연구요약

본 연구는 응급실로 내원한 급성 관상동맥 증후군 (acute coronary syndrome) 의심 환자 에서 중재시술(percutaneous coronary intervention)이나 관상동맥 우회술 (Coronary artery bypass graft, CABG)과 같은 재관류치료(Revascularization)가 필요한 환자를 선별하기 위한 딥러닝 기반 심전도 분석 모델을 개발하고 이를 검증한 연구이다. 연구진은 미국 MIMIC-IV 데이터베이스의 144,691건의 응급실 데이터를 이용하여 InceptionTime 기반의CNN(Convolution Neural Networks) 모델을 학습시켰으며, 이후 미국 내 테스트 코호트(35,955건)와 유럽의 외부 검증 코호트(18,673건)에 모델을 적용하여 평가하였다. 일차 예측변수는 재관류 치료의 필요성이었으며, 이차 예측변수는 1형 심근경색의 진단 정확도였다.

테스트 코호트에서 모델의 AUROC는 0.91(95% CI, 0.91–0.91)로, 임상의의 심전도 판독(0.65, 95% CI 0.54–0.76) 및 hs-TnT(high-sensitivity Troponin T)를 이용한 예측(0.71, 95% CI 0.71–0.71)보다 우수한 성능을 보였다. 유럽 검증 코호트에서도 재관류치료 예측에 대한 AUROC는 0.81(0.81–0.82), 1형 심근경색 진단에 대해서는 0.85(0.84–0.86)로 양호한 성능을 보였으며, hs-TnT에 비해 특이도는 높고 민감도는 낮은 양상을 보였다. 다변량 분석에서도 모델이 분류한 중등도 및 고위험 군은 유의미한 독립적 재관류치료 예측인자였다.

임상적 의의

심전도는 흉통 환자에서 급성 관상동맥 증후군을 진단하는 데 있어 핵심적인 검사이지만, ST 분절 상승이 없는 경우에는 비특이적인 변화로 인해 진단이 어렵고, hs-TnT는 민감도는 높지만 심근 허혈 외에도 다양한 원인에서 상승할 수 있으며, 초기에는 상승이 나타나지 않는 경우도 있어 진단의 불확실성이 존재한다.

이러한 맥락에서 본 연구에서 개발한 딥러닝 기반 심전도 모델은 대량의 ECG 데이터를 학습시켜 응급실 초기 평가 단계에서 신속한 판단을 도울 수 있는 유용한 도구가 될 가능성을 보여주었다.

이 모델은 미국의 대규모 응급실 코호트 데이터를 기반으로 재관류 치료 필요성 예측과 심근경색 진단에 있어 높은 정확도를 보였으며, 유럽의 독립된 외부 코호트에서도 유사한 성능을 입증하였다. 또한 저위험, 중등도 위험, 고위험군으로 환자를 분류하는 방식은 실제 임상에서도 쉽게 적용할 수 있는 이점을 지닌다. 다만, 본 모델은 ‘재관류술 시행 여부’를 예측 목표로 학습되었기 때문에, 임상의의 결정이 반영되어 학습 편향(clinical decision bias)이 존재할 수 있다.

한편, 필자가 수행했던 DAMI-ECG 연구에서도 흉통으로 내원한 환자에서 딥러닝 기반 심전도 분석의 심근경색 진단 AUROC는 0.906(0.881–0.928)으로, 임상의보다 우수한 정확도를 보였다. 또한 국내에서 시행된 전향적 연구인 ROMIAE 연구에서는, 8,493명의 응급실 흉통 환자를 대상으로 인공지능 심전도를 이용한 심근경색 진단의 AUROC가 0.878로 매우 우수하였고, 30일 주요심장사건 예측에 있어서도 AUROC 0.866(0.856–0.877)로 임상적 유용성이 입증된 바 있다.

향후 이러한 인공지능 기반 심전도 모델은 임상의사의 심전도 해석을 보조하고, 중재시술이나 우회술이 필요한 환자를 조기에 선별하여 진단과 치료를 앞당기는 데 중요한 역할을 할 수 있을 것으로 기대된다.

참고문헌

1) Büscher A, Plagwitz L, Yildirim K, et al. Deep Learning Electrocardiogram Model for Risk Stratification of Coronary Revascularization Need in the Emergency Department. Eur Heart J. 2025 Mar 29:ehaf254.
2) Lee MS, Shin TG, Lee Y, et al. Artificial intelligence applied to electrocardiogram to rule out acute myocardial infarction: the ROMIAE multicentre study. Eur Heart J. 2025 Feb 24:ehaf004
3) Lee BK, Kwon JM, Cho J, et al. Usefulness of Deep-Learning Algorithm for Detecting Acute Myocardial Infarction Using Electrocardiogram Alone in Patients With Chest Pain at Emergency Department: DAMI-ECG Study. J Cardiovasc Interv. 2023 Apr;2(2):100-112