매년 전 세계적으로 약 1,800만 명이 심장질환으로 사망하고 있다. 세계보건기구(WHO)에 따르면 이는 전체 사망자의 약 3분의 1에 해당하는 수치다. 최근 Journal of Medical Artificial Intelligence에 게재된 Purdue University Fort Wayne의 Mohammadreza Hajiarbabi 박사의 종합 리뷰 논문은 머신러닝 기술을 활용한 심장질환 조기 진단의 최신 연구 동향을 분석했다.
세 가지 핵심 진단 접근법
이 연구는 심장질환 감지 방법을 세 가지 주요 카테고리로 분류했다. 첫째, 나이, 성별, 콜레스테롤 수치 등 표준 임상 정보 기반 진단에서는 XGBoost, Random Forest, 앙상블 학습, 신경망이 우수한 성능을 보였다. Cleveland, Framingham, Kaggle 데이터셋이 주로 활용되었으며, PCA(주성분 분석) 같은 차원 축소 기법이 진단 정확도를 크게 향상시켰다.
둘째, 심전도(ECG) 및 심음도(PCG) 신호 기반 진단에서는 합성곱 신경망(CNN)이 여전히 최고 성능을 유지하고 있다. MIT-BIH 부정맥 데이터셋과 PTB 진단 ECG 데이터셋이 표준으로 사용되며, 일부 연구는 99% 이상의 정확도를 달성했다. 셋째, 흉부 X-ray 이미지 분석에서는 ChestX-ray14 데이터셋을 활용한 딥러닝 모델이 14가지 이상의 심장 이상을 감지할 수 있음을 입증했다.
비즈니스 기회와 시장 전략
이 기술은 의료 헬스케어 산업에 혁신적 기회를 제공한다. 조기 진단을 통한 의료비 절감, 원격 모니터링 시스템 구축, 웨어러블 디바이스와의 통합이 핵심 가치 제안이다. 특히 ECG 기반 진단 솔루션은 스마트워치나 패치형 디바이스에 탑재되어 24시간 모니터링을 가능하게 한다.
GTM 전략으로는 병원 및 클리닉과의 파일럿 프로그램 진행, 의료기기 제조사와의 파트너십 구축, 그리고 보험사와의 협력을 통한 예방적 헬스케어 모델 제시가 효과적이다. 특히 고령화 사회에서 만성질환 관리가 중요해지면서, AI 기반 진단 솔루션의 수요는 급증할 전망이다.
기술 구현의 핵심 요소
성공적인 구현을 위해서는 데이터 전처리와 특징 선택이 중요하다. SMOTE 알고리즘을 통한 데이터 불균형 해소, Standard Scaler를 이용한 정규화, 그리고 SBO 알고리즘이나 유전 알고리즘 기반 특징 선택이 성능 향상의 열쇠다. 또한 소프트 보팅 앙상블 모델은 오진단(false negative)을 줄여 생명을 구하는 데 기여할 수 있다.
논문 출처: Hajiarbabi M. Heart disease detection using machine learning methods: a comprehensive narrative review. J Med Artif Intell 2024;7:21. (doi: 10.21037/jmai-23-152, 2024년 6월 26일 온라인 게재)
Authored by: W Soft Labs Research Team
