AIHEART 클라우드 기반 종단형 디지털 헬스 ECG 분석 시스템

본 논문은 장시간 3‑리드 ambulatory ECG 데이터를 클라우드 환경에서 자동으로 수집·전처리·분석·보고까지 일괄 처리하는 디지털 헬스 정보 시스템 ‘AI‑HEART’를 제안한다. 서론에서는 심혈관 질환이 전 세계 사망 원인 1위이며, 특히 저소득·중간소득 국가에서 전문 심전도 서비스 접근성이 낮아 장시간 모니터링의 필요성이 강조된다. 기존 AI‑ECG 솔루션은 대체로 단일 리드·짧은 기록에 최적화돼 잡음, 클래스 불균형, 규제 대응 등에 한계가 있음을 지적하고, 이를 극복하기 위한 종합적인 플랫폼 설계 목표를 제시한다. 시스템 구현 섹션에서는 AI‑HEART가 SaaS 형태의 클라우드‑기반 SaMD(Software as a Medical Device)로 구현됐으며, 프론트엔드 웹 UI를 통해 사용자는 ECG 파일을 업로드하고 결과를 검토한다. 백엔드는 REST API와 작업 스케줄러, GPU 가속 컨테이너화된 인퍼런스 서비스로 구성돼 있다. 데이터는 객체 스토리지에 암호화 저장되고, 메타데이터·결과·임상 수정 내용은 관계형 DB에 기록돼 감사 로그와 버전 관리가 가능하도록 설계되었다. 인증·권한 관리는 역방향 프록시와 TLS를 통해 보안이 강화되었다. 데이터셋은 자체 보유한 1.5 M 비트 라벨 ECG와 MIT‑BIH, AHA 공개 데이터셋을 결합해 35개의 비트·리듬 타입을 포함한다. 환자 수준으로 80/10/10 비율로 훈련·검증·테스트를 분할했으며, 동일 환자의 기록이 여러 셋에 겹치지 않도록 했다. 라벨링은 임상 전문가가 ECG 표준 해석 지침에 따라 수행했으며, 노이즈 라벨은 5 s 구간 단위로 ‘clean’·‘noisy’를 부여했다. 신호 전처리 단계에서는 베이스라인 보정, 고주파 잡음 억제, 전원선 간섭 제거를 위한 밴드패스 필터(0.5–40 Hz)와 리샘플링(250 Hz) 등을 적용했다. 파형 구분 모델은 2 s 고정 윈도우 입력에 CNN‑BiLSTM 구조를 사용해 P, QRS, T 파형의 시작·끝을 시점 수준으로 예측한다. 모델은 샘플‑레벨 정확도 96 %와 20 ms 이내 허용 오차를 달성했으며, 이를 기반으로 PR, QT 등 임상적 간격을 자동 계산한다. 노이즈 검출 모델은 1‑D CNN 기반 이진 분류기로, ‘clean’·‘noisy’ 라벨을 학습했다. 테스트에서 98 % 이상의 정확도와 0.99 AUC를 기록했으며, 저품질 구간을 자동 마스킹하거나 재분석 요청을 트리거한다. 이는 기존 연구에서 전처리 단계에서 데이터를 단순히 제외하는 방식과 차별화된다. 부정맥 분류는 두 단계로 진행된다. 비트‑레벨 분류는 35 클래스 다중 라벨 CNN‑Transformer 모델을 사용했으며, 클래스 불균형을 해결하기 위해 가중치 조정, focal loss, 그리고 희귀 리듬에 대한 GAN‑기반 합성 데이터를 도입했다. 검증 결과 매크로‑평균 AUC 0.94, 특이도 0.97을 달성했다. 리듬‑레벨 분류는 10 s 윈도우 입력에 경량 CNN을 적용해 AF, AFL, 정상 3 클래스를 판별했으며, F1‑스코어 0.95 이상을 기록했다. 시스템 평가에서는 파형 구분 정확도, 노이즈 검출 신뢰도, 부정맥 분류 매크로‑평균 성능을 종합적으로 보고했으며, 임상 전문가가 검토한 결과 자동 보고서가 평균 30 %의 시간 절감을 제공한다는 점을 강조한다. 또한, 시스템은 추적 가능한 출력, 감사‑친화적 데이터 저장, 그리고 임상의 피드백을 통한 모델 업데이트 기능을 제공해 규제 요구사항(FDA 510(k), CE‑Mark)과 운영 효율성을 동시에 만족한다. 논의 섹션에서는 현재 시스템이 3‑리드 ECG에 최적화돼 있어 12‑리드와의 직접 비교가 부족하고, 생성적 데이터 증강이 실제 희귀 리듬의 다양성을 충분히 포괄하는지에 대한 검증이 필요함을 언급한다. 또한, 실시간 스트리밍 분석이 아닌 배치 처리 중심이므로 급성 이벤트(예: 심실세동) 감지에는 추가 개발이 요구된다. 향후 연구 방향으로는 멀티‑모달 바이오신호(혈압, 산소포화도) 통합, 엣지 디바이스 지원, 연합 학습(Federated Learning) 기반 개인정보 보호 강화, 그리고 12‑리드 및 웨어러블 데이터셋 확장을 제시한다. 결론에서는 AI‑HEART가 노이즈‑강인성, 클래스 불균형 완화, 규제‑준수, 그리고 인간‑중심 피드백 루프를 갖춘 종단형 디지털 헬스 플랫폼으로서, 장시간 ambulatory ECG 분석을 자동화하고 임상의 업무 부담을 크게 경감시키는 동시에, 지속 가능한 AI 모델 관리 체계를 제공함을 강조한다.