KR20230051754A - 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 - Google Patents
심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20230051754A KR20230051754A KR1020220118528A KR20220118528A KR20230051754A KR 20230051754 A KR20230051754 A KR 20230051754A KR 1020220118528 A KR1020220118528 A KR 1020220118528A KR 20220118528 A KR20220118528 A KR 20220118528A KR 20230051754 A KR20230051754 A KR 20230051754A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- network model
- electrocardiogram
- left ventricular
- ventricular systolic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002861 ventricular Effects 0.000 title claims description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 99
- 206010049694 Left Ventricular Dysfunction Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 47
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 208000031229 Cardiomyopathies Diseases 0.000 claims description 9
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000001746 atrial effect Effects 0.000 claims description 5
- 230000001575 pathological effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 208000035475 disorder Diseases 0.000 description 36
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 206010049430 peripartum cardiomyopathy Diseases 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000035935 pregnancy Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 210000005240 left ventricle Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- RPTUSVTUFVMDQK-UHFFFAOYSA-N Hidralazin Chemical compound C1=CC=C2C(NN)=NN=CC2=C1 RPTUSVTUFVMDQK-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- CSNNHWWHGAXBCP-UHFFFAOYSA-L Magnesium sulfate Chemical compound [Mg+2].[O-][S+2]([O-])([O-])[O-] CSNNHWWHGAXBCP-UHFFFAOYSA-L 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 230000035606 childbirth Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002565 electrocardiography Methods 0.000 description 2
- 238000001807 normal pulse voltammetry Methods 0.000 description 2
- 230000009984 peri-natal effect Effects 0.000 description 2
- 201000011461 pre-eclampsia Diseases 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- SGUAFYQXFOLMHL-UHFFFAOYSA-N 2-hydroxy-5-{1-hydroxy-2-[(4-phenylbutan-2-yl)amino]ethyl}benzamide Chemical compound C=1C=C(O)C(C(N)=O)=CC=1C(O)CNC(C)CCC1=CC=CC=C1 SGUAFYQXFOLMHL-UHFFFAOYSA-N 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000034423 Delivery Diseases 0.000 description 1
- 238000000729 Fisher's exact test Methods 0.000 description 1
- 206010070538 Gestational hypertension Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 102100036836 Natriuretic peptides B Human genes 0.000 description 1
- 101710187802 Natriuretic peptides B Proteins 0.000 description 1
- 208000006399 Premature Obstetric Labor Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 description 1
- 206010044640 Tricuspid valve incompetence Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- VWXRQYYUEIYXCZ-OBIMUBPZSA-N atosiban Chemical compound C1=CC(OCC)=CC=C1C[C@@H]1C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@H](C(=O)N2[C@@H](CCC2)C(=O)N[C@@H](CCCN)C(=O)NCC(N)=O)CSSCCC(=O)N1 VWXRQYYUEIYXCZ-OBIMUBPZSA-N 0.000 description 1
- 229960002403 atosiban Drugs 0.000 description 1
- 108700007535 atosiban Proteins 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000002296 eclampsia Diseases 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 229960002474 hydralazine Drugs 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229960001632 labetalol Drugs 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910052943 magnesium sulfate Inorganic materials 0.000 description 1
- 235000019341 magnesium sulphate Nutrition 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- HYIMSNHJOBLJNT-UHFFFAOYSA-N nifedipine Chemical compound COC(=O)C1=C(C)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1[N+]([O-])=O HYIMSNHJOBLJNT-UHFFFAOYSA-N 0.000 description 1
- 229960001597 nifedipine Drugs 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003742 purkinje fiber Anatomy 0.000 description 1
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000013577 regulation of ventricular cardiomyocyte membrane repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000005245 right atrium Anatomy 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- IOVGROKTTNBUGK-SJCJKPOMSA-N ritodrine Chemical compound N([C@@H](C)[C@H](O)C=1C=CC(O)=CC=1)CCC1=CC=C(O)C=C1 IOVGROKTTNBUGK-SJCJKPOMSA-N 0.000 description 1
- 229960001634 ritodrine Drugs 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000006016 thyroid dysfunction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법으로서, 심전도 데이터를 획득하는 단계; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 단계를 포함하고, 상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 방법을 제공하고자 한다.
Description
본 개시의 내용은 좌심실 수축기 장애 진단 방법에 관한 것으로, 구체적으로 심전도를 기초로 신경망 모델을 이용하여 좌심실 수축기 장애를 진단하는 방법에 관한 것이다.
심전도(ECG: electrocardiogram)는 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환유무를 판별할 수 있게 하는 신호이다.
심전도의 발생 원인인 심장박동은 우심방(right atrium)에 자리잡은 동방결절(sinus node)에서 시작된 임펄스가 먼저 우심방과 좌심방(left atrium)을 탈분극(deploarization)시키며 방실결절 (atrioventricular node)에서 잠시 지체된 후 심실을 활성화시킨다.
중격(septum)이 가장 빠르고 벽이 얇은 우심실은 벽이 두꺼운 좌심실보다 먼저 활성화된다. 푸르키녜 섬유(purkinje fiber)까지 전달된 탈분극 파는 심근에서 파도(wavefront)와 같이 심장내막에서 외심막으로 퍼져나가면서 심실수축을 일으키게 된다. 정상적으로 전기적 자극이 심장을 통하여 전도되기 때문에 심장은 분당 약 60~100회 수축된다. 각 수축은 1회 심박동수로 나타낸다.
이와 같은 심전도는 두 부위 간의 전위차를 기록하는 양극 유도(bipolar lead)와 전극을 부착시킨 부위의 전위를 기록하는 단극 유도(unipolar lead)를 통해 검출할 수 있으며, 심전도를 측정하는 방법에는 양극 유도인 표준 유도(standard limb lead), 단극 유도인 사지 유도(unipolar limb lead), 단극 유도인 흉부 유도(precordial lead) 등이 있다.
심장의 전기적 활성단계는 크게 심방 탈분극, 심실 탈분극, 심실 재분극 시기로 나뉘며, 이러한 각 단계는 도 1에 나타난 바와 같이 P, Q, R, S, T파라고 불리는 몇 개의 파의 형태로 반영된다.
이러한 파들은 표준 형태를 갖추어야 심장의 전기적 활성이 정상이라고 볼 수 있다. 표준 형태인지 아닌지를 파악하기 위해서는 각 파가 유지되는 시간, 각 파끼리의 간격(interval), 각 파의 진폭, 첨도 등의 특징들이 정상 범위에 속하는지를 검사하여야 한다.
이러한 심전도는 고가의 측정 장비로 측정되어 환자의 건강상태를 측정하기 위한 보조 도구로 사용되며, 일반적으로 심전도 측정 장비는 측정결과만을 표시해주며 진단은 온전히 의사의 몫이었다.
현재, 의사의 의존도를 낮추기 위해 심전도를 기초로 인공지능을 이용하여 신속 정확하게 질환을 진단하는 연구가 계속되고 있다. 또한, 웨어러블, 라이프스타일 심전도 측정 기기의 발달과 함께 심전도를 기초로 심장 질환뿐만 아닌 다른 여러 질환을 진단 및 모니터링할 수 있는 가능성이 대두되고 있다.
특히 분만 전후 심근병증(PPCM)으로 대표되는 심혈관 질환으로 인한 산모 사망의 심각성이 대두되고 있다. 기존의 기준에 따르면 분만 전후 심근병증은 임신 마지막 달 또는 분만 후 5개월 이내에 심부전으로 진단된다. 또한 심초음파를 통해 환자의 좌심실 박출 기능(LVEF)을 확인하여 45% 이하인 경우 진단된다. 분만 전후 심근병증은 특히 한국에서 발병률이 높은 것으로 보고되며, 심각성에도 불구하고 분만 전후 심근병증에 대한 인식이 낮고 정상 임신과 심부전 사이의 징후 및 증상과의 유사성으로 인해 진단의 어려움이 있는 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 본 개시의 일 실시예에 따른 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애의 발병 확률을 추정하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법으로서, 심전도 데이터를 획득하는 단계; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 단계를 포함하고, 상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 방법을 제공하고자 한다.
대안적으로, 상기 신경망 모델은 복수의 서브 모듈을 포함하는 레지듀얼 블록(Residual blocks)을 포함하고, 상기 신경망 모델은 상기 심전도 데이터를 입력 받아 분만 전후 심근병증의 발병 확률을 출력하는, 방법을 제공하고자 한다.
대안적으로, 상기 서브 모듈은 복수개의 컨볼루셔널 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 더 포함하는, 방법을 제공하고자 한다.
대안적으로, 제1 서브 모듈은 입력을 마지막 렐루 활성화 함수 레이어에 직접 입력하는 맥스풀링(Maxpooling) 레이어를 더 포함하는, 방법을 제공하고자 한다.
대안적으로, 상기 신경망 모델은 보조 정보가 입력되는 풀리 커넥티드(Fooly connected) 레이어를 더 포함하고, 상기 풀리 커넥티드 레이어의 출력과 상기 레지듀얼 블록의 출력이 분만 전후 심근병증의 발병 확률을 도출하기 위해 하나로 연결(Concatenation)되는, 방법을 제공하고자 한다.
대안적으로, 상기 신경망 모델에 입력되는 심전도 데이터는 다운 샘플링 및 노이즈 적용 증강 전처리되어 상기 레지듀얼 블록에 입력되는, 방법을 제공하고자 한다.
대안적으로, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계는, PR 세그먼트, QRS 세그먼트, 병리학적 Q파, 불량한 R 진행, ST 감소, T파 역위, 심방 조기 박동 및 심실 조기 박동 영역 중 적어도 하나를 포함하는 심전도 특성에 기반하는, 방법을 제공하고자 한다.
본 개시의 다른 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 기초로 하는 좌심실 수축기 장애를 진단하기 위한 동작들을 수행하도록 하며, 상기 동작들은, 심전도 데이터를 획득하는 동작; 및 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 동작을 포함하고, 상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 컴퓨터 프로그램을 제공하고자 한다.
본 개시의 또 다른 실시예에 따른 심전도를 기초로 하는 좌심실 수축기 장애 진단을 위한 컴퓨팅 장치로서, 적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 를 포함하고, 상기 프로세서는, 상기 프로그램 코드의 실행에 따라, 심전도 데이터를 획득하고, 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하고, 상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인, 장치를 제공하고자 한다.
본 개시의 일 실시예에 따른 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애의 발병 확률을 추정하는 방법을 제공하는 효과가 있다.
도 1은 본 개시에 따른 심전도 신호를 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법을 보여주는 순서도이다.
도 4을 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 과정을 보여주는 도면이다.
도 6은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 과정을 보여주는 도면이다.
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 결과를 보여주는 도면이다.
도 8은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 결과를 보여주는 도면이다.
도 9 및 도 10은은 본 개시의 일 실시예에 따른 신경망 모델의 학습결과를 시각화 한 것을 보여주는 도면이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법을 보여주는 순서도이다.
도 4을 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 과정을 보여주는 도면이다.
도 6은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 과정을 보여주는 도면이다.
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 결과를 보여주는 도면이다.
도 8은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 결과를 보여주는 도면이다.
도 9 및 도 10은은 본 개시의 일 실시예에 따른 신경망 모델의 학습결과를 시각화 한 것을 보여주는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "x는 a 또는 b를 이용한다" 는 x가 a를 이용하거나, x가 b를 이용하거나, 혹은 x가 a 및 b 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 n(n은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "데이터"는 "영상", 신호 등을 포함할 수 있다. 본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상"은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다.
본 개시에서 사용되는 "블록(block)" 이라는 용어는 종류, 기능 등과 같은 다양한 기준을 기초로 구분된 구성의 집합으로 이해될 수 있다. 따라서, 하나의 "블록"으로 분류되는 구성은 기준에 따라 다양하게 변경될 수 있다. 예를 들어, 신경망 "블록"은 적어도 하나의 신경망을 포함하는 신경망 집합으로 이해될 수 있다. 이때, 신경망 "블록"에 포함된 신경망을 특정 연산을 동일하게 수행하는 것으로 가정할 수 있다. 전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 2는 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASICc: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 의료 데이터를 기초로 좌심실 수축기 장애를 진단하는 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 심전도 데이터와 함께, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 데이터를 기초로 좌심실 수축기 장애 여부, 진행 정도 등을 추정하도록 신경망 모델을 학습시킬 수 있다. 구체적으로, 프로세서(110)는 심전도 데이터 및 각종 생물학적 데이터를 신경망 모델에 입력하여 신경망 모델이 좌심실 수축기 장애에 따른 심전도의 변화를 감지하도록, 신경망 모델을 학습시킬 수 있다. 이때, 신경망 모델은 좌심실 수축기 장애와 심전도 변화의 상관관계를 토대로 학습을 수행할 수 있다. 좌심실 수축기 장애와 심전도 변화의 상관관계는, 심장 기능의 변화와 심전도 신호의 형태적 변화 간의 관련성에 관한 정보로 이해될 수 있다. 프로세서(110)는 신경망 모델의 학습 과정에서 신경망 모델에 포함된 적어도 하나의 신경망 블록을 표현하는 연산을 수행할 수 있다.
프로세서(110)는 상술한 학습 과정을 통해 생성된 신경망 모델을 이용하여 의료 데이터를 기초로 좌심실 수축기 장애 발병 여부를 추정할 수 있다. 프로세서(110)는 상술한 과정을 통해 학습된 신경망 모델로 심전도 데이터 및, 성별, 나이, 체중, 신장 등의 정보를 포함하는 생물학적 데이터를 입력하여 사람의 좌심실 수축기 장애의 발병 확률을 추정한 결과를 나타내는 추론 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 학습이 완료된 신경망 모델로 심전도 데이터를 입력하여, 좌심실 수축기 장애 발병 여부, 진행 정도 등을 예측할 수 있다. 프로세서(110)는 이러한 좌심실 수축기 장애를 진단하는 신경망 모델을 통해 인간이 해석하기 어려운 미묘한 심전도 변화를 효과적으로 파악하여 좌심실 수축기 장애의 발병을 정확하게 예측할 수 있다.
상술한 예시 이외에도 의료 데이터의 종류 및 신경망 모델의 출력은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(ram: random access memory), 에스램(sram: static random access memory), 롬(rom: read-only memory), 이이피롬(eeprom: electrically erasable programmable read-only memory), 피롬(prom: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WIBRO: wireless broadband internet), 5세대 이동통신(5g), 초광역대 무선통신(ultra wide-band), 지그비(zigbee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless lan), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 3은 본 개시의 일 실시예에 따라 심전도를 기초로 갑상선 기능 장애를 진단하는 방법을 보여주는 순서도이다.
도 3을 참조하면, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법으로서, 먼저 심전도 데이터를 획득하는 단계(S100)가 수행될 수 있다.
심전도 데이터는 심전도 측정 기기를 통해 측정된 것이 직접적으로 획득되거나, 심전도 측정 기기로부터 네트워크 통신을 통해 획득될 수 있다.
그 다음으로, 사전 학습된 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 단계(S110)가 수행될 수 있다.
또한 상기 추정 단계(S110)는 신경망 모델로 심전도 데이터와 함께 나이, 성별, 체중, 신장 중 적어도 하나를 포함하는 생물학적 데이터를 입력하여, 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애의 발병 확률을 추정하는 단계를 포함할 수 있다.
여기서, 신경망 모델은 좌심실 수축기 장애와 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 또한, 신경망 모델은, 좌심실 수축기 장애와 심전도, 성별, 나이, 체중, 신장 등의 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 구체적으로 신경망 모델은 분만주의 좌심실 수축기 장애의 발병 여부 및 진척도와 심전도 및 기타 특성의 변화 간의 상관관계를 기초로 학습된 것일 수 있다. 신경망 모델은 분만 전후 좌심실 수축기 장애 뿐만 아니라 다양한 좌심실 관련 장애를 진단하는 것에 활용될 수 있다.
신경망 모델은 인체에 연결된 심전도 측정 기기의 전극으로부터 획득되는 12 리드로 측정된 심전도를 기초로 학습된 것일 수 있다. 일 예로, 심전도는 10초 길이의 12 리드로 측정되고, 1초당 500개의 포인트로 저장될 수 있다. 추가로, 신경망 모델은 12 리드 심전도 중 6개의 림브 리드(limb lead) 심전도와 단일 리드(lead I) 심전도만을 추출한 부분 정보를 기초로 학습될 수 있다.
도 4를 참조하면 본 개시의 일 실시예에 따른 신경망 모델의 구조를 보여주는 도면이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 신경망 모델은 복수의 레지듀얼 블록들(residual blocks)로 구성되는 신경망을 포함할 수 있다. 레지듀얼 블록들로 구성되는 신경망은, 심전도 데이터를 입력 받아 분만 전후 좌심실 수축기 장애의 발병 확률을 출력하기 위한 것일 수 있다.
구체적으로, 신경망 모델은 복수의 서브 모듈을 포함하는 레지듀얼 블록(Residual blocks)을 포함할 수 있다. 신경망 모델은 심전도 데이터를 입력 받아 분만 전후 심근병증의 발병 확률을 출력할 수 있다. 서브 모듈은 복수개의 컨볼루션 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 포함할 수 있다.
제1 서브 모듈은 입력을 마지막 렐루 활성화 함수 레이어에 직접 입력하는 맥스풀링(Maxpooling) 레이어를 포함할 수 있다. 신경망 모델은 나이, 성별, 신장, 체중 등의 보조 정보가 입력되는 풀리 커넥티드(Fooly connected) 레이어를 포함할 수 있다. 풀리 커넥티드 레이어의 출력과 레지듀얼 블록의 출력이 분만 전후 심근병증의 발병 확률을 도출하기 위해 하나로 연결(Concatenation)될 수 있다.
신경망 모델에 입력되는 심전도 데이터는 다운 샘플링 및 노이즈 적용 증강 전처리되어 레지듀얼 블록에 입력될 수 있다. 구체적으로 심전도의 샘플링 속도를 500hz에서 250hz로 다운 샘플링하고 다양한 노이즈를 적용한 데이터 증대를 사용하였다.
신경망 모델은 심전도 데이터의 복수의 리드들 각각에 대응되는 신경망을 포함할 수 있다. 즉, 신경망 모델은 개별 리드들로 측정된 심전도가 각각 입력되는 개별 신경망을 포함할 수 있다.
예를 들어, 신경망 모델은 12개의 다중 리드로 측정되는 심전도 데이터를 기초로 학습된 제1 서브 신경망 모델을 포함할 수 있다. 또한, 신경망 모델은 6개의 림브(limb) 리드, 혹은 6개의 전흉부 리드 중 적어도 하나를 기초로 학습된 제2 서브 신경망 모델을 더 포함할 수 있다. 또한, 신경망 모델은 단일 리드로 측정되는 심전도 데이터를 기초로 학습된 제3 서브 신경망 모델을 더 포함할 수 있다. 신경망 모델은 리드의 개수에 따라 제1 서브 신경망 모델, 제2 서브 신경망 모델 또는 제3 서브 신경망 모델 중 적어도 하나를 선택적으로 사용할 수 있다. 따라서, 신경망 모델은 리드 개수와 관계없이 좌심실 수축기 장애의 발병을 효과적으로 예측할 수 있다. 또한, 12 리드의 심전도 데이터가 입력되는 경우, 신경망 모델은 제1 서브 신경망 모델, 제2 서브 신경망 모델 및 제3 서브 신경망 모델을 모두 사용하여 각 서브 모델들의 출력을 조합하여 좌심실 수축기 장애의 발병 확률을 출력할 수도 있다. 신경망 모델은 이러한 조합을 통해 좌심실 수축기 장애의 발병 예측 정확도를 높일 수 있다.
이하에서는, 상술한 구조의 신경망 모델의 검증을 위해 수행한 통계 분석 방법에 대해 설명하기로 한다.
신경망 모델의 성능은 1차 및 2차 테스트 결과에 대해 95% 신뢰 구간(95% CI)으로 민감도, 특이도, 양성 예측값(이하, PPV) 및 음성 예측값(이하, NPV)가 측정되었다. 유덴 J 통계를 사용하여 95% CI의 수신자 작동 특성 곡선(AUROC) 아래 영역 계산 및 수신자 작동 특성 곡선(AUC) 분석도 수행되었다. 스튜던트 T-검정, 만-위트니 U 검정(mann-whitney u-test), 카이-제곱 검정(χ2 test) 및 피셔(fisher)의 정확 검정을 적절하게 사용하여 변수를 비교하였다. P-값은 0.05 미만으로 설정되었다.
이하에서는 본 개시의 일 실시예에 따른 신경망 모델의 검증 연구에 대하여 설명하기로 한다.
도 5는 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 과정을 보여주는 도면이다. 도 6은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 과정을 보여주는 도면이다.
도 5 및 도 6을 참조하면, 8,549건의 분만 사례 중 278건의 심전도-심초음파 쌍이 검증 연구 데이터로 활용되었다. 기존에 구조적 심장병, 선천성 심장병이 있거나 주산기 심장초음파에서 새로 확인된 심장병이 있는 7쌍(임산부 5명)은 제외하였다. 주요 연구 모집단으로 총 271쌍(임산부 157명)을 포함하였다.
아래의 [표 1]을 참조하면, 연구 대상 환자의 평균 연령은 33.4세였으며 50명의 환자(31.8%)가 노년(> 35세)이었다. 기록된 산과 병력이 없는 45명의 환자를 제외하고, 초산 및 다산은 각각 48.2% 및 51.8%의 비율로 구성되었다.
| 제외 | 총합 (n=157) |
LVEF 45% 이하(n=12) | LVEF 45% 초과(n=145) | P-value | |
| 인구통계 | |||||
| Age, mean (SD) | 0 | 33.4 (4.3) | 32.9 (5.0) | 33.5 (4.3) | 0.715 |
| Old age (>35 years), n (%) | 0 | 50 (31.8) | 3 (25.0) | 47 (32.4) | 0.753 |
| BMI, kg/m^2, mean (SD) | 0 | 27.59 (4.5) | 27.6 (4.4) | 28.1 (5.2) | 0.730 |
| 병력 | |||||
| Primiparity, n (%) | 45 | 54 | 6 (66.7) | 48 (46.6) | 0.309 |
| Multiparity, n (%) | 58 | 3 (33.3) | 55 (53.4) | ||
| Cesarean section, n (%) | 0 | 14 (8.9) | 2 (16.7) | 12 (8.3) | 0.291 |
| Normal delivery, n (%) | 0 | 143 (91.1) | 10 (83.3) | 133 (91.7) | |
| Preterm labor, n (%) | 0 | 28 (17.8) | 3 (25.0) | 25 (17.2) | 0.450 |
| Diabetes, n (%) | 0 | 10 (6.4) | 2 (16.7) | 8 (5.5) | 0.171 |
| Chronic hypertension, n (%) | 0 | 15 (9.6) | 1 (8.3) | 14 (9.7) | 1.000 |
| Gestational hypertension, n (%) | 0 | 44 (28.0) | 4 (33.3) | 40 (27.6) | 0.740 |
| Preeclampsia, n (%) | 0 | 33 (21.0) | 4 (33.3) | 29 (20.0) | 0.279 |
| Eclampsia, n (%) | 0 | 1 (0.6) | 1 (8.3) | 0 (0.0) | 0.076 |
| 실험 발견 | |||||
| BNP, pg/mL, mean (SD) | 146 | 839.1 (1145.6) | 1547.0 (1438.2) | 249.2 (227.0) | 0.114 |
| proBNP, pg/mL, mean (SD) | 139 | 3261.8 (5075.3) | 3135.2 (940.9) | 3297.9 (5785.7) | 0.921 |
| pre-Hb, g/dL, mean (SD) | 59 | 11.4 (2.1) | 11.6 (3.1) | 11.3 (1.9) | 0.830 |
| post-Hb, g/dL, mean (SD) | 2 | 9.9 (1.9) | 9.2 (2.4) | 9.9 (1.9) | 0.362 |
| 약물 | |||||
| Magnesium sulfate, n (%) | 0 | 53 (33.8) | 6 (50.0) | 47 (32.4) | 0.222 |
| Labetalol, n (%) | 0 | 11 (7.0) | 1 (8.3) | 10 (6.9) | 0.595 |
| Hydralazine, n (%) | 0 | 39 (24.8) | 5 (41.7) | 34 (23.4) | 0.174 |
| Nifedipine, n (%) | 0 | 31 (19.7) | 5 (41.7) | 26 (17.9) | 0.061 |
| Aspirin, n (%) | 0 | 5 (3.2) | 1 (8.3) | 4 (2.8) | 0.332 |
| Ritodrine, n (%) | 0 | 19 (12.1) | 0 (0.0) | 19 (13.1) | 0.363 |
| Atosiban, n (%) | 0 | 4 (2.5) | 0 (0.0) | 4 (2.8) | 1.000 |
| % 값은 누락된 값을 제외함. LVEF=좌심실 박출률, BMI=체질량 지수, BNP=b형 나트륨 이뇨 펩티드, Pre-Hb=출산 전 또는 수술 전 헤모글로빈 수치, Post-Hb = 분만 후 또는 수술 후 헤모글로빈 수치. |
|||||
신경망 모델은 52,682명의 환자에 대한 107,288개의 심전도 데이터 세트를 기초로 하여 학습되었다. 내부 검증 테스트는 5,848명의 환자로부터 15,445개의 심전도 데이터를 사용하여 수행되었다. 신경망 모델의 학습에 사용되는 코호트의 기본 특성은 아래의 [표 2]에서 확인할 수 있다.
| LVEF > 45% (n=88,449) | LVEF 45% or less (n=18,839) | P-value | |
| 나이, mean (SD) | 60.5 ± 15.0 | 65.0 ± 13.6 | <0.001 |
| 여성 | 44,721 (50.6%) | 11,992 (63.7%) | <0.001 |
| BMI, kg/m^2, mean (SD) | 24.6 ± 3.7 | 24.2 ± 3.9 | <0.001 |
| 시간차, day (SD) | 0.7 ± 5.7 | -1.3 ± 5.2 | <0.001 |
| LVEF, % (SD) | 59.6 ± 7.0 | 33.4 ± 9.5 | <0.001 |
| 좌심방 치수, mm (SD) | 39.8 ± 8.3 | 45.7 ± 9.6 | <0.001 |
| 격벽 치수, mm (SD) | 10.1 ± 1.9 | 10.3 ± 1.8 | <0.001 |
| 후벽 두께, mm (SD) | 9.6 ± 1.5 | 10.0 ± 2.1 | <0.001 |
| 대동맥 치수, mm (SD) | 31.6 ± 4.2 | 32.9 ± 4.5 | <0.001 |
| E 속도, mm/sec (SD) | 65.7 ± 21.4 | 70.7 ± 27.9 | <0.001 |
| A 속도, mm/sec (SD) | 71.8 ± 21.5 | 69.6 ± 24.8 | <0.001 |
| 감속 시간, ms (SD) | 207.5 ± 59.0 | 183.3 ± 66.0 | <0.001 |
| E' 속도, cm/sec (SD) | 6.7 ± 2.5 | 5.0 ± 1.9 | <0.001 |
| A' 속도, cm/sec (SD) | 8.7 ± 2.1 | 6.9 ± 2.4 | <0.001 |
| 피크 TRPG, mmHg (SD) | 21.6 ± 7.6 | 26.4 ± 11.7 | <0.001 |
| 예상 PA 압력, mmHg (SD) | 25.2 ± 8.6 | 31.8 ± 13.7 | <0.001 |
| 좌심실 수축기 치수, mm (SD) | 29.5 ± 5.9 | 43.0 ± 11.4 | <0.001 |
| 좌심실 확장기 치수, mm (SD) | 47.3 ± 5.1 | 55.5 ± 8.8 | <0.001 |
| 심박수, beat/min (SD) | 73.1 ± 16.8 | 81.8 ± 21.6 | <0.001 |
| QTc 간격, ms (SD) | 439.5 ± 35.4 | 473.8 ± 44.1 | <0.001 |
| P 축, degree (SD) | 44.1 ± 30.8 | 43.8 ± 39.3 | 0.325 |
| QRS 축, degree (SD) | 38.0 ± 43.9 | 28.0 ± 65.3 | <0.001 |
| T 축, degree (SD) | 46.3 ± 52.5 | 82.1 ± 84.4 | <0.001 |
| DLM=신경망 모델 LVEF=좌심실 박출률 BMI=체질량 지수 Time difference = 심초음파 시점 - 심전도 시점 TRPG=삼첨판 역류 압력 구배 PA=폐동맥 |
|||
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 내부 검증 테스트 결과를 보여주는 도면이다.
도 7을 참조하면, 내부 검증 테스트 중 심부전 감지를 위한 신경망 모델의 수신기 작동 특선 곡선 아래 면적(이하, AUROC), 민감도, 특이도, PPV, NPV를 아래의 [표 3]에서 확인할 수 있다. AUROC는 LVEF가 45% 이하인 경우 0.896(95% 신뢰 구간[CI], 0.890-0.903), 민감도는 0.796(95% CI, 0.781-0.811), 특이도는 0.841(95% CI, 0.8435), PPV는 0.533(95% CI, 0.518-0.548) 및 NPV는 0.948(95% CI, 0.944-0.952)인 것을 확인할 수 있다.
| AUROC (95% CIs) |
민감도 (95% CIs) |
특이도 (95% CIs) |
PPV (95% CIs) |
NPV (95% CIs) |
|
| LVEF 35% or less | 0.917 (0.910-0.925) | 0.852 (0.835-0.870) | 0.840 (0.834-0.846) | 0.369 (0.353-0.385) | 0.981 (0.979-0.983) |
| LVEF 40% or less | 0.907 (0.900-0.913) | 0.860 (0.845-0.874) | 0.796 (0.789-0.803) | 0.398 (0.384-0.412) | 0.973 (0.970-0.976) |
| LVEF 45% or less | 0.896 (0.890-0.903) | 0.796 (0.781-0.811) | 0.841 (0.835-0.848) | 0.533 (0.518-0.548) | 0.948 (0.944-0.952) |
| LVEF 50% or less | 0.875 (0.869-0.881) | 0.784 (0.771-0.797) | 0.803 (0.795-0.810) | 0.583 (0.570-0.596) | 0.914 (0.908-0.919) |
도 8은 본 개시의 일 실시예에 따른 신경망 모델의 외부 검증 테스트 결과를 보여주는 도면이다.
도 8을 참조하면 분만 전후 심근병증 기준의 컷오프 값을 사용하여 45% 이하의 LVEF에서 분만 전후 심근병증을 감지하기 위한 신경망 모델의 AUROC는 0.877(95% CI, 0.803-0.952)이었다. 또한 아래의 [표 4]을 참조하면, 민감도, 특이도, PPV 및 NPV는 각각 0.833(95% CI, 0.700-0.967), 0.809(95% CI, 0.760-0.859), 0.352(95% CI, 0.2491-0.2491-0.453), 0.975(95% CI, 0.953-0.997)로 측정되었다.
| AUROC (95% CIs) |
민감도 (95% CIs) |
특이도 (95% CIs) | PPV (95% CIs) |
NPV (95% CIs) |
||
| Primary outcome | LVEF 45% or less | 0.877 (0.803-0.952) | 0.833 (0.700-0.967) | 0.809 (0.760-0.859) | 0.352 (0.241-0.463) | 0.975 (0.953-0.997) |
| Secondary outcome | LVEF 35% or less | 0.869 (0.791-0.947) | 0.913 (0.798-1.028) | 0.734 (0.679-0.789) | 0.241 (0.151-0.331) | 0.989 (0.974-1.004) |
| LVEF 40% or less | 0.873 (0.805-0.941) | 0.821 (0.680-0.963) | 0.815 (0.766-0.864) | 0.338 (0.226-0.451) | 0.975 (0.954-0.997) | |
| LVEF 50% or less | 0.845 (0.783-0.906) | 0.854 (0.745-0.962) | 0.657 (0.595-0.718) | 0.307 (0.222-0.392) | 0.962 (0.932-0.992) |
도 9 및 도 10은 본 개시의 일 실시예에 따른 신경망 모델의 학습결과를 시각화 한 것을 보여주는 도면이다.
도 9 및 도 10을 참조하면, 신경망 모델이 집중하고 있는 심전도 영역을 식별하기 위해 Grad-CAM (Gradient-weighted CAM)을 적용한 것을 확인할 수 있다. 신경망 모델은 분만 전후 심근병증 발병 확률을 결정하기 위해 PR 세그먼트, QRS 세그먼트, 병리학적 Q파, 불량한 R파 진행, ST 감소, T파 역위, 심방 조기 박동 및 심실 조기 박동의 영역에 초점을 맞춘 것으로 파악되었다.
정리하면, 상술한 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계는 PR 세그먼트, QRS 세그먼트, 병리학적 Q파, 불량한 R 진행, ST 감소, T파 역위, 심방 조기 박동 및 심실 조기 박동 영역 중 적어도 하나를 포함하는 심전도 특성에 기반할 수 있다.
이상의 설명과 같이 본 개시에 따른 좌심실 수축기 장애 진단 방법에 따라, 분만 전후 심근병증 발병 확률을 예측하기 위해 신경망 모델을 개발하고 271건의 심전도-심초음파 쌍을 사용하여 신경망 모델을 외부적으로 검증하였다.
임신 중에는 인체의 혈역학적 및 구조적 변화가 발생할 수 있다. 좌심실의 구조적 변화와 함께 호르몬의 변화는 혈장량과 심박출량의 증가는 물론 전신혈관저항의 감소에 기여할 수 있다.
임신의 특징을 고려하여 일반 환자와 비교한한 임신 환자에 대한 심전도를 기초한 신경망 모델의 적합성을 보여주는 연구를 수행하였다. 임신 중에도 심전도 변화가 있는 것으로 파악되었고, 심박수 증가, QRS 축 변화, 비특이적 ST 세그먼트 변화, T파 축 변화 등이 발생하는 것으로 판단되었다.
본 개시의 일 실시예에 따른 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법은 신경망 모델을 사용하여, 심전도 데이터를 기초로 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애의 발병 확률을 추정할 수 있도록 하였다.
나아가, 본 개시의 일 실시예에 따른 좌심실 수축기 장애 진단 방법은 심전도, 성별, 나이, 신장, 체중 등의 정보를 기초로 신경망 모델을 이용하여 좌심실 수축기 장애를 진단할 수 있는 효과가 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (9)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법으로서,
심전도 데이터를 획득하는 단계; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 단계를 포함하고,
상기 신경망 모델은,
좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
방법.
- 제1항에 있어서,
상기 신경망 모델은 복수의 서브 모듈을 포함하는 레지듀얼 블록(Residual blocks)을 포함하고,
상기 신경망 모델은 상기 심전도 데이터를 입력 받아 분만 전후 심근병증의 발병 확률을 출력하는,
방법.
- 제2항에 있어서,
상기 서브 모듈은 복수개의 컨볼루셔널 신경망(CNN), 배치 정규화(Batch normalization), 렐루 활성화 함수(ReLU activation function) 레이어를 포함하고, 드롭아웃(Dropout) 레이어를 더 포함하는,
방법.
- 제3항에 있어서,
제1 서브 모듈은 입력을 마지막 렐루 활성화 함수 레이어에 직접 입력하는 맥스풀링(Maxpooling) 레이어를 더 포함하는,
방법.
- 제2항에 있어서,
상기 신경망 모델은 보조 정보가 입력되는 풀리 커넥티드(Fooly connected) 레이어를 더 포함하고,
상기 풀리 커넥티드 레이어의 출력과 상기 레지듀얼 블록의 출력이 분만 전후 심근병증의 발병 확률을 도출하기 위해 하나로 연결(Concatenation)되는,
방법.
- 제2항에 있어서,
상기 신경망 모델에 입력되는 심전도 데이터는 다운 샘플링 및 노이즈 적용 증강 전처리되어 상기 레지듀얼 블록에 입력되는,
방법.
- 제1항에 있어서,
좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계는,
PR 세그먼트, QRS 세그먼트, 병리학적 Q파, 불량한 R 진행, ST 감소, T파 역위, 심방 조기 박동 및 심실 조기 박동 영역 중 적어도 하나를 포함하는 심전도 특성에 기반하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도를 기초로 하는 좌심실 수축기 장애를 진단하기 위한 동작들을 수행하도록 하며,
상기 동작들은,
심전도 데이터를 획득하는 동작; 및
사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하는 동작을 포함하고,
상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
컴퓨터 프로그램.
- 심전도를 기초로 하는 좌심실 수축기 장애 진단을 위한 컴퓨팅 장치로서,
적어도 하나의 코어(core)를 포함하는 프로세서(processor); 및
상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory);
를 포함하고,
상기 프로세서는, 상기 프로그램 코드의 실행에 따라,
심전도 데이터를 획득하고, 사전 학습된 신경망 모델을 사용하여, 상기 심전도 데이터를 기초로 상기 심전도 데이터의 측정 대상에 대한 좌심실 수축기 장애 발병 확률을 추정하고,
상기 신경망 모델은, 좌심실 수축기 장애와 심전도 특성의 변화 간의 상관관계를 기초로 학습된 것인,
장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/014267 WO2023063619A1 (ko) | 2021-10-11 | 2022-09-23 | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 |
| CN202280062074.0A CN117940071A (zh) | 2021-10-11 | 2022-09-23 | 以心电图为基础诊断左心室收缩功能障碍的方法、程序及装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210134573 | 2021-10-11 | ||
| KR20210134573 | 2021-10-11 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230051754A true KR20230051754A (ko) | 2023-04-18 |
Family
ID=86100638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220118528A KR20230051754A (ko) | 2021-10-11 | 2022-09-20 | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230051754A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
-
2022
- 2022-09-20 KR KR1020220118528A patent/KR20230051754A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150101892A (ko) | 2014-02-27 | 2015-09-04 | 동신대학교산학협력단 | 심전도 측정 시스템 및 측정 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kwon et al. | Artificial intelligence for early prediction of pulmonary hypertension using electrocardiography | |
| Cho et al. | Artificial intelligence algorithm for screening heart failure with reduced ejection fraction using electrocardiography | |
| CN109377470A (zh) | 一种心脏病风险预测系统 | |
| EP3834729B1 (en) | Electrocardiogram-based assessment of diastolic function | |
| KR102439082B1 (ko) | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 | |
| US20230420132A1 (en) | Noninvasive heart failure detection | |
| CN113077900A (zh) | 糖尿病早期风险评估方法、装置、计算机设备及介质 | |
| Ravi et al. | Prediction of Cardiovascular Disease using Machine Learning Algorithms | |
| Riolet et al. | Clinical significance of global wasted work in patients with heart failure receiving cardiac resynchronization therapy | |
| US20210361217A1 (en) | Ecg-based age and sex estimation | |
| Morrone et al. | Feasibility and functional correlates of left atrial volume changes during stress echocardiography in chronic coronary syndromes | |
| CN113538327A (zh) | 疑似患有covid-19的患者的心血管评估 | |
| KR20230051754A (ko) | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 | |
| WO2023063619A1 (ko) | 심전도를 기초로 좌심실 수축기 장애를 진단하는 방법, 프로그램 및 장치 | |
| Candan et al. | Left atrial dysfunction as marker of arrhythmic events in patients with hypertrophic cardiomyopathy | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| CN116269426A (zh) | 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法 | |
| CN114550910A (zh) | 基于人工智能的射血分数保留型心衰诊断及分型系统 | |
| Candan et al. | Clinical utility of left atrial asynchrony and mechanical function in patients with hypertrophic cardiomyopathy | |
| CN117940071A (zh) | 以心电图为基础诊断左心室收缩功能障碍的方法、程序及装置 | |
| Wolters | An AI-ECG algorithm for atrial fibrillation risk: steps towards clinical implementation | |
| KR20230044125A (ko) | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 | |
| Hsia et al. | Validation of American Society of Echocardiography Guideline-recommended parameters of right ventricular dysfunction using artificial intelligence compared with cardiac magnetic resonance imaging | |
| CN117940060A (zh) | 以心电图为基础诊断甲状腺功能障碍的方法、程序及装置 | |
| WO2023048502A1 (ko) | 심전도를 기초로 갑상선 기능 장애를 진단하는 방법, 프로그램 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |