📄 medicine

Resting electrocardiographic and pulse-wave deep learningidentifies exaggerated exercise blood pressure response in elite athletes

이 연구는 휴식기 심전도와 맥파를 결합한 딥러닝 모델이 엘리트 운동선수의 과도한 운동 혈압 반응을 효과적으로 식별할 수 있음을 입증하며, 이는 심혈관 위험에 대한 잠재적인 비운동성 선별 도구를 제공한다.

원저자: Dominic Eckerle, Nils Gumpfer, Michael Guckert, Pascal Bauer, Jennifer Hannig

게시일 2026-07-31

📖 4 분 읽기☕ 가벼운 읽기

원저자: Dominic Eckerle, Nils Gumpfer, Michael Guckert, Pascal Bauer, Jennifer Hannig

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 몸을 고성능 경주용 자동차라고 상상해 보세요. 차고에 그냥 앉아 있을 때(휴식 중) 엔진은 조용히 공회전합니다. 하지만 트랙에 나가 가속 페달을 꽉 밟으면(운동), 엔진은 포효하고 연료 라인의 압력은 급증합니다. 대부분의 자동차는 이 급증을 매끄럽게 처리합니다. 하지만 어떤 자동차들은 엔진과 파이프가 어떻게 만들어졌느냐에 따라 압력이 너무 높고 빠르게 치솟는 특이한 점이 있습니다. 인체에서는 이를 '과도한 혈압 반응(exaggerated blood pressure response)'이라고 부릅니다. 이는 마치 지금은 멀쩡해 보일지라도 나중에 문제가 생길 수 있음을 암시하며 깜빡이는 경고등과 같습니다.

의사들은 운동 중 이 압력 급증을 확인하는 것이 미래의 심장 문제를 포착하는 아주 좋은 방법이라는 것을 오래전부터 알고 있었습니다. 하지만 그 데이터를 얻는 것은 마치 자동차를 전문 레이싱 시뮬레이터로 보내는 것과 같습니다. 시간과 값비싼 장비, 그리고 많은 노력이 필요하기 때문입니다. 만약 자동차가 주차되어 있는 동안 엔진의 공회전 소리나 차체의 진동을 듣는 것만으로도 이 압력 급파가 일어날 가능성이 있는지 알 수 있다면 어떨까요? 이것이 바로 과학자들이 던지는 질문입니다: 우리는 '휴식 신호'를 보고 그 몸이 격렬한 운동에 어떻게 반응할지 예측할 수 있을까? 이것이 바로 딥러닝의 영역입니다. 여기서 컴퓨터는 초정밀 탐정이 되어, 인간의 눈으로는 놓칠 수 있는 심박수와 맥파의 미세한 패턴을 스캔하며, 운동선수들을 안전하게 지키기 위한 지름길을 찾고자 합니다.

논문의 이야기: 컴퓨터는 낮잠 자는 동안의 운동 혈압 급증을 맞출 수 있을까?

이 연구에서 연구진은 엘리트 운동선수들(주로 프로 핸드볼, 농구, 축구 선수들)과 함께 탐정 놀이를 했습니다. 그들은 컴퓨터가 두 가지 간단한 휴식 신호를 보고, 해당 선수가 운동 중에 위험한 혈압 급증을 겪을지 예측할 수 있는지 알아보고 싶었습니다.

두 가지 신호는 다음과 같습니다:

ECG (심전도): 이것을 심장의 전기적 스파크 플러그 지도라고 생각하세요. 심장 근육을 수축시키기 위해 심장의 전기 시스템이 어떻게 작동하는지를 보여줍니다.
RPW (요골 맥파): 이것은 손목의 동맥을 통해 혈액이 이동하는 물리적인 "쿵쾅쿵쾅" 파동입니다. 물이 쏟아질 때 호스에서 느껴지는 물결과 같습니다.

선수들은 먼저 힘든 과정을 거쳐야 했습니다: 단계별로 혈압을 측정하며 진행된 혹독한 자전거 테스트입니다. 연구진은 이 데이터를 사용하여 선수들을 분류했습니다. 만약 선수의 혈압이 투입한 노력(구체적으로는 1 MET당 6.2 mmHg 이상의 기울기)에 비해 너무 급격히 상승했다면, 그 선수는 '과도한 반응'이 있는 것으로 태그되었습니다. 이 연구의 334건의 검사 중 약 27%가 이 '고위험' 범주에 속했습니다.

그다음 재미있는 부분이 시작되었습니다. 그들은 휴식 중의 ECG와 맥파 데이터를 '딥 러닝' 두뇌, 즉 합성곱 신경망(CNN)이라 불리는 유형의 컴퓨터 프로그램에 입력했습니다. 이 AI를 본 적 없는 학생이라고 상상해 보세요. 이 학생에게는 오직 휴식 중의 심박수와 손목 맥파만 보여준 뒤 이렇게 묻는 것입니다. "이 데이터를 바탕으로, 이 사람이 운동할 때 혈압이 미친 듯이 치솟을까?"

컴퓨터는 무엇을 찾아냈는가?

결과는 "꽤 괜찮음"과 "아직 갈 길이 멀음"이 섞여 있었습니다.

심박수의 승리: 컴퓨터는 ECG(전기적 스파크 지도)만을 사용했을 때 정답을 훨씬 더 잘 맞혔습니다. 테스트 그룹에서 약 77%의 정확도를 보였습니다. AI는 심박의 특정 부분, 특히 큰 "QRS" 스파이크(심장을 뛰게 만드는 주요 전기적 폭발)에 집중하는 듯 보였는데, 이는 심장의 전기 신호 형태가 스트레스를 처리하는 방식에 대한 단서를 담고 있음을 시사합니다.
맥파는 '글쎄요': 컴퓨터는 손목 맥파(RPW)만을 사용해 보기도 했지만, 확신이 덜하여 약 66%의 정확도를 기록했습니다. AI는 맥파의 맨 처음 부분, 즉 혈액이 처음 뿜어져 나오는 순간에 주목하는 듯했습니다.
둘의 결합: 연구진이 두 신호를 결합하여, 컴퓨터가 전기적 지도와 물리적 맥파를 동시에 보게 했을 때 정확도는 약 79%로 약간 더 높아졌습니다. 이는 한 명의 탐정 대신 두 명의 탐정을 두는 것과 같습니다. 두 명이서 사건을 완전히 해결하지는 못했지만, 각자 혼자일 때보다 몇 가지 단서를 더 잡아낸 것입니다.

주의점: 이것은 단서이지, 수정구슬이 아니다

여기서 가장 중요한 부분은 저자들이 자신들이 마법 같은 치료법을 찾아냈다고 말하지 않도록 매우 주의를 기울였다는 점입니다. 그들은 이 방법이 불이 나기 전에 울리는 연기 감지기처럼, 유용한 스크리닝 도구가 될 수 있다고 제안합니다. 만약 컴퓨터가 선수가 휴식 중일 때 '위험' 신호를 보낸다면, 의사는 확실히 하기 위해 더 정밀하고 비싼 자전거 테스트를 실시하기로 결정할 수 있습니다.

하지만 논문은 이 휴식 테스트가 실제 운동 테스트를 '대체'할 수 있다는 생각은 명시적으로 배제합니다. 컴퓨터는 아직 완벽하지 않습니다. 일부 사례를 놓치기도 하며, 신뢰 구간(우리가 얼마나 확신하는지의 범위)이 상당히 넓습니다. 연구진은 자신들이 주로 젊은 남성 엘리트 선수들만을 대상으로 했기 때문에, 이 기술이 고령자, 여성, 또는 일반 체육관 이용자들에게도 적용될 수 있는지는 알 수 없다고 인정했습니다.

결론

이 연구는 엘리트 선수들의 휴식 중 심박수와 맥파에 그들의 혈압이 운동에 어떻게 반응할지를 암시하는 숨겨진 "비밀 코드"가 포함되어 있음을 시사합니다. 컴퓨터는 이러한 코드를 학습했으며, 특히 전기적 심박수를 통해 꽤 성공적으로 읽어냈습니다. 하지만 현재 단계에서 이것은 단지 유망한 "개념 증명(proof of concept)"일 뿐입니다. 이것은 도구 상자에 들어가는 멋진 새로운 도구이지만, 더 다양한 집단에서 테스트를 거치고 미래의 심장 문제를 예측할 수 있다는 것이 증명되기 전까지는 실제 운동 테스트를 대신할 준비가 되지 않았습니다. AI는 유능한 조력자이지만, 의사는 확실히 하기 위해 여전히 선수가 실제로 경주를 하는 모습을 직접 봐야 합니다.

기술 요약: 휴식기 심전도 및 맥파 딥러닝을 통한 엘리트 운동선수의 과도한 운동 혈압 반응 식별

문제 정의
과도한 수축기 혈압 반응(eBPR)은 향후 동맥 고혈압 및 부정적인 심혈관 결과의 알려진 위험 요인이다. 그러나 eBPR은 현재 운동 유래 표현형으로 정의되며, SBP/MET(수축기 혈압 대 대사 당량) 기울기가 6.2 mmHg/MET보다 크다는 것과 같은 작업 부하 지표 기반의 이질적인 정의에 의존하는 경우가 많다. eBpar을 식별하려면 자전거 에르고미터와 같은 자원 집약적이고 표준화된 운동 테스트가 필요하며, 이는 특히 운동선수 인구에서 대규모 또는 반복적인 스크리닝의 실현 가능성을 제한한다. 12유도 심전도(ECG) 및 요골 맥파(RPW)와 같은 휴식기 심혈관 바이오 신호는 혈관 및 심장 특성에 관한 정보를 포함하고 있으나, 운동 테스트 없이 이러한 휴식기 시계열 신호 내의 잠재적 패턴이 eBPR을 식별할 수 있는지 여부는 알려진 바 없다. 이전 연구들은 주로 원시 시계열 데이터를 직접 분석하기보다는 미리 정의된 신호 유래 파라미터에 의존해 왔다.

방법론
본 회고적 연구는 2017년부터 2023년 사이에 334회의 프리시즌 심혈관 스크리닝 검사를 받은 197명의 주로 남성인 전문 운동선수(연령 18~39세) 코호트를 활용하였다. 데이터셋에는 휴식기 12유도 ECG, 압력 변동 분석을 통해 얻은 요골 맥파(RPW), 그리고 그라운드 트루스(ground truth)를 정의하는 데 사용된 표준화된 자전거 에르고미터 결과가 포함되었다.

데이터 전처리:
- ECG: 원시 5초, 12유도 기록(500 Hz)을 중첩되는 4초 윈도우로 분할하였다. 이를 통해 1,670개의 ECG 윈도우(기록당 5개 윈도우)가 생성되었다.
- RPW: 압력 변동 기록은 품질 필터링을 거쳤으며, 검사당 유효한 처음 4개의 기록만을 유지하고 선형 보간법을 통해 1,000개의 데이터 포인트로 균일하게 리샘플링하였다.
- 레이블: SBP/MET 기울기가 6.2 mmHg/MET를 초과하는 경우 검사를 "eBPR"로, 그렇지 않은 경우 "non-eBPR"로 레이블을 지정하였다(92례, 27.5%). 레이블은 참가자 단위가 아닌 검사 단위로 할당되었다.
모델 아키텍처:
- 각 모달리티(modality)에 대해 별도의 1차원 합성곱 신경망(CNN)을 개발하였다.
- RPW 모델: 입력 형태 (1000 × 1). ELU 활성화 함수와 맥스 풀링(max-pooling)을 포함한 6개의 합성곱 층(각 64개 필터)과 그 뒤를 잇는 글로벌 평균 풀링 및 3개의 완전 연결 층(128개 유닛, 0.3 드롭아웃)으로 구성되었다.
- ECG 모델: 입력 형태 (2000 × 12). ELU 활성화 함수와 맥스 풀링을 포함한 7개의 합성곱 층(각 64개 필터)과 그 뒤를 잇는 글로벌 평균 풀링 및 3개의 완전 연결 층(128개 유닛, 0.5 드롭아웃)으로 구성되었다.
- 하이퍼파라미터는 개발 세트(development set)에서 그리드 서치(grid search)를 통해 최적화되었으며, 검증 AUC 및 매튜스 상관 계수(MCC)를 기준으로 모델을 선택하였다.
훈련 및 검증 전략:
- 정보 누출(information leakage)을 방지하기 위해 데이터 분할은 **피험자 수준(subject level)**에서 수행되었다.
- 데이터셋은 독립적인 홀드아웃 테스트 세트(피험자의 20%)와 개발 세트(80%)로 분할되었다.
- 개발 세트는 **그룹 층화 5-겹 교차 검증(group-stratified five-fold cross-validation)**을 거쳤으며, 이를 통해 단일 참가자의 모든 데이터가 동일한 폴드(fold) 내에 머물도록 보장하였다.
- 앙상블 예측: 5개의 교차 검증 모델로부터 나온 예측값은 검사 수준에서 소프트 보팅(soft voting, 산술 평균)을 사용하여 결합되었다.
- 레이트 퓨전(Late Fusion): 결합된 RPW-ECG 모델은 특징(feature)을 입력 수준에서 융합하는 대신, 결정 수준에서 모달리티별 모델의 앙상블 확률을 평균화하여 생성되었다.
설명 가능성:
- 사후 설명 가능한 AI(XAI) 기법인 $\epsilon$ -rule 및 SIGN 변환을 이용한 계층별 관련성 전파(LRP- $\epsilon$ SIGN)를 적용하여, 예측에 기여하는 신호 영역을 강조하는 전역 설명 가능성 맵을 생성하였다.

주요 결과

단일 모달리티 성능:
- ECG 전용 모델은 가장 강력한 단일 모달리티 성능을 보였으며, 평균 테스트 AUC 0.77(95% CI 0.62–0.90), 민감도 0.72, 특이도 0.73을 달려 성취하였다.
- RPW 전용 모델은 더 낮은 평균 테스트 AUC 0.66(95% CI 0.50–0.80), 민감도 0.56, 특이도 0.58을 기록하였다.
결합 모델 성능:
- 레이트 퓨전 RPW-ECG 모델은 테스트 AUC 0.79(95% CI 0.65–0.90)로 가장 높은 전체 성능을 달성하였다.
- 그러나 ECG 전용 모델 대비 개선 폭은 미미했다. 기본 확률 임계값 0.5에서 결합 모델은 ECG 전용 모델(0.72)에 비해 약간 낮은 민감도(0.67)를 보였으나, 특이도는 유사(0.73)했다.
설명 가능성 결과:
- RPW: 관련성 점수가 맥파의 초기 수축기 단계, 특히 초기 압력 상승부 주변에 집중되었다.
- ECG: 관련성은 주로 여러 유도의 QRS 복합체 및 인접 신호 구간에 집중되었다.

의의 및 주장
저자들은 본 연구를 엘리트 운동선수의 eBPR 표현형과 관련된 휴식기 심혈관 바이오 신호가 잠재적 정보를 포함하고 있음을 보여주는 **개념 증명(proof-of-concept)**으로 규정한다. 본 연구의 주장은 다음과 같다:

실현 가능성: 원시 휴식기 ECG 및 RPW 시계열로 훈련된 딥러닝 모델은 적절한 정확도로 eBPR을 식별할 수 있으며, 이는 휴식기 신호가 운동 혈압 조절과 관련된 생리학적 징후를 인코딩하고 있음을 시사한다.
모달리티 우위: 이 특정 코호트에서 ECG 신호가 주요 변별력을 제공하였으며, RPW는 레이트 퓨전을 통해 결합했을 때 제한적인 증분 가치만을 제공하였다.
임상적 유용성 (주의적 관점): 저자들은 이 모델들이 엄격한 생리학적 의미에서의 eBPR을 진단할 수는 없다고 명시적으로 밝히는데, 이는 eBPR이 운동 유래 현상이기 때문이다. 대신, 이 모델들은 특정 검사가 표준화된 운동 테스트 시 eBPR으로 분류될 확률을 추정한다.
향후 적용: 외부 검증을 거친다면, 이 모델은 운동선수들이 더 상세한 운동 혈압 평가, 활동 혈압 모니터링 또는 종단적 추적 관찰을 우선적으로 받도록 선별하는 도구로서, 표준화된 운동 테스트를 대체하기보다는 보완하는 역할을 할 수 있다.

인정된 한계점
논문은 몇 가지 제약 사항을 언급하였다: 코호트가 동질적(주로 남성, 전문 운동선수)이어서 여성, 고령자 또는 일반 인구로의 일반화가 제한된다는 점, 딥러닝을 위한 데이터셋 크기가 상대적으로 작다는 점, 그리고 eBPR의 정의가 보편적 합의가 부족한 특정 SBP/MET 임계값에 의존한다는 점이다. 또한, 레이트 퓨전 방식이 모달리티 간의 특징 수준 상호작용을 포착하지 못했다는 점도 언급되었다.

유사한 논문