심전도와 결합된 인공지능(AI-ECG)이 높은 정확도로 박출률 경도 감소 심부전(HFmrEF)을 진단하고, 예후까지 판별할 수 있다는 연구 결과가 나왔다.

HFmrEF의 경우 완전한 심부전 단계로 분류되지 않아 증상이 애매하고 경미해 초기 단계에서 명확한 진단이 어렵지만 AI-ECG는 AUC 지표값 0.83을 기록하며 쓸만한 수준을 증명했다.

이어 응급실에서 호흡곤란 환자의 심전도를 분석한 인공지능의 결과 값은 NT-proBNP 보다 진단 정확도가 우수할 뿐더러 의사의 판단까지 능가했다.

18일 대한심장학회는 그랜드워커힐에서 국제학술대회 KSC2024를 개최하고 부정맥, 심부전 영역에서의 인공지능 진단 접목 가능성에 대해 진단했다.

최근 다양한 연구를 통해 HFmrEF이 심부전의 주요 하위 유형이나 독립전인 심부전 유형으로 인식하도록 하고 있다.

HFmrEF는 박출률(Ejection Fraction, EF)이 40~49%로 경도 감소된 상태로 심부전의 다른 두 하위 유형인 박출률 감소 심부전(HFrEF)와 박출률 보존 심부전(HFpEF) 사이에 위치해 진단이 어렵다.

인하대병원 심장내과 김대영 교수는 인공지능을 활용해 HFmrEF 환자의 예후를 식별하고 예측하는 것을 목표로 연구한 결과물을 발표했다.

김 교수는 "단일 기관에서 2009년에서 2021년까지 EKG 검사를 수행했던 4만 8천명을 대상으로 10만 4336건의 12-리드 심전도 데이터를 수집했다"며 "시기를 달리해서 2009년에서 2020년까지의 환자는 약 8대 1 비율로 트레이닝 셋과 인터널 검증 셋으로 나눠 모델을 구성했다"고 밝혔다.

그는 "인공지능 분석을 적용한 결과 모든 유형의 HF를 식별하기 위한 AI-ECG 곡선하면적(AUC)은 0.87을 기록했다"며 "HFmrEF의 AUC 값은 0.83으로 HFrEF 값인 0.89, EF 값인 0.87 보다는 상대적으로 낮았지만 전체적으로 HFmrEF를 확인하는 그런 예측력을 가지고 있다는 걸 확인했다"고 밝혔다.

이어 "심전도 특징 분석 결과 유클리드 거리별 중증도가 증가함에 따라 QRS 지속 시간, 간격이 크게 증가했다"며 "AI-유클리드 거리를 기준으로 환자들을 세 개의 클러스터로 그룹화한 결과 환자들의 예후도 어느 정도 예측이 가능했다"고 강조했다.

인하대병원 심장내과 장지훈 교수는 응급실에서 급성 호흡곤란 환자의 심장병리와 폐병리 원인에 대한 AI-ECG 및 이뇨 펩타이드를 사용한 기존 심부전 진단 프로세스의 성능을 비교했다.

장 교수는 "2006년 2월부터 2023년 9월까지 응급실에서 호흡곤란을 호소하는 18세 이상 환자를 대상으로 AI-ECG 알고리즘을 사용해 후향적 분석을 수행했다"며 "AI-ECG 모델은 심장 기원 호흡 곤란에 대해 0.938의 AUC와 88.1%의 정확도를 입증했다"고 밝혔다.

이어 "민감도, 특이도, 양성 및 음성 예측값은 각각 93.0%, 79.5%, 89.0%, 86.4%였다"며 "AI-ECG는 NT-proBNP에 비해 심장 기원 호흡 곤란을 식별하는 데 있어 우수한 진단 성능을 입증했다"고 설명했다.

실제로 초기 폐 기원으로 오진했을 가능성이 높은 129명의 환자를 대상으로 한 민감도 분석에서 AI-ECG는 96명의 환자를 심장 기원으로 진단하는 등 AI는 응급 상황에서 정확한 호흡곤란 원인을 식별하는 데 유용한 툴이라는 것이 그의 판단.

ECG를 분석해 다양한 질환에 대한 디지털 바이오마커를 생성하는 인공지능 애플리케이션 'ECG 버디'와 전문의의 급성 폐색전증(PE)은 우심실(RV) 기능 장애를 진단 정확도를 비교한 연구도 주목을 끌었다.

해당 연구에서 ECG 버디는 0.628~0.683 사이의 AUC 값으로 전문의를 앞질러 급성 PE 환자의 RV 기능 장애를 신속하게 평가할 수 있는 가능성을 보여줬다.

한편, 심장학회는 이같은 AI 연구 열기를 반영, 이날 ▲고품질 논문 작성 방법 ▲논문 작성에서 AI와 적절한 통계를 적용 방법 ▲통계 분석에 적절한 머신 러닝 기법을 적용 방법의 세션을 마련하기도 했다.