심부전을 탐지하기 위한 합성곱 신경망 접근법

심부전(Chronic Heart Failure, CHF)은 높은 유병률, 높은 사망률 및 지속적인 의료비 부담과 관련된 심각한 병리생리학적 상태로, 이를 효과적으로 진단할 수 있는 방법이 절실히 요구된다. 최근 연구들은 고급 신호 처리 및 머신러닝 기법을 중심으로 다양한 진단 방법을 제안해왔으나, 컨볼루셔널 신경망(Convolutional Neural Network, CNN) 기법을 활용한 CHF 자동 진단 가능성은 여전히 소홀히 다뤄지고 있다. 본 연구는 이 중요한 연구 공백을 해결하기 위해, 단일 원시 전기심장도(ECG) 심장박동 데이터만을 이용하여 CHF를 정확하게 식별할 수 있는 CNN 모델을 제안한다. 기존의 심박수 변이(Heart Rate Variability, HRV) 기반 접근법과 비교하여 본 모델은 새로운 시각을 제시한다. 우리는 공개된 ECG 데이터셋을 기반으로 모델을 학습 및 검증하였으며, 총 490,505개의 심장박동을 포함한 데이터를 활용하여 CHF 진단 정확도 100%를 달성하였다. 특히, 본 모델은 CHF 진단에 있어 중요한 분류 특징을 지닌 심장박동 시퀀스 및 ECG의 형태학적 특성들을 효과적으로 식별할 수 있다. 종합적으로 본 연구는 CHF 진단 기술의 현재 기준을 크게 발전시켰으며, 진단 결정을 지원할 수 있는 정확하고 완전히 투명한 도구를 임상의사들에게 제공함으로써 실제 임상 적용 가능성을 높였다.