심전도 기반 좌심방 구조·기능 예측 딥러닝 모델 개발

주장심방병증은 심방세동 및 심혈관 합병증을 알리는 전조 증상으로 작용합니다. 하지만 고품질 심장 영상 검사는 높은 비용과 낮은 접근성 탓에 조기 발견에 어려움이 따릅니다.

팩트연구진은 영국 바이오뱅크가 보유한 심장 자기공명영상 2만1749건과 12유도 심전도 데이터를 결합해 딥러닝 모델을 학습시켰습니다. 해당 모델은 심전도 정보만으로 좌심방의 구조와 기능을 정확하게 예측합니다.

팩트모델이 도출한 심방병증 수치는 심방세동과 심부전, 허혈성 뇌졸중 발생과 밀접한 연관성을 보입니다. 이러한 예측력은 기존 임상 위험 요인이나 생체 지표를 조정한 뒤에도 유의미하게 나타납니다.

팩트좌심방 용적의 표준 편차가 1단위 증가할 때마다 심장 색전성 뇌졸중 위험은 66% 상승합니다. 이는 심방세동의 주요 합병증을 판단하는 핵심 지표로 활용됩니다.

팩트탐색적 분석 결과, 본 모델은 기존 임상 위험 예측 도구나 엔티-프로비엔피(NT-proBNP) 수치보다 심장 모니터로 감지된 심방세동을 더 정확하게 예측합니다.

교차검증연구진은 외부 코호트 두 곳에서 모델의 성능을 검증했습니다. 다만 실제 임상 현장에서의 범용성을 확보하려면 다양한 인종과 환경을 아우르는 추가 데이터 검증이 필요합니다.

주장이 딥러닝 모델은 저비용으로 접근 가능한 도구로서 심방세동 고위험군을 조기에 식별합니다. 의료 자원이 부족한 환경에서도 심혈관 질환 예방에 기여할 것으로 전망합니다.

팩트이번 연구는 미국 국립보건원 산하 국립심폐혈액연구소 등의 지원을 받아 수행되었습니다. 연구진은 다민족 동맥경화 연구와 심혈관 건강 연구 데이터를 활용했습니다.

팩트연구에는 워싱턴 대학교와 미네소타 대학교, 존스 홉킨스 병원 소속 연구자들이 참여했습니다. 제니퍼 에이 브로디와 비드후셰이 요게스와란이 공동 제1저자를 맡았습니다.

주장심전도 데이터의 활용도를 극대화한 이번 모델은 향후 심장 질환 진단 체계의 효율성을 높이는 데 중요한 역할을 합니다.

교차검증모델의 임상적 유용성은 확인되었으나, 실제 의료 현장에 도입하기 위해서는 추가적인 대규모 임상 시험을 통한 안전성 확보가 선행되어야 합니다.

출처해당 연구 결과는 네이처 커뮤니케이션즈(Nature Communications)에 게재되었음을 교차 검증했습니다. (https://www.nature.com/articles/s41467-026-76155-6)