Smartwatch Photoplethysmography-Derived Heart Age via ECG-Guided Cross-Modal Pretraining as a Digital Biomarker of Vascular Aging

기술 요약: ECG 가이드 교차 모달 사전 학습을 통한 스마트워치 PPG 기반 심장 연령 추정

문제 정의
동맥 경직 및 고혈압으로 특징지어지는 심혈관 노화는 전 세계적인 질병 발생 및 사망률의 주요 원인입니다. "심장 연령" 또는 "혈관 연령"은 심혈관 위험을 해석 가능한 지표로 제공하지만, 기존의 추정 방식은 임상 환경, 휴식기 심전도(ECG), 영상 의학 또는 특수 혈관 기능 측정에 크게 의존합니다. 이러한 접근 방식은 지속적인 모니터링에 필요한 저부담, 고빈도, 반복 가능성이 부족합니다. 스마트워치의 광혈류량 측정(PPG)은 확장 가능한 대안을 제공하지만, 현재의 PPG 기반 연령 모델은 신호 노이즈, 라벨링된 데이터의 부족, 코호트 간 일반화 능력 저하, 그리고 동맥 경직 및 고혈압과 같은 골드 스탠다드 임상 표현형과의 연결성 결여라는 과제에 직면해 있습니다. 또한, 기존 모델들은 학습 과정에서 동기화된 ECG-PPG 쌍으로부터 얻을 수 있는 풍부한 생리학적 정보를 활용하여 PPG 표현 학습을 강화하는 경우가 드뭅로pt습니다.

방법론
저자들은 스마트워치 배포에 적합한 PPG 전용 추론 경로를 유지하면서, 견고한 PPG 표현을 학습하도록 설계된 ECG 가이드 교차 모달 사전 학습 프레임워크를 제안합니다.

• 연구 설계 및 코호트: 본 연구는 581,804명의 참가자와 740만 개 이상의 기록을 포함하는 OPPO Health Lab의 세 가지 코호트를 활용했습니다:

  1. 혈관 건강 연구 (VHS): 사전 학습(라벨 없는 동기화된 ECG-PPG) 및 지도 미세 조정(연대순 연령 라벨 포함)을 위해 사용된 내부 코호트.
  2. 외부 PWV 코호트: 외부 검증 및 맥파 전달 속도(PWV, 동맥 경직)와의 연관성 분석을 위해 사용되었습니다.
  3. 외부 HBPM 코호트: 외부 검증 및 가정 혈압 측정(HBPM, 고혈압 유병률)과의 연관성 분석을 위해 사용되었습니다.

• 모델 아키텍처:

  • 인코더 (Encoders): ECG와 PPG 신호 모두 모달리티별 1D ResNet-18 인코더에 의해 처리됩니다. PPG 입력은 4개 채널(녹색광)을 사용하며, ECG는 단일 리드를 사용합니다.
  • 사전 학습 (SA-CLIP): 모델은 라벨이 없는 VHS 데이터를 사용하여 두 단계의 사전 학습 전략을 채택합니다:
    1. 피험자 인식 자기 지도 학습 (SA-SSL): 동일한 참가자의 신호에 대한 증강된 뷰(view)는 서로 끌어당기고, 서로 다른 참가자의 신호는 밀어내는 대조 학습(contrastive learning)을 사용합니다.
    2. 교차 모달 대조 정렬 (CLIP 스타일): 동일한 시간 창 내의 동기화된 ECG 및 PPG 표현을 정렬합니다. ECG는 PPG 인코더를 가이드하는 "특권적 모달리티(privileged modality)" 역할을 수행하여, 추론 시 ECG가 필요하지 않으면서도 심혈관 리듬과 비트 간 역동성을 전달합니다.
  • 미세 조정 (Fine-Tuning): 사전 학습된 PPG 인코더는 연대순 연령을 회귀 타겟으로 하여 라벨이 있는 VHS 데이터에 대해 미세 조정됩니다.
  • 추론 (Inference): 배포되는 모델은 오직 PPG 입력만을 사용하여 심장 연령을 예측합니다.

• 집계 전략: 신호 변동성을 해결하기 위해, 본 연구는 참가자당 여러 개의 단기 기록(3개월 이내의 윈도우 내)을 집계하여 피험자 수준의 심장 연령을 평가하며, 데이터 밀도가 높아질수록 안정성이 향상됨을 관찰했습니다.

• 다운스트림 분석: "심장 연령 차이(Heart Age Gap, 예측된 심장 연령에서 연대순 연령을 뺀 값)"는 연대순 연령, 성별, BMI, 가족력을 조정한 후 PWV 잔차 및 고혈압 유병률와의 연관성을 분석합니다.

주요 결과

• 성능: ECG 가이드 교차 모달 사전 학습(SA-CLIP)은 단일 모달리티 자기 지도 학습(SA-SSL)에 비해 PPG 전용 성능을 유의미하게 향적인시켰습니다. 내부 VHS 코호트에서 SA-CLIP PPG 전용 모델은 피험자 수준의 평균 절대 오차(MAE) 4.951년(Pearson's r = 0.734)을 달성하여, SA-SSL PPG 모델(MAE 5.223년, r = 0.687)보다 우수한 성능을 보였습니다.
• 외부 검증: 모델은 외부 코호트에 대해 견고하게 일반화되었습니다:
  • PWV 코호트: 피험자 수준 MAE 5.895년 (r = 0.819).
  • HBPM 코호트: 피험자 수준 MAE 4.344년 (r = 0.800).
• 안정성: 반복된 기록을 집계함으로써 피험자 수준의 안정성이 향상되었습니다. 15개의 기록을 집계하면 단일 기록 추정치에 비해 MAE가 4.949년으로 감소하고 r은 0.733으로 증가했습니다.
• 임상적 연관성:
  • 동맥 경직: 연대순 연령을 조정한 후에도 심장 연령 차이는 PWV와 유의미한 연관성을 유지했습니다 (부분 상관계수 = 0.2627, P < 0.001). 다변량 회귀 분석 결과, 심장 연령 차이가 1년 증가할 때마다 조정된 PWV가 **0.062 m/s** 증가했습니다. 심장 노화가 가속화된 참가자(차이 > 3년)는 노화가 지연된 참가자보다 조정된 PWV가 0.91 m/s 더 높았습니다.
  • 고혈압: HBPM 코호트에서 높은 조정 심장 연령 차이는 고혈압 유병률과 독립적으로 연관되어 있었습니다. 심장 연령 차이가 1-SD 증가할 때마다 오즈비(OR)는 1.72(95% CI 1.49–1.99)였습니다. 심장 연령 차이가 가장 높은 사분위수 그룹의 참가자는 가장 낮은 그룹에 비해 OR이 4.25였습니다.

의의 및 주장
본 논문은 웨어러블 신호 표현 학습에서 심혈관 표현형 검증에 이르는 엔드 투 엔드(end-to-end) 증거 경로를 구축했다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 방법론적 혁신: ECG 가이드 교차 모달 사전 학습이 PPG 전용 표현 학습을 강화할 수 있음을 입증하였으며, 이를 통해 배포 시 추가적인 센서 부담 없이 PPG만을 사용하여 높은 정확도의 심장 연령 추정이 가능함을 보여주었습니다. 이는 ECG를 학습 중에는 "특권적" 감독 신호로 활용하되 추론 시에는 사용하지 않는 방식입니다.
2. 확장 가능한 디지털 바이오마커: 스마트워치 PPG 유래 심장 연령 차이가 연대순 연령과 무관하게 동맥 경직 및 고혈압 유병률을 계층화하는 확장 가능한 디지털 바이오마커로서 유효함을 검증했습니다.
3. 실용적 유용성: 반복적인 웨어러블 측정을 통한 단기 집계가 피험자 수준 추정치의 정확도와 안정성을 유의미하게 향상시킨다는 점을 보여줌으로써, 실제 환경에서의 지속적인 모니터링 가능성을 뒷받침했습니다.

저자들은 본 연구가 일상생활에서 조기에 나타나는 무증상 심혈관 노화 신호를 식별하기 위한 단계적 작업이라고 위치시키며, 전통적인 임상 측정보다 더 접근하기 쉬운 위험 계층화 도구를 제공한다고 명시했습니다. 또한, 특정 기기 사용자 집단(주로 아시아인, 상대적으로 젊은 층)에 국한된 점과 고혈압 분석의 횡단적 특성으로 인해 인과 관계를 도출하기 어렵다는 한계점을 언급했습니다.