웨어러블 ECG와 PPG만으로 심박출량을 추정할 수 있을까?

기본 정보

제목: Wearable ECG-PPG Deep Learning Model for Cardiac Output Estimation
저자: (MDPI Sensors 게재 저자)
저널: Sensors (MDPI)
출판연도: 2025
DOI: 10.3390/s26020735
PMID: -
근거 수준: 탐색적 분석 (소규모 전향적 검증)

웨어러블 ECG(흉부 패치)와 손가락 PPG를 동시 기록하여 심박출량(CO)을 비침습적으로 추정하는 경량 딥러닝 모델을 개발하고 검증한 연구이다. 심장 수술 후 폐동맥 카테터(PAC) 보유 환자 27명을 대상으로 전향적으로 등록하여, 간접 CO 재구성 방식이 바이어스 0.17 L/min의 성능을 달성하였다.

1. 이 연구는 왜 필요했을까

심박출량(CO)은 심장이 1분에 얼마나 많은 혈액을 펌프하는지를 나타내는 핵심 혈역학 지표이다. 현재 CO 측정의 기준 방법은 폐동맥 카테터(Swan-Ganz)를 이용한 열희석법으로, 중심정맥에 카테터를 삽입해야 하는 침습적 시술이다. 이는 중환자실이나 수술실에서만 가능하며 감염, 혈전 등의 합병증 위험이 따른다.

만약 비침습적 웨어러블 센서만으로 CO를 지속적으로 추적할 수 있다면, 심부전 환자의 원격 모니터링, 수술 후 회복 추적, 운동 능력 평가 등 다양한 임상 영역에서 혁신적인 변화를 가져올 수 있다. 이를 위해 ECG와 PPG라는 이미 웨어러블에서 흔히 사용되는 두 가지 센서를 융합한 접근을 시도하였다.

2. 어떻게 연구했을까

심장 수술 후 폐동맥 카테터가 이미 삽입되어 있는 27명의 환자를 전향적으로 등록하였다. 웨어러블 ECG(HiCardi+ 흉부 패치)와 손가락 PPG(WristOx2 3150)를 동시에 기록하면서, PAC의 CO 측정값을 기준으로 삼았다.

ECG-PPG 융합 네트워크를 설계하여 크로스모달 상호작용(cross-modal interaction)을 학습하도록 하였다. 세 가지 예측 방식을 비교하였다. 직접 CO 예측, 심장지수(CI) 예측, 그리고 CI를 예측한 후 체표면적(BSA)을 곱하여 CO를 간접 재구성하는 방식이다.

3. 무엇을 발견했을까

세 가지 방식 중 간접 CO 재구성(CI 예측 후 BSA 곱하기)이 가장 우수한 성능을 보였다. 바이어스는 0.17 L/min, 백분율 오차(PE)는 23.75%, 95% 일치 한계(LoA)는 -0.78에서 1.12 L/min이었다.

웨어러블 센서만으로 카테터 없이 심박출량을 지속 추적할 수 있는 가능성을 입증한 최초의 연구 중 하나이다.

CI 기반 정규화가 체격 차이에 의한 CO 변동을 효과적으로 제거하여, 다양한 체구의 환자에서 모델의 일반화 성능을 향상시키는 것으로 확인되었다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

ECG와 PPG를 모두 측정하는 웨어러블 기기에서 심박출량 추정 기능의 기술적 근거로 활용할 수 있다. 다만 현재는 연구 수준이므로 직접적인 제품 적용보다는, CO 추정의 기술적 가능성과 한계를 이해하는 데 참고해야 한다. 장기적으로 심부전 환자 원격 모니터링 기능의 기초가 될 수 있다.

콘텐츠 활용

"카테터 없이 심장 기능을 측정하는 시대가 온다"
"ECG와 PPG의 만남: 웨어러블 심박출량 추정의 최전선"
"심장 수술 후 환자를 집에서 모니터링할 수 있을까?"

적용 시 주의사항

27명이라는 매우 소규모 코호트에서의 결과이므로, 대규모 외부 검증이 반드시 필요하다. 심장 수술 후 안정 상태의 환자만을 대상으로 하였으므로, 보행이나 일상 활동 중의 성능은 알 수 없다.

5. 한계점

가장 큰 한계는 27명이라는 극소수의 표본 크기이다. 이 정도 규모에서의 결과는 통계적 검정력이 제한적이며, 대규모 다기관 연구에서의 재현이 필수적이다. 또한 심장 수술 후 ICU에서의 안정 상태 측정만을 포함하여, 일상생활이나 운동 중의 성능은 전혀 검증되지 않았다.

ECG 흉부 패치와 별도의 손가락 PPG를 사용하는 세팅은 소비자 웨어러블의 현실과 거리가 있다. 스마트워치 하나로 ECG와 PPG를 모두 측정하는 환경에서 동일한 성능을 기대하기 어려울 수 있다.

마무리

이 연구는 웨어러블 ECG-PPG 융합 딥러닝 모델로 심박출량을 비침습적으로 추정할 수 있는 가능성을 처음으로 입증하였다. CI 기반 정규화가 개인 간 체격 차이를 효과적으로 보정함을 보여주었으나, 대규모 검증과 보행 환경 테스트가 후속 과제로 남아 있다.