심장질환의 마지막 종착지라 불리는 심부전 예방과 치료에 인공지능(AI)이 크게 기여할 전망이다. 미국 뉴욕 소재 마운트 시나이(Mount Sinai) 병원 연구원들이 심전도(ECG)의 미묘한 변화를 식별하여 환자가 심부전을 겪고 있는지 여부를 예측하는 특수 AI 기반 알고리즘을 발표했다.

하쏘 플래트너(Hasso Plattner) 디지털 연구소의 일원인 유전 및 유전체 과학 조교수인 벤자민 글릭스버그(Benjamin S. Glicksberg) 박사는 "딥 러닝 알고리즘이 ECG 파형 데이터에서 심장 양쪽의 혈액 펌핑 문제를 감지할 수 있음을 보여주었다"고 말했다. "일반적으로 이러한 유형의 심장 상태를 진단하려면 비용과 시간이 많이 소요되는 절차가 필요하다. 우리는 이 알고리즘을 통해 심부전을 더 빨리 진단할 수 있기를 바란다"고 덧붙였다.

약 620만 명의 미국인에게 영향을 미치는 심부전 또는 울혈성 심부전은 심장이 신체가 정상적으로 필요로 하는 것보다 적은 양의 혈액을 펌프질할 때 발생한다. 수년 동안 의사들은 환자가 심부전을 겪고 있는지 여부를 평가하기 위해 심초음파 (echocardiogram)라는 영상 기술에 크게 의존해 왔다. 도움이 되기는 하지만 심초음파는 일부 병원에서만 제공될 수 있다.

그러나 최근 AI의 혁신은 널리 사용되는 전기 기록 장치인 심전도가 이러한 경우에 빠르고 쉽게 사용할 수 있는 대안이 될 수 있음을 시사한다. 예를 들어 많은 연구에서 '딥 러닝' 알고리즘이 어떻게 심장의 좌심실의 약점을 감지할 수 있는지 보여주었다. 좌심실은 새로 산소가 공급된 혈액을 신체의 나머지 부분으로 밀어낸다. 이 연구에서 연구원들은 좌심실의 강도를 평가할 뿐만 아니라 신체에서 유입되는 탈산소화된 혈액을 폐로 펌핑하는 우심실의 강도를 평가하는 알고리즘의 개발을 설명했다.

마운트 시나이 의대의 기리쉬 네드카니(Girish N. Nadkarni) 박사는 "매력적이긴 하지만 전통적으로 의사가 심부전을 진단하기 위해 ECG를 사용하는 것은 어려운 일이었다. 이것은 부분적으로 이러한 평가에 대해 확립된 진단 기준이 없고 ECG 판독값의 일부 변화가 인간의 눈으로 감지하기에는 너무 미묘하기 때문이다"라고 밝혔다. 또 "이 연구는 비교적 간단하고 널리 이용 가능한 테스트를 사용하여 더 나은 스크리닝 및 치료 패러다임으로 이어질 수 있는 ECG 데이터 내에 숨겨진 정보를 찾는 데 있어 흥미로운 진전을 나타낸다"고 덧붙였다.

일반적으로 심전도는 2단계 과정을 포함한다. 와이어 리드는 환자 가슴의 다른 부분에 테이프로 붙이고 몇 분 안에 특별히 설계된 휴대용 기계가 심장의 전기적 활동을 나타내는 일련의 구불구불한 선 또는 파형을 인쇄한다. 이 기계는 미국 전역의 대부분의 병원과 구급차에서 찾을 수 있으며 작동하는 데 최소한의 교육이 필요하다.

이 연구를 위해 연구원들은 동일한 환자에게서 채취한 해당 심장초음파 결과를 요약한 보고서에서 추출한 데이터와 함께 환자의 심전도를 읽도록 컴퓨터를 프로그래밍했다. 이 상황에서 보고서는 컴퓨터가 심전도 데이터와 비교하고 약한 심장을 찾는 방법을 배울 수 있는 표준 데이터 세트 역할을 했다.

자연어 처리 프로그램은 컴퓨터가 작성된 보고서에서 데이터를 추출하는 데 도움이 되었다. 한편, 알고리즘이 펌핑 강도를 인식하는 것을 돕기 위해 이미지에서 패턴을 발견할 수 있는 특수 신경망이 통합되었다. 글릭스버그 연구소의 아킬 베이드(Akhil Vaid) 박사는 "심장 전체를 쉽고 저렴하게 이해할 수 있는 AI를 개발하여 최첨단 기술을 추진하고 싶었다"고 말했다.

그런 다음 컴퓨터는 2003년부터 2020년까지 150,000명의 마운트 시나이 헬스 시스템 환자로부터 얻은 700,000개 이상의 심전도 및 심초음파 보고서를 읽었다. 4개 병원의 데이터는 컴퓨터를 훈련하는 데 사용되고, 다섯 번째 병원의 데이터는 다른 실험 환경에서 알고리즘이 어떻게 수행되는지 추론 테스트하는 데 사용되었다. 네드카니 박사는 "이 연구의 잠재적인 이점은 세계에서 가장 다양한 환자 집단 중 하나에서 가장 큰 ECG 컬렉션 중 하나를 포함한다는 것이다"라고 말했다.

초기 결과는 알고리즘이 좌심실이 건강하거나 매우 약한 환자를 예측하는 데 효과적임을 시사했다. 여기서 강도는 좌심실 박출률로 정의되며, 이는 심초음파에서 관찰된 바와 같이 각 박동에서 심실이 펌프로 내보내는 체액의 양을 추정한 것이다. 건강한 심장은 박출률이 50% 이상이고 약한 심장은 40% 이하이다.

알고리즘은 어떤 환자가 건강한 박출률을 가지고 있는지 예측하는 데 94% 정확하고 40% 미만인 박출률을 가진 환자를 예측하는 데 87% 정확했다. 그러나 알고리즘은 심장이 약간 약해진 환자를 예측하는 데 효과적이지 않았다. 이 경우 프로그램은 40~50% 사이의 박출률을 가진 환자를 예측하는 정확도가 73%였다.

이같은 추가 결과는 알고리즘이 심전도에서 오른쪽 판막 약점을 감지하는 방법도 학습했음을 시사하고 있다. 알고리즘 분석 결과 오른쪽 판막이 약한 환자를 예측하는 데 84%의 정확도를 나타내는 것으로 분석됐다. 베이드 박사는 "우리의 결과는 이 알고리즘이 결국 의사가 심장 양쪽의 부전을 올바르게 진단하는 데 도움이 될 수 있음을 시사했다"라고 말했다.

추가 분석은 알고리즘이 인종과 성별에 관계없이 모든 환자의 심장 쇠약을 감지하는 데 효과적일 수 있음을 시사했다. 글릭스버그 박사는 "이번 결과는 알고리즘이 임상의가 다양한 환자가 겪는 심부전과 싸우는 데 도움이 되는 유용한 도구가 될 수 있음을 시사한다"라고 덧붙였다. 그는 "우리는 보다 실제적인 환경에서 그 효과를 테스트하기 위해 전향적 시험을 신중하게 설계하는 과정에 있다"고 설명했다.