AI 기반 단일리드 ECG로 비침습적 고칼륨증 검출 PocketK 시스템 개발 및 다기관 검증

** 본 연구는 고칼륨증이라는 급성·치명적인 전해질 이상을 비침습적으로 감지하기 위해, 단일리드 ECG(Lead I)와 딥러닝을 결합한 AI 모델 “Pocket‑K”를 개발하고, 대규모 다기관 데이터를 이용해 검증한 과정을 상세히 보고한다. 고칼륨증은 신장질환·심부전 환자에게 흔히 발생하며, 급성 심실 부정맥 및 사망 위험을 크게 증가시킨다. 기존 혈청 K⁺ 측정은 침습적이며 병원 방문이 필요해, 고위험 환자의 빈번한 모니터링에 한계가 있다. 반면 ECG는 고칼륨증 시 전형적인 T‑wave 상승·QRS 연장 등 전기생리학적 변화를 보이지만, 인간이 시각적으로 판독하는 민감도는 낮다. 따라서 AI가 미세한 파형 변화를 학습하도록 하면 비침습적 스크리닝이 가능하다는 가설을 세웠다. 데이터는 베이징·북경대병원(PKUPH)과 천진 제2병원(SHTMU)에서 2016‑2024년 사이에 수집된 임상 ECG와 동일 환자에서 채취된 혈청 K⁺ 농도를 매칭한 62 290개의 ECG‑K⁺ 쌍(34 439명)이다. 매칭 기준은 ECG와 혈청 검사 간 시간 차이가 ±1시간 이내이며, 평균 25분 정도로 설정해 생리적 동시성을 확보하였다. Lead I 파형만을 사용했으며, 500 Hz(또는 1000 Hz) 샘플링된 30초 길이의 원시 신호를 전처리 후 모델에 입력하였다. 모델은 기존에 공개된 ECGFounder라는 12‑lead ECG용 사전학습 모델을 초기 가중치로 사용하고, Lead I 전용 파인튜닝을 진행했다. 학습 과정에서는 고칼륨증(>5.5 mmol/L) 여부를 이진 라벨로 사용했으며, 클래스 불균형을 고려해 가중 손실 함수를 적용하였다. 모델은 확률값을 출력하고, 사전 정의된 임계값(민감도 85 % 목표)에서 이진 판정을 내렸다. 검증은 세 단계로 진행되었다. (1) 내부 테스트: 개발 세트 내에서 10 %를 보류한 검증용으로 AUROC 0.936, 민감도 83.3 %, 특이도 96.6 %를 기록하였다. (2) 시간적 검증: 동일 병원에서 2021년 7월 이후 데이터를 사용해 AUROC 0.858, 민감도 85.0 %를 유지, 시간에 따른 데이터 드리프트에 강인함을 보였다. (3) 외부 검증: 전혀 다른 병원·다른 ECG 장비(Nihon Kohden·GE·Philips)에서 AUROC 0.808, 특이도 67 % 수준으로 다소 감소했지만, NPV가 99.3 % 이상으로 낮은 위험군을 효과적으로 배제할 수 있음을 확인했다. 특히 KDIGO 기준 중증 고칼륨증(≥6.0 mmol/L)에서는 AUROC가 각각 0.940·0.861까지 상승, 민감도도 89.8·81.5 %에 달해 임상적 긴급 상황을 놓치지 않을 가능성이 높다. 모델 해석을 위해 고위험·저위험 그룹의 평균 파형을 비교한 결과, T‑wave 상승 및 QRS 연장이 뚜렷하게 나타났으며, 이는 기존 문헌에서 보고된 고칼륨증 전형적 ECG 변화와 일치한다. 또한, 고칼륨증 임계값 이하에서도 모델이 높은 위험 점수를 부여한 환자군은 CKD(1.2 %→3.2 %)와 심부전(1.3 %→4.4 %) 비율이 유의하게 증가했으며, 이는 모델이 혈청 K⁺ 농도 외에도 심·신장 복합 부담을 반영하는 잠재적 바이오마커 역할을 할 수 있음을 시사한다. 프로토타입 구현 단계에서는 30초 Lead I ECG를 스마트폰에 연결된 핸드헬드 디바이스로 측정하고, 클라우드 기반 추론 엔진에 전송해 실시간 위험 알림을 생성하도록 설계하였다. 초기 파일럿 테스트에서 전송 지연이 1–2초 수준으로, 실제 가정·원격 모니터링에 적용 가능함을 입증했다. 한계점으로는 (1) 관찰 연구 설계로 인과관계 검증이 어려움, (2) 데이터가 주로 중국 내 대형 병원 환자에 국한돼 인종·문화적 다양성 검증이 부족, (3) ECG와 혈청 K⁺ 측정 간 미세한 시간 차이가 급성 변동을 놓칠 가능성, (4) 외부 검증에서 특이도가 낮아 false positive 비율이 상대적으로 높을 수 있음 등을 들 수 있다. 향후 연구에서는 다국적·다인종 코호트를 확보하고, 실제 착용형 웨어러블 디바이스에서 연속적인 ECG 스트리밍 데이터를 활용해 모델을 재학습·검증하며, 임상 워크플로우에 통합하는 전임상·임상 시험을 진행할 필요가 있다. 결론적으로, Pocket‑K는 단일리드 ECG만으로도 고칼륨증을 높은 정확도로 스크리닝할 수 있는 실용적인 AI 도구이며, 특히 위험이 낮은 환자를 빠르게 배제함으로써 의료 자원을 효율화하고, 고위험 환자(CKD·심부전)에게 조기 경고를 제공할 잠재력을 가진다. 손에 들 수 있는 프로토타입을 통한 실시간 추론 가능성은 향후 가정·원격 진료 환경에서의 적용을 기대하게 만든다. **