Multivariable Characterization of Conventional and Nonlinear Heart Rate Variability in Obstructive Sleep Apnea

기술 요약: 폐쇄성 수면 무호흡증에서의 전통적 및 비선형 심박 변이도에 대한 다변량 특성 분석

문제 제기
폐쇄성 수면 무호흡증(OSA)은 반복적인 상기도 허탈로 인해 간헐적 저산소증, 수면 단편화 및 자율신경계 기능 장애를 특징으로 하는 흔한 수면 장애이다. 폴리솜노그래피(수면다원검사)가 여전히 진단의 골드 스탠다드이지만, 그 복잡성과 비용 문제로 인해 보완적인 비침습적 마커에 대한 관심이 높아지고 있다. 심전도(ECG)에서 유도된 심박 변이도(HRV)는 자율신경계 활동을 반영하며 OSA 연구에서 널리 조사되어 왔다. 그러나 기존 연구들은 주로 예측 분류 모델을 개발하거나 개별적인 HRV 지표를 조사하는 데 집중해 왔다. 다양한 전통적 및 비선형 HRV 변수들 사이의 관계를 해석 가능한 다변량 통계 기법을 사용하여 종합적으로 평가함으로써, 이러한 척도들이 OSA와 관련된 자율신경계 변화를 어떻게 집합적으로 특징짓는지 이해할 필요가 있다.

연구 방법
본 회고적 관찰 연구는 전문가의 무호흡 존재 여부 주석이 포함된 70개의 1리드 ECG 기록(학습 세트 35개, 테스트 세트 35개)으로 구성된 공개 PhysioNet Apnea-ECG 데이터베이스를 활용하였다.

• 데이터 전처리: ECG 기록을 중첩되지 않는 5분 단위의 창(window)으로 분할하였다. RR 간격은 4Hz로 보간하였으며, 부적절한 RR 간격(300–2000 ms 범위를 벗어나는 경우)은 제외하였다.
• 특징 추출: HRV 지표를 세 가지 영역으로 분류하였다:
  • 시간 영역(Time-domain): 평균 심박수(HR), 평균 RR, SDNN, RMSSD, pNN50.
  • 주파수 영역(Frequency-domain): 저주파(LF) 전력, 고주파(HF) 전력, 총 전력(Total Power), LF/HF 비율 및 정규화된 전력.
  • 비선형(Nonlinear): 샘플 엔트로피(Sample Entropy), 근사 엔트로피(Approximate Entropy), 포앵카레 플롯 기술자(Poincaré plot descriptors, SD1, SD2).
• 통계적 프레임워크: 본 연구는 다음과 같은 상호 보완적인 통계 분석 세트를 채택하였다:
  1. Welch의 t-검정: OSA 그룹과 비-OSA 그룹 간의 평균을 비교하고 효과 크기(Cohen's d)를 계산하였다.
  2. 다변량 이항 로지스틱 회귀 분석: 선택된 HRV 예측 변수와 OSA 상태 사이의 독립적인 연관성을 평가하고, AUC를 통해 모델 성능을 평가하였다.
  3. Pearson 상관 분석: 대표 변수들 간의 선형 관계를 조사하기 위해 도메인 전반에 걸쳐 분석하였다.
  4. 주성분 분석(PCA): 차원을 축소하고 기저의 다변량 구조를 식별하였다.
  5. K-평균 군집화(K-Means Clustering): 진단 레이블을 사용하지 않고 HRV 변수의 비지도 학습 군집화가 OSA와 비-OSA 피험자를 자연스럽게 분리할 수 있는지 결정하였다.

주요 결과

• 기술 및 단변량 분석: 대부분의 변수, 즉 SDNN, LF 전력, LF/HF 비율, SD2 및 샘플 엔트로피에서 OSA와 비-OSA 그룹 간의 유의미한 차이가 관찰되었다. 그러나 HF 전력은 그룹 간 유의미한 차이를 보이지 않았다(p = 0.604). OSA 피험자는 SDNN, LF 전력, LF/HF 비율, SD2의 평균값은 높았으나, 샘플 엔트로피는 낮았다. 효과 크기 분석 결과, 샘플 엔트로피(Cohen's d = 0.604)와 SD2(Cohen's d = -0.597)가 가장 큰 그룹 간 차이를 나타냈다.
• 다변량 로지스틱 회귀: 평균 HR, SDNN, 샘플 엔트로피, 근사 엔트로피, LF 전력, HF 전력을 포함한 모델을 통해 이 6가지 예측 변수가 모두 OSA와 독립적으로 연관되어 있음을 확인하였다(p < 0.01). 샘플 엔트로피는 가장 강력한 역상관 관계(오즈비 = 0.411)를 보였다. 모델은 AUC 0.73의 중간 정도의 판별 성능을 달ato.
• 상관 관계 및 PCA: 상관 분석 결과 SDNN, LF 전력, HF 전력 사이에 강한 양의 관계가 있음이 나타났다. 반면, 엔트로피 측정치는 전통적인 지표들과 약한 상관관계를 보였다. PCA는 전체 분산의 68.1%를 설명하는 두 개의 주성분으로 데이터셋을 축소하였다. PC1은 SDNN, LF, HF 전력에 의해 지배되었으나, 엔트로피 측정치는 다르게 로드되어 이들이 서로 다른 생리학적 정보를 포착하고 있음을 시사하였다.
• 군집화: K-평균 군집화는 두 개의 뚜렷한 HRV 프로파일을 식별하였다. 군집 멤버십과 OSA 상태 사이에는 통계적으로 유의미한 연관성이 있었으나(p < 0.001), 클러스터가 임상적 레이블과 완벽하게 일치하지는 않았다. 구체적으로, 높은 HRV 변동성과 낮은 엔트로피를 가진 클러스터는 다른 클러스터(39.1%)에 비해 OSA 사례가 더 높은 비율(44.4%)을 포함하고 있었으나, 상당한 중첩이 존재했다.

의의 및 주장
본 논문은 다변량 통계 분석이 OSA와 관련된 자율신경계 변화를 특징짓는 해석 가능한 프레임워크를 제공한다고 주장한다. 연구의 주요 내용은 다음과 같다:

1. 상호 보완적 정보: 전통적(시간/주파수) 및 비선형(엔트로피) HRV 측정치는 상호 보완적인 통찰을 제공한다. 엔트로피 기반 지표는 전통적인 지표만으로는 완전히 설명되지 않는 자율신경 조절의 측면을 포착한다.
2. 생리학적 마커 대 독립적 결정 요인: 관찰된 HRV 변화는 OSA의 독립적인 결정 요인이라기보다 OSA의 생리학적 결과(반복적인 저산소증, 각성)를 반영하는 것으로 보인다.
3. HRV 단독의 한계: HRV 변수들이 OSA와 독립적으로 연관되어 있음에도 불구하고, 비지도 학습 군집화는 HRV 단독으로는 OSA와 비-OSA를 명확하게 구분하기에 불충분함을 보여준다. 이러한 중첩은 자율신경계의 변화가 OSA라는 복잡한 생리학적 과정의 한 구성 요소일 뿐임을 시사한다.
4. 임상적 유용성: 본 연구 결과는 HRV를 단독 진단 도구가 아닌, 다른 임상적 척도(예: 산소 포화도, 호흡 노력)와 함께 해석될 때 보완적인 생리학적 마커로서 사용하는 것을 지지한다. 본 연구는 단순히 예측 정확도를 극대화하는 것보다 변수 간의 관계를 이해하는 것을 강조한다.