AI-ECG를 이용한 시간 분해능 심부전(수축기 기능 저하) 예측

감소된 박출률을 동반한 심부전(HFrEF)은 전 세계적으로 상당한 이환율 및 사망률과 관련이 있으며, 위험에 처한 개인을 조기에 식별하는 것은 여전히 주요 임상적 과제로 남아 있습니다. 기존 위험 모델 및 생체표지자는 예후 정보를 제공할 수 있지만, 실험실 검사나 영상 검사의 필요성, 그리고 인구 집단 간 성능 변동성으로 인해 그 적용이 종종 제한됩니다.

본 연구에서는 원시 12-유도 심전도(ECG) 데이터를 사용하여 HFrEF의 미래 발병을 예측하는 딥러닝 기반 생존 모델을 개발합니다. 이 모델은 정적 분류가 아닌 동적 위험 경로 평가를 가능하게 하기 위해 5년 추적 관찰 기간 동안 개인별 사건 발생 시간 위험 추정치를 생성하도록 설계되었습니다.

이 모델은 중산병원 데이터로 훈련되었으며, 상하이 제10인민병원과 베스이스라엘디코니스메디컬센터의 독립 코호트에서 외부 검증을 거쳤습니다. 이러한 코호트에는 알려진 심혈관 질환이 없는 개인부터 다양한 임상 상태를 가진 환자까지 광범위한 스펙트럼의 환자가 포함되어 있어, 서로 다른 의료 시스템 및 인구통계학적 하위 집단에서 모델 일반화 가능성을 평가할 수 있습니다.

모델 성능은 일치 지수, 수신자 조작 특성 곡선 아래 시간 의존적 면적, 정밀도-재현율 곡선 아래 면적, 브라이어 점수, 교정 분석 및 의사 결정 곡선 분석을 포함한 다양한 지표를 사용하여 종합적으로 평가됩니다. 위험 계층화 능력은 카플란-마이어 생존 분석을 사용하여 평가됩니다.

해석 가능성을 향상시키기 위해 보완적인 표현 기반 및 주의 기반 방법이 적용됩니다. 여기에는 변이형 자동인코더에서 도출된 잠재 특성 분석, 기존 ECG 매개변수와의 상관관계, 그리고 모델 예측에 기여하는 파형 영역을 식별하기 위한 기울기 기반 시각화 기술이 포함됩니다. 이러한 접근법은 모델이 심근 재형성 및 심장 기능 장애와 관련된 생리학적으로 의미 있는 신호를 포착하도록 보장하는 것을 목표로 합니다.

본 연구는 관찰적이고 후향적인 성격을 가지며 어떠한 중재도 포함하지 않습니다. 연구 결과는 HFrEF 위험이 있는 개인의 조기 발견을 위한 비침습적이고 비용 효율적이며 널리 접근 가능한 도구 개발을 지원하고, 예방 전략 및 맞춤형 임상 관리에 잠재적 영향을 미칠 것을 목표로 합니다.