미국심장협회(JAHA) 최근호 발표
|
연구팀에 따르면 심방세동은 가장 흔한 부정맥 중 하나로 초기에는 무증상인 경우가 많은데다 막상 검사를 하더라도 심전도에는 정상으로 보이는 경우가 많아 놓치기 쉬운 병이다. 뇌졸중, 심부전 등 치명적인 합병증으로 이어진 뒤에야 심방세동이 있었음을 발견하는 경우도 적지 않다.
연구팀은 2010년 1월부터 2021년 5월까지 삼성서울병원, 삼성창원병원, 강북삼성병원을 다녀간 17만 6090명에서 확보한 12리드 심전도 데이터 41만 5964개를 머신러닝 기법으로 학습시켜 인공지능 모델을 만들었다. 최초 심전도 검사에서 모두 정상 리듬이었지만 이후 심방세동을 진단받은 사람(1만 1810명)과 그렇지 않은 사람(16만 4280명)으로 나눴다.
연구팀은 심방세동이 진행된 경우와 아닌 경우에서 심전도 검사 결과의 차이가 있는지를 구분할 수 있도록 인공지능 모델을 훈련시키면서 환자마다 병원을 내원하는 경위와 검사 횟수가 다를 수 있다는 점을 고려해 두 가지 모델로 개발했다.
연구팀에 따르면 심방세동 예측 인공지능의 성능은 여러 번 검사를 받는 것을 기준으로 만든 모델이 보다 정교했다. 다회 모델의 민감도는 0.810, 특이도는 0.822, 정확도는 0.816이었다. 모델의 성능을 AUROC로 평가했을 때에도 0.88로 우수했다. 단일 모델은 민감도 0.744, 특이도 0.742, 정확도 0.743으로 다회 모델 보다 상대적으로 낮았지만 AUROC는 0.812로 성능은 준수했다.
다회 모델은 기존에 개발된 모델과 비교해서도 더 나은 성능을 보였다. 특히 기존 모델이 가진 한계 중 하나인 설명력 부족이 이번에 개발한 새 모델에서 해결됐다. 연구팀은 심방세동 위험을 예측하는 데 심전도의 어떤 부분이 어느 정도 영향을 주었는지 SHAP(Shapley Additive Explanations) 분석을 통해 밝혀 모델 신뢰도를 높였다.
이번 연구에서 심전도에서 나타나는 여러 파형 중 심장이 혈액을 짜내려 심방을 수축할 때 나오는 P파의 미세 변화가 심방세동을 예측하는 중요한 인자라는 게 밝혀졌다고 연구팀은 전했다.
박경민 교수는 "AI를 활용해 심방세동을 더 일찍 예측하고, 조기에 치료 관리를 할 수 있는 가능성을 보았던 연구"라며 "실제 임상에서 효과적으로 활용돼 심방세동의 조기 진단과 치료에 활용이 되기를 기대한다"고 말했다.
