심전도 이미지를 이용한 구조적 심질환 선별을 위한 앙상블 심층학습 알고리즘: PRESENT SHD
Dhingra et al.
- ECG 영상 분석 AI가 심초음파 없이 좌심실 기능 저하, 판막질환, 좌심실비후를 동시에 선별할 수 있어 접근성 제한 지역의 1차 스크리닝 도구로 활용 가능함.
- 개발군의 구조질환 유병률이 19%인 반면 ELSA-Brasil에서는 3%로 극히 낮아 실제 기반 인구에서의 양성예측도가 훨씬 낮을 것으로 예상되며 특이도 51~56%는 거짓양성을 많이 만듦.
- 현재로선 심초음파 불가능한 상황에서의 선별 보조 도구일 뿐, 진단 기준값이 아니므로 양성 결과는 반드시 확인 영상검사가 필요함
2024 AHA 심장질환 AI 성명은 ECG 이미지 기반 구조적 심질환 선별이 유망하지만 전향적 임상시험으로 진료 개선을 확인해야 한다는 입장과 본 연구가 부합합니다. TRIPOD+AI 지침이 요구하는 개발·평가 데이터 분리, 사회인구학적 소집단별 성능 보고 기준을 대체로 충족하였습니다.
근거 AHA 심장질환 AI 활용 과학 성명(2024) · TRIPOD+AI 예측모형 보고 지침(2024)
앞으로 필요한 연구 ECG 이미지만으로 진단한 구조적 심질환이 실제 임상 결과를 개선하는지는 아직 미정이며, 무작위 대조군 시험으로 선별 집단과 통상 진료 집단의 예후를 비교하는 연구가 필요합니다.
일차적 의견
• 93,693명의 261,228개 심전도 이미지로 학습한 앙상블 모델(PRESENT-SHD)이 LVEF <40%, 중등도-중증 valvular disease, 중증 LVH 감지.
• 내부 test set AUROC 0.886 (95% CI 0.877-0.894), sensitivity 90%, specificity 66%; 4개 미국 병원 및 ELSA-Brasil 외부 검증에서 AUROC 0.854-0.900.
• 임상 변수 미통합, ECG 이미지만 의존, 검증 코호트 간 질병 유병률 차이(3-27%) 제한.
ECG 이미지 기반 AI 선별이 자원 제한 환경에서 구조적 심질환 진단 능력을 확대할 수 있으나, 광범위 임상 적용 전 기존 영상 기법과의 통합 및 임상 검증이 필수적이다.
쉽게 풀어 쓴 해설
- 인공지능이 심전도 사진을 보고 심한 심부전이나 판막 질환을 약 85~89% 정확하게 찾아냈어요.
- 실제 환자들을 대상으로 여러 병원에서 검증했을 때도 비슷한 수준으로 작동했어요.
- 미국과 브라질의 환자 93,693명에게서 찍은 심전도 26만 장으로 컴퓨터를 학습시켰어요.
- 약해진 심장(수축력 40% 미만), 딱딱해진 심장근육, 심한 판막 문제 세 가지를 찾아내도록 만들었죠.
- 심전도 검사를 받은 누구나 이 인공지능을 도움받을 수 있을 거예요.
- 다만 드물게 나타나는 질환인 경우 찾을 확률이 떨어질 수 있어요.
- 심전도 사진만 봐서 환자의 나이, 혈압, 다른 병력 같은 정보를 고려하지 못했어요.
- 실제 진료실에서 쓸 때 환자마다 질환이 얼마나 흔한지에 따라 정확도가 달라질 수 있는지 확인이 필요해요.