상됨을 규명했습니다.

핵심

🌤️ 1. 연구의 배경: 기존 날씨 예보의 한계

지금까지 우리가 심혈관 질환 (심장마비, 뇌졸중 등) 의 위험을 예측할 때는 **'기존의 날씨 예보 모델 (QRISK3)'**을 사용했습니다. 이 모델은 나이, 성별, 혈압, 흡연 여부, 체중 같은 **'기본적인 기후 데이터'**를 바탕으로 10 년 후 폭풍이 올 확률을 계산합니다.

하지만 이 모델은 완벽하지 않습니다.

• 한계: 같은 날씨 데이터라도 사람마다 심장이라는 '지형'이 다르기 때문에, 실제 폭풍이 올지 안 올지 예측이 틀릴 때가 많습니다.
• 질문: 그렇다면, 우리가 평소 쓰지 않는 **'실시간 심장 활동 기록 (심전도)'**을 더 살펴보면, 폭풍을 더 정확하게 예측할 수 있을까요? 특히 심장에 무리를 주는 **'운동 중 심전도'**는 어떨까요?

🔍 2. 실험 방법: 4 만 명의 '심장 운동회'

연구진은 영국 바이오뱅크에 참여한 41,076 명의 건강한 사람들을 대상으로 실험을 했습니다.

1. 운동 시뮬레이션: 이들에게 자전거를 타게 하여 심장을 약간 가빠지게 했습니다 (운동 심전도).
2. 데이터 수집:
   • 기존 방식 (C-ECG): 심전도 파형에서 의사가 보통 보는 숫자들 (리듬, 간격 등) 을 추출했습니다.
   • AI 방식 (ECGAI): 인공지능 (딥러닝) 이 운동 전, 운동 중, 운동 후의 심전도 파형 전체를 통째로 분석하여 새로운 '위험 점수'를 만들었습니다. 마치 AI 가 사람의 눈으로 볼 수 없는 미세한 구름의 흐름까지 읽는 것과 같습니다.
3. 추적 관찰: 이들을 약 12 년 동안 지켜보며, 실제로 심장마비나 뇌졸중이 발생한 사람이 얼마나 되는지 확인했습니다.

📊 3. 연구 결과: AI 가 발견한 것들

① 심전도는 확실히 '예보'에 도움이 된다

운동 중 심전도 데이터는 기존 임상 데이터만으로는 알 수 없었던 위험 신호를 찾아냈습니다. 특히 **인공지능 (ECGAI)**이 분석한 점수는 심장 질환 발생과 밀접한 연관이 있었습니다.

• 비유: 기존 날씨 예보가 "내일 비 올 확률 30%"라고 했을 때, AI 심전도는 "아, 구름 모양이 이상하네, 비 올 확률이 사실은 50% 일 수도 있겠다"라고 추가 정보를 준 셈입니다.

② 하지만, '기존 예보'를 완전히 대체하진 못했다

가장 중요한 결론은 이렇습니다. "심전도를 추가해도 예측 정확도가 아주 조금만 좋아졌다."

• C-index (정확도 점수): 기존 모델에 심전도를 더했을 때, 예측 정확도가 0.03 정도만 올랐습니다. 이는 통계적으로 의미는 있지만, 임상적으로 환자를 재분류할 때 큰 변화를 주진 못했습니다.
• 비유: 기존 날씨 예보가 80% 정확도였다면, 심전도를 더해서 83% 로 올린 것입니다. 폭풍이 올지 안 올지를 결정하는 '경보'를 내릴 때, 이 3% 의 차이는 결정적인 도움을 주지 못했습니다.

③ 성별에 따른 차이 (여성에게 더 유익?)

흥미로운 점은 여성에게서 심전도 추가 정보가 조금 더 유용하게 작용했다는 것입니다. 특히 55 세 이상의 여성이나 45 세 미만의 남성에서 위험을 더 잘 찾아냈습니다.

• 비유: 남성의 경우 기존 예보가 이미 꽤 잘 맞지만, 여성의 경우 숨겨진 '국지성 폭풍'을 AI 심전도가 조금 더 잘 찾아낸 것입니다.

💡 4. 결론 및 시사점: 왜 이런 결과가 나왔을까?

연구진은 이 결과가 왜 나왔는지 두 가지 이유를 꼽았습니다.

1. 건강한 사람만 뽑혔기 때문 (선택 편향): 실험에 참여한 사람들은 이미 건강 검진을 통과한 '건강한 자원봉사자'들이었습니다. 원래 심장 질환 위험이 낮은 집단에서, 아주 미세한 차이를 찾아내기는 어렵습니다. (비유: 맑은 날에 폭풍우를 예측하는 것은 어렵습니다.)
2. 운동 강도가 충분하지 않았을 수 있음: 실험은 '아주 힘든 운동'이 아니라 '중간 강도의 운동'이었습니다. 심장에 진짜 스트레스를 주지 않아 숨겨진 병을 찾아내지 못했을 수 있습니다.

🏁 최종 요약: "심전도는 유용하지만, 만능 열쇠는 아니다"

이 연구는 **"운동 심전도 + AI"**가 심장 질환 위험을 예측하는 데 독립적으로 유용한 정보를 제공한다는 것을 증명했습니다. 하지만, 우리가 이미 가지고 있는 **'기존 건강 검사 (나이, 혈압 등)'**와 합쳐졌을 때, 그 추가적인 효용은 매우 작았습니다.

일상적인 조언:

• 지금 당장 모든 건강한 사람이 운동 심전도를 받아야 할 필요는 없습니다. (기존 검사로도 충분히 잘 예측됩니다.)
• 하지만 **특정 그룹 (특히 여성이나 젊은 층)**에서는 AI 가 분석한 심전도 데이터가 기존 검사보다 더 정교한 '두 번째 눈'이 되어줄 수 있습니다.
• 이 연구는 **"AI 가 심전도를 분석하면 더 똑똑해진다"**는 가능성을 보여주었지만, 아직은 **"기존 검사만으로도 충분하다"**는 현재의 의료 가이드라인을 뒤집을 만큼 강력하지는 않다는 것을 시사합니다.

한 줄 요약:

"심전도라는 새로운 렌즈로 심장을 보면 더 많은 것을 볼 수 있지만, 기존에 쓰던 안경 (기존 검사) 만으로도 대부분의 위험을 충분히 예측할 수 있다는 뜻입니다. 다만, 여성분들에게는 그 새로운 렌즈가 조금 더 선명하게 비춰줄 수 있습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현재의 한계: 심혈관 질환 (CVD) 예방을 위한 위험 평가는 주로 QRISK3 와 같은 전통적인 임상 위험 요인 (나이, 성별, 혈압, 콜레스테롤 등) 에 의존합니다. 그러나 이러한 모델은 개인 간 이질성이 크고, 특히 아세리움 (atrial fibrillation) 과 같은 중요한 위험 인자의 진단 누락이나 기록 오류로 인해 정확도가 제한적입니다.
• 심전도의 잠재력: 심전도 (ECG) 는 심장의 구조, 관류, 전기적 활동을 실시간으로 포착할 수 있어 CVD 위험을 예측하는 데 유용한 정보를 제공합니다. 정지 상태 ECG 는 이미 CVD 발생과 연관성이 입증되었으나, 운동 부하 (Exercise) ECG가 기존 임상 모델에 추가적인 예측 가치를 제공하는지에 대한 증거는 부족합니다.
• 기술적 기회: 기존의 수동으로 추출된 ECG 파라미터는 미세한 변화를 포착하는 데 한계가 있습니다. 반면, 딥러닝 (Deep Learning) 은 원시 ECG 신호에서 인간이 발견하지 못하는 미세한 패턴을 학습하여 위험을 예측할 수 있습니다.
• 연구 목적: 정지, 운동, 회복 단계의 ECG 데이터를 기반으로 한 새로운 위험 점수 (C-ECG 및 ECGAI) 가 MACCE 를 독립적으로 예측할 수 있는지, 그리고 기존 QRISK3 기반 임상 모델에 추가되었을 때 예측 성능을 얼마나 향상시키는지 검증하는 것입니다.

2. 연구 방법론 (Methodology)

2.1 연구 대상 및 데이터

• 코호트: 영국 바이오뱅크 (UK Biobank) 의 41,076 명 (MACCE 병력이 없는 40~69 세 성인).
• ECG 측정: 단일 리드 (single-lead) 심전도 장비를 사용하여 다음 3 단계에서 데이터를 수집:
  1. 정지 상태 (15 초)
  2. 서브맥시멀 (Submaximal) 사이클 에르고메트리 운동 중 (6 분, 목표 부하의 35% 또는 50%)
  3. 운동 후 회복 (1 분)
• 결과 변수 (Outcome): 10 년 이내의 주요 심뇌혈관 사건 (MACCE) 발생 (허혈성 심장질환, 심부전, 뇌졸중 등으로 인한 입원 또는 사망).
• 제외 기준: MACCE 병력, 칼슘 채널 차단제 또는 항부정맥제 복용자, 불완전한 ECG 데이터 등.

2.2 모델 개발

두 가지 유형의 ECG 위험 점수를 개발하여 비교 분석했습니다.

1. 전통적 ECG 점수 (C-ECG):
   • 정지, 운동, 회복 단계의 15 초 구간에서 추출된 12 가지 전통적 파라미터 사용.
   • 형태학적 특징: PR, QRS, QTc 간격 (QTc 는 운동/회복 시 Fridericia 공식으로 보정).
   • 리듬 특징: 조기 심실 수축 (PVC) 수, 샘플 엔트로피 (COSEn), 포인카레 플롯 (Poincaré plot) 기반의 6 가지 리듬 불규칙성 지표 등.
2. 인공지능 ECG 점수 (ECGAI):
   • 입력: 전체 7 분 15 초의 원시 ECG 신호 (정지 + 운동 + 회복).
   • 아키텍처: 50 층의 ResNet-V2 (1D 컨볼루션) 와 LSTM(Long Short-Term Memory) 을 결합한 딥러닝 모델.
   • 학습 방식: 시간-사건 (Time-to-event) 결과를 모델링하기 위해 딥 서브벌 (Deep Survival) 프레임워크 사용. 손실 함수에 censoring(중도 절단) 된 사례를 명시적으로 가중치하여 반영.
   • 출력: 10 년 MACCE 발생 위험을 예측하는 연속적인 점수.

2.3 비교 기준 및 검증

• 기준 모델 (Baseline):
  • 나이 + 성별 모델.
  • Cox Clinical: QRISK3 위험 요인을 기반으로 재조정 (Recalibration) 된 Cox 비례 위험 모델 (UK 바이오뱅크 데이터에 맞게 재학습).
  • Clinical DSN: QRISK3 요인을 기반으로 학습된 딥 서브벌 네트워크.
• 검증 방법: 5 폴드 교차 검증 (Cross-validation) 및 1,000 번의 부트스트랩 (Bootstrap) 반복을 통한 내부 검증.
• 성능 지표: Harrell's C-index (판별력), Net Reclassification Index (NRI, 재분류 지수), Net Benefit (순 편익).

3. 주요 결과 (Key Results)

3.1 ECG 점수와 MACCE 의 연관성

• ECGAI: 10 년 MACCE 발생과 선형적으로 강한 연관성을 보임 (조정된 위험비 [HR]: 1.18, 95% CI: 1.15–1.21, p < 0.001).
• 전통적 파라미터 (C-ECG): 정지, 운동, 회복 단계의 ECG 파라미터들도 MACCE 와 독립적으로 연관됨 (HR: 1.76, 95% CI: 1.63–1.91).
• 성별 차이: ECGAI 는 남녀 모두에서 일관된 연관성을 보였으나, 전통적 파라미터는 남성에서 더 강한 연관성을 보임.

3.2 예측 성능 및 임상적 가치

• 단독 예측력: 임상 위험 요인이 없는 상태에서는 운동 중 ECGAI 가 가장 높은 예측 성능을 보였으나 (C-index 0.591), 여전히 임상적 임계값을 충족하기에는 부족함.
• 기존 모델에 추가 시 성능 향상:
  • 판별력 (C-index): Cox Clinical 모델에 ECGAI 를 추가했을 때 C-index 가 0.03만큼 소폭 증가 (0.02–0.04). 이는 통계적으로 유의미하지만 임상적으로 '미미한 (modest)' 수준.
  • 재분류 (Reclassification):
    • 전체 인구: 10% 위험 임계값에서의 재분류 개선 (Categorical NRI) 은 유의미하지 않음.
    • 여성 subgroup: 10% 위험 임계값에서 여성에게서 유의미한 재분류 개선이 관찰됨 (NRI = 0.09, 95% CI: 0.06–0.11). 이는 여성에서 ECG 기반 위험 계층화가 더 효과적일 수 있음을 시사.
  • 딥러닝 임상 모델 (Clinical DSN) 과의 비교: Clinical DSN 에 ECGAI 를 추가한 모델이 Cox Clinical 보다 여성에서 더 큰 C-index 개선 (Δ0.007) 을 보임.

3.3 민감도 분석

• 초기 2 년 및 5 년의 사건을 제외해도 (역인과관계 배제) 결과는 일관됨.
• 젊은 남성 (<45 세) 과 고령 여성 (>55 세) 에서 재분류 개선 효과가 가장 두드러짐.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 대규모 코호트 기반 검증: 운동 ECG 와 딥러닝을 결합하여 MACCE 를 예측한 가장 대규모의 전향적 연구 중 하나입니다.
2. 운동 ECG 의 가치 규명: 정지 상태뿐만 아니라 운동 및 회복 단계의 ECG 데이터가 CVD 위험 예측에 독립적인 정보를 제공함을 입증했습니다.
3. 임상적 유용성에 대한 신중한 결론:
   • ECG 기반 AI 모델은 기존 임상 모델 (QRISK3 기반) 에 소폭의 예측력 향상을 제공하지만, 현재 임상 가이드라인이 제시하는 치료 임계값 (10% 위험) 에서 환자를 재분류하는 데는 제한적인 효과만 있음을 밝혔습니다.
   • 이는 미국 예방의학서비스특별위원회 (USPSTF) 의 기존 결론 (저위험군에서의 운동 ECG 선별 검사 제한) 을 지지하는 결과입니다.
4. 성별 이질성 발견: ECG 기반 위험 점수가 여성에서 특히 재분류 능력을 향상시킬 수 있음을 발견하여, 성별에 따른 맞춤형 위험 평가의 필요성을 제시했습니다.
5. 기술적 방법론: 딥 서브벌 (Deep Survival) 모델을 사용하여 원시 ECG 신호 전체를 학습함으로써, 기존에 사용되던 수동 추출 파라미터의 한계를 극복하고 새로운 예측 지표를 개발했습니다.

5. 결론 및 한계

• 결론: 운동 ECG 기반의 AI 위험 점수는 MACCE 발생과 독립적으로 연관되어 있지만, 기존 임상 위험 모델에 추가되었을 때 예측 성능이 미미하게만 향상됩니다. 따라서 저위험군을 대상으로 한 일률적인 운동 ECG 선별 검사의 임상적 효용성은 제한적일 수 있습니다.
• 한계:
  • 건강한 자원자 편향 (Healthy Volunteer Bias): 영국 바이오뱅크 참여자는 일반 인구보다 건강하여 CVD 발생률이 낮아 (약 7.3%), 모델의 예측력이 실제 고위험군에서 어떻게 작용할지 불확실합니다.
  • 신호 품질: 운동 중 아티팩트 (noise) 로 인해 일부 전통적 ECG 파라미터 분석이 제한되었습니다.
  • 외부 검증 부재: 유사한 데이터를 가진 외부 코호트가 없어 결과를 일반화하는 데 한계가 있습니다.

이 연구는 딥러닝 기반 ECG 분석이 유망하지만, 실제 임상 현장 (특히 저위험군) 에 적용하기 위해서는 더 높은 위험을 가진 집단에서의 추가 검증과 비용 - 효과 분석이 필요함을 시사합니다.