Integrating Clinical Parameters and Cardiotocograms for Real-Time Alerting

기술 요약: 실시간 알림을 위한 임상 파라미터와 태동 검사(CTG)의 통합

문제 정의
태동 검사(Cardiotocography, CTG)는 분만 중 태아 상태를 모니터링하는 표준 방법으로, 태아 심박수(FHR), 자궁 수축(UC), 모체 심박수(MHR) 및 태동(FM)을 기록한다. 그러나 시각적 해석은 주관적이어서 상당한 검사자 간 및 검사자 내 변동성을 초래하며, 이는 일관되지 않은 임상 결정으로 이어진다. 컴퓨터 보조 시스템이 존재하기는 하지만, 이는 대개 사후 분석에 국한되거나 새로운 패턴을 발견할 수 없는 경직된 규칙 기반 로직을 사용한다는 한계가 있다. 또한, 기존의 머신러닝 접근 방식은 대개 정적인 특징 벡터에 의존하여 사후 분석적 성격을 띠거나, 임상적 맥락을 통합하지 않고 오직 원시 신호에만 집중하는 경향이 있다. 정적 임상 파라미터(CPs)를 실시간 연속 CTG 해석 시스템에 통합하는 것에 대한 체계적인 평가도 부족한 실정이다.

방법론
본 연구는 하노버 의과대학(2024년 1월~8월)에서 수집된 254개의 기록(147명의 환자)을 포함하는 회고적 데이터셋을 활용한다. 데이터셋은 4Hz로 샘플링된 4개의 신호(FHR, UC, MHR, FM)와 전자 건강 기록에서 추출된 정적 임상 파라미터(예: 산모 연령, BMI, 산과 병력)를 포함한다. 정답 레이블('정상', '의심', '병적')은 FIGO 가이드라인에 따라 숙련된 두 명의 산과 의사에 의해 할당되었으며, 검사자 간 일치도는 중간 수준(Cohen's $\kappa$ = 0.587)이었다.

저자들은 세 가지 머신러닝 아키텍처를 개발하고 비교하였으며, 각 모델은 두 가지 구성(CTG 데이터만 사용한 베이스라인 및 임상 파라미터를 포함한 증강 버전)으로 테스트되었다. 모델은 가용 가능한 첫 번째 분기부터 1Hz 주기로 예측을 생성하는 시뮬레이션된 실시간 환경에서 평가되었다.

1. 특징 기반 모델 (XGBoost): 슬라이딩 윈도우(10, 90, 120분)로부터 도출된 엔지니어링된 특징을 처리하는 엑스트림 그래디언트 부스팅 분류기이다. 특징에는 FHR 기저선, 변동성, 이벤트 횟수 및 새로운 상태 지속 시간 특징(임계 상태에서의 누적 시간)이 포함된다. 정적 CPs는 특징 벡터에 결합되었다.
2. 원시 데이터 기반 모델 (Transformer): 전처리된 원시 신호(FHR, UC, MHR 및 결측 지표)를 처리하는 시계열 트랜스포머이다. 컨볼루션 임베딩 레이어와 2층 인코더를 활용한다. 정적 CPs는 MLP를 통해 임베딩되어 매 타임 스텝마다 융합된다.
3. 하이브리드 모델 (LSTM): 원시 신호와 엔지니어링된 특징의 결합된 벡터를 처리하는 장단기 메모리(LSTM) 네트워크이다. 증강 버전의 경우, MLP가 병렬로 정적 CPs를 처리하여 생성된 임상 임베딩이 매 타임 스텝마다 LSTM 출력과 결합된다.

주요 기여

• 실시간 연속 분석: 정적 벡터나 고정된 세그먼트를 사용하는 많은 연구와 달리, 본 연구는 연속적이고 초 단위의 특징 추출 및 예측을 구현하여 태아 상태 전이의 시간적 역동성을 다룬다.
• 임상 파라미터의 체계적 평가: 본 연구는 포괄적인 정적 임상 파라미터 세트의 통합이 다양한 아키텍처에서 미치는 영향을 명시적으로 정량화함으로써, 더 많은 데이터가 항상 유익하다는 가설에 의문을 제기한다.
• 하이브리드 아키텍처의 우수성: 원시 신호 데이터와 지식 기반의 엔지니어링된 특징을 융합하는 것이 순수 특징 기반 또는 순수 원시 데이터 접근 방식보다 우수한 성능을 낸다는 것을 입증한다.
• 임상 중심 지표: 심각한 클래스 불균형을 고려하면서 태아 곤란증 탐지 시 위음성(false negative)을 최소화해야 하는 중요성을 인식하여, '병적' 재현율(민감도)과 매크로 F1-스코어를 우선순위로 두었다.

결과

• 최고 성능 모델: 임상 파라미터가 없는 하이브리드 LSTM 모델이 '병적' 재현율($R_p$) 0.565와 매크로 F1-스코어 0.545를 기록하며 가장 우수한 전체 성능을 달erm했다. 이 성능은 전문가 간 일치 수준($R_p$ = 0.697)의 약 85%에 도달했다.
• 임상 파라미터의 영향: 임상 파라미터(CPs)의 포함은 일률적으로 유익하지 않았으며, 모델에 따라 매우 상이했다:
  • Transformer: CPs를 포함했을 때 성능이 향상되었다 ($R_p$가 0.560에서 0.595로 증가).
  • Hybrid LSTM: CPs를 포함했을 때 성능이 저하되었다 ($R_p$가 0.565에서 0.490으로 감소), 다만 '의심' 재현율은 유의미하게 개선되었다.
  • XGBoost: 전체적인 성능이 CPs 포함 시 저하되었다.
• 오류 분석: 오분류는 주로 인접한 클래스 간(예: '정상'에서 '의심'으로) 또는 시간적 경계에서 발생하였으며, 이는 태아 상태 전이의 점진적인 특성과 수동 주석(annotation)의 내재적 부정확성을 반영한다.

의의 및 주장
저자들은 본 연구가 임상적으로 유용한 실시간 알림 시스템을 위한 방법론적 토대를 마련한다고 주장한다. 그들은 하이브리드 접근 방식이 딥러닝(원시 신호로부터 미세한 시간적 역동성 포착)과 특징 엔지니어링(고차원적 임상 로직 통합)의 상호 보완적인 강점을 활용하기 때문에 연속적인 CTG 분석에 더 우수하다고 단언한다.

본 연구는 하이브리드 모델이 자동 알림을 위해 실행 가능하다는 점을 조심스럽게 결론짓는 동시에, 정적 임상 파라미터의 통합은 단순한 포함이 아닌 아키텍처별 정밀한 선택이 필요함을 강조한다. 저자들은 본 연구의 결과가 임상가들이 CTG 해석이라는 복잡한 과업을 수행하는 데 도움을 줄 수 있음을 시사하면서도, 임상 적용 전 더 큰 규모의 다기관 데이터셋과 전향적 임상 시험을 통한 추가 검증이 필요함을 명시하였다. 논문은 본 연구의 목표가 단일 주석자를 완벽하게 복제하는 것이 아니라, 현재의 임상 관행에 내재된 주관성을 줄일 수 있는 견고한 시스템을 구축하는 것임을 분명히 밝히고 있다.