심장내과 전문의 수준의 심부전 검출 및 분류를 위한 애매한 심전도에서의 심층 신경망 사용

컴퓨터화된 심전도(ECG) 해석은 임상적 심전도 업무 흐름에서 핵심적인 역할을 한다. 널리 보급된 디지털 심전도 데이터와 딥러닝의 알고리즘적 접근 방식은 자동 심전도 분석의 정확성과 확장성을 크게 향상시킬 수 있는 기회를 제공한다. 그러나 다양한 진단 범주에 걸쳐 종단적(end-to-end) 딥러닝 접근법을 심전도 분석에 적용한 종합적인 평가는 이전에 보고된 바가 없었다. 본 연구에서는 단일 리드를 사용하는 액티브 심전도 모니터링 장치를 이용한 53,549명 환자로부터 수집한 총 91,232건의 단일 리드 심전도를 기반으로, 12가지 리듬 분류를 수행하는 딥 뉴럴 네트워크(DNN)를 개발하였다. 독립적인 테스트 데이터셋에 대해 자격을 갖춘 실무 심장내과 전문의들로 구성된 합의위원회가 주석을 달았을 때, DNN은 수신기 작동 특성 곡선(ROC) 아래 면적(AUC) 평균 0.97을 달성하였다. DNN의 평균 F1 스코어(정확도와 민감도의 조화평균)는 0.837로, 평균 심장내과 전문의의 평균 F1 스코어(0.780)를 초과하였다. 심장내과 전문의들이 달성한 평균 특이도를 고정한 상태에서, DNN은 모든 리듬 분류에 대해 평균 전문의의 민감도를 상회하였다. 이러한 결과는 종단적 딥러닝 접근법이 단일 리드 심전도를 통해 다양한 심장 리듬 이상을 높은 진단 성능으로 정확하게 분류할 수 있음을 보여주며, 심장내과 전문의 수준과 유사한 성능을 발휘할 수 있음을 시사한다. 임상 환경에서 검증된다면, 이 방법은 컴퓨터화된 심전도 해석의 오진률을 감소시키고, 특히 가장 긴급한 상태를 정확히 우선순위 매기거나 전달함으로써 전문가의 인간 심전도 해석 효율성을 높일 수 있을 것으로 기대된다.데이터셋 제공: https://irhythm.github.io/cardiol_test_set/