ECG로 저심실 박출률을 정확히 포착하는 해석 가능한 예측기 기반 프레임워크

본 논문은 저심실 박출률(LEF) 검출을 위한 새로운 해석 가능하고 확장 가능한 프레임워크인 ECGPD‑LEF를 제시한다. 기존 AI‑ECG 접근법은 전통적인 엔드‑투‑엔드 블랙박스 모델이거나 상용 ECG 측정값에 의존하는 테이블 기반 모델에 머물렀으며, 전자는 해석성이 부족하고 후자는 성능이 제한적이었다. 이를 극복하기 위해 저자들은 (1) 대규모 비라벨 ECG 데이터(Chapman, Ningbo, CODE‑15%)와 PTB‑XL을 활용해 트랜스포머 기반 자동 ECG 진단 모델(ST‑MEM)을 사전학습·후학습시켜 71개의 임상 진단 라벨에 대한 확률을 출력하도록 설계했다. 이 확률값은 ‘예측기’라 불리며, 원시 ECG 파형을 인간이 이해할 수 있는 구조화된 형태로 변환한다. (2) 예측기들을 활용한 두 가지 추론 방식을 도입했다. 첫 번째는 단일‑예측기 접근법으로, 각 예측기를 독립적으로 LEF 위험 지표로 사용한다. 여기서는 정상 ECG와 같은 역연관 예측기의 경우 1‑PV를 사용해 반전시킨 뒤 AUROC와 AUPRC를 직접 계산한다. 두 번째는 다중‑예측기 접근법으로, 71개의 예측기를 로지스틱 회귀(L2 정규화)와 XGBoost(그라디언트 부스팅)에 입력해 경량 탭형 분류기를 학습한다. 두 모델 모두 검증 세트에서 최적 임계값을 찾아 F1 점수를 최대화한다. 데이터는 공개된 EchoNext ECG‑ECHO 페어(총 72,475쌍)와 자체 구축한 MIMIC‑LEF ECG‑Note 페어(16,017건)로 구성되었다. EchoNext는 훈련·검증·테스트를 8:1:1 비율로 분할했으며, LEF 라벨은 EF ≤45%를 기준으로 정의했다. 외부 검증을 위해 MIMIC‑IV, MIMIC‑IV‑ECG, MIMIC‑IV‑Note를 연계해 1년 이내에 ECG와 EF 정보를 포함한 임상 노트를 매칭시켰다. 성능 평가 결과, 다중‑예측기 XGBoost 모델은 내부 테스트에서 AUROC 88.4%, F1 64.5%를, 외부 테스트에서 AUROC 86.8%, F1 53.6%를 기록했다. 이는 공식 엔드‑투‑엔드 Columbia mini 모델(내부 AUROC 약 84%)보다 일관되게 우수했다. 단일‑예측기 방식도 AUROC 75.3‑81.0% (내부)와 71.6‑78.6% (외부)를 달성해, 별도 재학습 없이도 의미 있는 예측이 가능함을 보여준다. 해석 가능성 측면에서는 SHAP 값을 이용해 전역·국부 기여도를 분석했다. 가장 높은 기여도를 보인 예측기는 (1) ‘정상 ECG’(역값), (2) ‘불완전 좌각 차단’, (3) ‘전외측 부위의 심근 손상’이었다. 이러한 특징은 기존 임상 지식과 부합하며, 모델이 실제 전기생리학적 변화를 포착하고 있음을 시사한다. 또한 인구통계학적 변수(연령, 성별, 인종)와 기저 질환(구조적 심장 질환, 판막 질환)별 서브그룹 분석에서도 AUROC 차이가 2~3% 이내에 머물러, 다양한 임상 환경에서의 일반화 가능성을 확인했다. 한계점으로는 EF 45%라는 단일 임계값에 의존해 중등도 이하의 LV 기능 저하만을 대상으로 했으며, EF 측정 시점과 ECG 시점 간 최대 1년 차이가 존재한다는 점이 있다. 또한 외부 검증이 미국 단일 기관(MIT) 데이터에 국한돼, 다른 국가·인구집단에 대한 추가 검증이 필요하다. 향후 연구에서는 다중 임계값 설정, 시간적 연속성 모델링, 그리고 실제 임상 워크플로에 통합하는 파일럿 테스트 등을 통해 실용성을 높일 수 있다.