• 판막수술 예정인 심방세동 없는 고위험 환자 2118명(CHA₂DS₂-VASc ≥2)에서 예방적 LAA occlusion 대 표준 치료 비교 연구. • 1년 추적 일차 평가지표(허혈뇌졸중, TIA, 또는 심혈관 사망): SLAAO군 6.9% vs 대조군 8.2% (HR 0.83, 95% CI 0.61–1.14, p=0.25). • 통계적 유의성 부족으로 임상적 의미 제한적이며, 아시아 인구와 특정 판막질환에만 적용 가능성 있음.
심방세동이 없는 고위험 판막수술 환자에서 예방적 LAA occlusion은 혈전색전 사건을 유의하게 감소시키지 못하므로, 이 집단에서의 일상적 사용은 재검토가 필요하다.
가이드라인에 근거한 추가 해석
2024 ESC 심방세동 지침은 심장수술 환자의 외과적 좌심방이 폐쇄를 항응고제와 함께 사용할 때 I등급으로 권고하나, OPINION 시험은 심방세동 없는 판막수술 환자의 예방적 폐쇄에서 통계적 이득을 보이지 못했습니다.
• 100만 개 이상의 심전도로 학습한 오픈소스 기초 모델 2종(DeepECG-SL 지도학습, DeepECG-SSL 자기지도학습)으로 77가지 심질환 진단. • DeepECG-SSL 내부 AUROC 0.990 (95% CI 0.990–0.990), 외부 0.981–0.983; AF 위험도 예측(0.742 vs 0.734), LQTS 유전형 분류(0.931 vs 0.850)에서 우월. • 실제 임상 통합 데이터 부족; 공정성 평가가 나이·성별에만 국한되어 더 광범위한 인구통계학적 요인 미반영.
자기지도학습 기반 심전도 모델은 제한된 주석 데이터로도 일반화 및 공정성을 개선하여 자원 부족 환경에서의 해석 가능하고 접근 가능한 AI 진단 배포를 지원한다.
가이드라인에 근거한 추가 해석
2024년 AHA 심장질환 AI 과학 성명은 심전도 AI의 진료 개선 입증 부족과 다양한 인구에서의 전향적 검증 필요성을 강조하는데, 본 연구는 DeepECG 모델의 우월한 성능과 외부 일반화 가능성을 제시하나 실제 임상 통합 데이터가 제한적입니다.
• 미국 응급실 144,691건의 심전도로 학습된 deep learning CNN 모형으로 급성 관상동맥 증후군 환자의 재관류 필요성 예측. • Test cohort AUROC 0.91 (95% CI 0.91-0.91), 임상의 판독(0.65)과 troponin T(0.71)보다 우수; 외부 검증 cohort에서 재관류 AUROC 0.81, Type 1 MI AUROC 0.85. • 고감도 troponin T 대비 특이도는 높지만 민감도는 낮으며, ECG 단독으로는 바이오마커 대비 일부 경색을 놓칠 수 있음.
이 딥러닝 심전도 모형은 임상의 판독과 비교하여 재관류가 필요한 급성 관상동맥 증후군 선별을 현저히 개선하지만, 고감도 troponin과 비교하면 상호 보완적 역할을 하며 바이오마커와 통합될 때 응급실 분류에 도움이 될 수 있음.
가이드라인에 근거한 추가 해석
2024 AHA AI 성명은 심전도 분야 AI의 유망성을 인정하면서도 임상 개선 입증과 전향적 검증의 필요성을 강조하는데, 본 연구의 deep learning ECG 모형은 높은 판별 성능을 보이나 고감도 troponin과의 보완적 역할에 그쳐 임상 도입 전 추가 검증이 필요합니다.