Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction

기술 요약: 인공지능 기반 심전도를 이용한 급성 폐쇄성 심근경색 탐지

문제 정의
전벽 관류가 완전히 또는 거의 완전히 차단되어 관통성 허혈을 유발하는 급성 폐쇄성 심근경색(OMI)은 돌이킬 수 없는 손상을 방지하기 위해 적시의 재관류 치료가 필요하다. 관상동맥 조영술(CAG)이 확정적인 진단 도구이지만, 이는 침습적이며 많은 자원을 소모한다. 현재의 임상 경로는 응급 CAG를 트리거하기 위해 ST절 상승 심근경색(STEMI) 기준에 크게 의존하고 있으나, 혈관 조영술로 확인된 OMI 환자 중 진단적인 ST절 상승을 보이는 환자는 6575%에 불과하다. 나머지 2535%(흔히 NSTEMI로 분류됨)는 급성 폐쇄성 병변을 가지고 있음에도 불구하고 특정 ECG 표지가 없어 인지와 치료가 지연되는 경우가 많다. 또한, 비 ST절 상승 사례에서 미세한 ECG 패턴을 시각적으로 해석하는 것은 관찰자 간 및 관찰자 내 변동성에 취ع될 수 있다. 기존의 심근경색 탐지용 딥러닝(DL) 모델은 체계적인 혈관 조영 확인이 결여된 소규모의 공개 데이터셋을 주로 사용하여 학습되었으며, 이는 스펙트럼 편향을 초래하고 실제 응급 상황에서 나타나는 진단적 연속성을 포착하는 데 실패할 가능성이 있다.

방법론
본 회고적 환자-대조군 연구는 대규모 레지스트리 연계 데이터셋을 활용하여 OMI 탐지를 위한 파운데이션 모델을 개발하고 검증하였다.

• 데이터 수집 및 큐레이션: 본 연구는 2016년부터 2022년 사이에 Akershus 대학 병원 및 관련 구급차 서비스에서 기록된 11,338명의 환자로부터 추출한 17,165개의 표준 12유도 ECG를 분석하였다. ECG는 전국적인 노르웨이 침습적 심장학 레지스트리(NORIC)와 연계되어 혈관 조영 결과를 확보하였다.

  • OMI 정의: OMI는 경피적 관상동맥 중재술(PCI)로 치료된 급성 병변과 TIMI 혈류 등급 0–2를 포함하는 경우로 라벨링되었다.
  • 대조군: 대조군은 PCI를 받지 않은 환자, 정상 혈관 조영 소견을 가진 환자, 그리고 비폐쇄성 병변(TIMI 혈류 >2) 또는 오래된 병변을 가진 환자를 포함하였다. 견고성을 보장하기 위해 대조군은 "건강한 대조군", "Angio <24시간"(비응급 목적으로 혈관 조영술을 받는 환자), "긴급 임상 평가"(즉각적인 재관류는 필요 없으나 면밀한 모니터링이 필요한 환자)로 계층화되었다.
  • 제외 기준: 선택적 시술, 이차적 중재술(특정 기준을 충족하지 않는 경우), 그리고 시술 전 0–72시간 범위를 벗어나 기록된 ECG는 제외되었다. 결측 트로포닌 데이터가 있거나 대조군 중 트로포닌 수치가 14 ng/L 이상인 환자도 위음성을 최소화하기 위해 제외되었다.

• 모델 아키텍처 및 학습:

  • 파운데이션 모델: 본 연구는 1,000만 개 이상의 ECG 기록으로 사전 학습된 딥러닝 아키텍처인 ECGFounder 모델을 채택하였으며, 이를 본 연구의 데이터셋으로 미세 조정(fine-tuning)하였다.
  • 전처리: 원시 디지털 파형을 500 Hz로 리샘플링하고, 10초로 절단한 후, 기선 흔들림 제거(0.5 Hz 하이패스), 노치 필터링(50 Hz), 그리고 min-max 스케일링 과정을 거쳤다.
  • 학습 전략: 모델은 지도 학습 기반 대조 사전 학습(supervised contrastive pre-training) 단계에 이어 **서수 분류(ordinal classification)**를 활용하였다. 이 접근 방식은 4개의 임상 결과 그룹(Emergency/OMI, Urgent, Angio <24h, Healthy)을 독립적인 카테고리가 아닌 임상적 긴급도의 순서 계층으로 취급하였다.
  • 손실 함수: 심각한 클래스 불균형을 해결하기 위해 이진 분류를 위한 **비대칭 포컬 손실(asymmetric focal loss)**과 다중 클래스 과업을 위한 **포컬 서수 손실(focal ordinal loss)**을 구현하여 분류하기 어려운 샘플에 가중치를 두었다.
  • 검증: 데이터셋은 80%의 개발 세트(5-겹 교차 검증에 사용)와 20%의 홀드아웃 테스트 세트로 분할되었으며, 데이터 누수를 방지하기 위해 환자 단위로 분리하였다.

• 평가 지표: 성능은 ROC 곡선 아래 면적(AUROC)과 정밀도-재현율 곡선 아래 면적(AUPRC)을 사용하여 평가되었다. 또한, 모델은 실질적인 OMI 인식의 대리 지표로서 "도어 투 프로시저(door-to-procedure)" 시간(<30분)을 사용하여 현재의 임상 관행과 벤치마킹되었다.

주요 결과

• 전반적인 성능: 미세 조정된 ECGFounder 모델은 OMI 및 대조군을 구분하는 데 있어 AUROC 0.93(95% CI, 0.90–0.95) 및 AUPRC 0.72(95% CI, 0.65–0.79)를 달성하였다. 이 성능은 빈도 기반의 무기술(no-skill) 베이스라인(AUPRC ~0.10)을 크게 상회하였다.
• ST-상승 vs. 비 ST-상승:
  • STEMI (ST-상승 동반): 모델은 AUROC 0.98, AUPRC 0.82의 탁월한 성능을 보였다.
  • NSTEMI (ST-상승 미동반): 성능은 보통 수준이었으나 임상적으로 유의미했다(AUROC 0.84, AUPPR 0.20). 낮은 AUPRC는 불균형한 데이터셋에서 비 ST-상승 폐쇄를 탐지하는 데 따르는 본질적인 어려움을 반영한다.
• TIMI 혈류 계층화: 모델은 모든 OMI 케이스에 대해 AUROC 0.93에서 0.95 사이의 범위를 유지하며 TIMI 혈류 등급(0, 0–1, 0–2) 전반에서 강력한 판별력을 유지하였다. 비 ST-상승 하위 그룹을 트로포닌 수치 ≥500 ng/L인 환자로 제한했을 때 성능이 향상되었으며, 이는 모델이 혈역학적으로 유의미한 허혈을 포착하고 있음을 시사한다.
• 임상 관행과의 비교: "도어 투 프로시저 <30분" 벤치마크와 비교했을 때:
  • STEMI 케이스의 경우, 모델은 임상적 타이밍(83%)보다 높은 **93%**의 케이스를 식별하였다.
  • NSTEMI 케이스의 경우, 모델은 임상적 타이밍(11%)에 비해 **43%**를 식별하여, 표준 트리아지(triage)에서 놓치기 쉬운 고위험 폐쇄를 탐지할 수 있는 잠재력을 입증하였다.
• 인구통계학적 및 바이오마커 상관관계:
  • 모델은 남성에서 여성보다 약간 더 높은 성능을 보였는데, 이는 남성의 중앙값 트로포닌 수치가 더 높은 것과 관련이 있을 수 있다.
  • 모델의 예측 확률은 피크 트로포닌 수치와 양의 상관관계를, TIMI 혈류 등급과는 음의 상관관계를 보였으며, 이는 모델이 심근 손상의 심각도와 혈류 감소를 포착하고 있음을 나타낸다.
  • 오분류는 좌회선 관상동맥(LCx) 폐쇄에서 더 빈번하게 발생하였는데, 이는 ECG에서 알려진 진단적 난제이다.

의의 및 주장
저자들은 본 연구가 미세 조정된 ECG 파운데이션 모델을 사용하여 표준 12-유도 ECG로부터 높은 판별 정확도로 급성 OMI를 직접 탐지할 수 있음을 입증한다고 주장한다. 주요 주장은 다음과 같다:

1. "숨겨진" 폐쇄 탐지: 모델은 ST-상승이 없는 환자(NSTEMI)에서 현재의 임상 워크플로우보다 유의미하게 우수한 성능을 보여, 진단 지연이 흔히 발생하는 그룹에서의 탐지 능력을 입증하였다.
2. 파운데이션 모델의 유용성: 본 연구는 실제 레지스트리 확인 데이터를 통해 미세 조정된 대규모 파운데이션 모델(ECGFounder)의 유용성을 검증함으로써, 소규모 공개 데이터셋의 한계를 극복하였다.
3. 임상 통합: 모델은 임상의의 판단을 대체하는 것이 아니라 보완하는 의사결정 지원 도구로 설계되었다. 이는 추가적인 기술적 전문 지식 없이도 표준 10초 ECG를 통해 작동한다.
4. 바이오마커 상관관계: 모델의 예측 확률은 생물학적 손상 지표(트로포닌) 및 혈관 조영 심각도(TIMI 혈류)와 일치하며, 이는 모델이 허위 아티팩트가 아닌 임상적으로 유의미한 병태생리학적 특징을 학습했음을 시사한다.

저자들은 즉각적인 임상 배포에 대해서는 신중한 태도를 유지하며, 구현 전 다양한 의료 시스템 및 구급차 워크플로우에서의 전향적 외부 검증이 필요하다고 언급하였다. 그들은 모델이 특히 NSTEMI의 탐지율을 높이지만, 혈관 조영 확인의 필요성을 없애는 것은 아니라는 점을 강조하였다.