본 연구에서는 저주파 생리 신호에서 잡음 억제력을 향상시키고 시간-주파수 해상도를 개선하기 위해 설계된 가중 반복 시간-주파수 복소 변조(Weighted iterative time-frequency complex demodulation, wi-TFCD) 고도 신호처리 알고리즘의 개발과 검증을 제시한다. 우리는 wi-TFCD를 단시간 푸리에 변환(short-time Fourier transform, STFT), 가변 주파수 복소 변조(variable frequency complex demodulation, VFCDM), 기본 반복 TFCD(baseline iterative TFCD, i-TFCD)와 같은 전통적 방법들과 비교 평가하였으며, 이는 가산(additive) 가우시안 백색 잡음에 오염된 합성 시눗파 chirp 신호와 운동 중에 기록된 실제 광용적맥파(photoplethysmography, PPG) 신호를 사용하여 수행하였다. 그 결과 wi-TFCD는 다른 방법들에 비해 일관되게 우수한 성능을 보였으며, 최저 레니 엔트로피(Rényi entropy)와 최고 Stanković 농도(Stanković concentration)를 달성하여 스펙트럼의 압축성 및 명료성이 향상됨을 시사하였다. 시눗파 chirp 신호에서 wi-TFCD는 VFCDM에 비해 레니 엔트로피가 1.29배 낮고 i-TFCD에 비해 1.27배 낮았으며, Stanković 농도는 VFCDM에 비해 3.62배 높고 i-TFCD에 비해 3.01배 높았다. 또한 평균제곱오차(mean square error, MSE)는 VFCDM에 비해 1.29배 낮고 i-TFCD에 비해 1.11배 낮아, 잡음 하에서의 우수한 해상도와 견고성을 입증하였다. 55명의 피험자를 대상으로 한 PPG 기반 심박수(heart rate, HR) 추정에서 wi-TFCD는 평균 절대 오차(mean absolute error, MAE) 4.99 bpm을 달성하였으며, 이는 i-TFCD의 5.19 bpm과 VFCDM의 5.42 bpm에 비해 향상된 결과이다. 이러한 연구 결과는 wi-TFCD가 보다 정밀한 신호 표현과 견고한 생리적 모니터링을 제공함을 확인하며, 동작 인공물과 잡음이 빈번한 웨어러블 헬스 애플리케이션에 유망한 도구임을 시사한다.

코로나19 감염의 확산을 최소화하는 효과적인 방법 중 하나는 증상이 발현되기 전에 가능한 한 조기에 이를 진단하는 것이다. 또한 스마트워치를 사용하여 감염을 간단히 진단할 수 있다면, 확산 예방의 효과는 크게 증가할 것이다. 본 연구에서는 스마트워치에서 얻은 심박수(HR) 데이터를 사용하여 증상 발현 이전에 코로나19를 진단하기 위한 딥러닝 모델을 개발하고자 하였다. 진단용 딥러닝 모델에서는 연속적인 심박수 데이터에서의 관계를 추적함으로써 증상 전 기간의 HR 변이 패턴을 학습하는 트랜스포머(transformer) 모델을 제안하였다. 코로나19 미접종 환자에 대한 교차검증(CV) 결과에서, 본 연구에서 제안한 딥러닝 모델은 높은 정확도 지표를 보였으며, 민감도 84.38%, 특이도 85.25%, 정확도 84.85%, 균형 정확도 84.81%, 수신자 조작 특성 곡선(AUROC) 아래 면적 0.8778을 나타냈다. 더 나아가 건강한 피험자, 코로나19 환자, 그리고 백신 접종 환자를 포함하는 다중의 외부 데이터셋으로 모델을 검증하였다. 외부 건강한 피험자 집단에서 본 모델은 또한 높은 특이도 77.80%를 달성하였다. 외부 코로나19 미접종 환자 집단에서도 본 모델은 CV에서와 유사한 정확도 지표를 제공하였는데, 균형 정확도 87.23%와 AUROC 0.8897이었다. 코로나19 백신 접종 환자에서는 균형 정확도와 AUROC가 각각 66.67%와 0.8072로 감소하였다. 본 연구의 첫 번째 발견은, 본 연구에서 제안한 딥러닝 모델이 스마트워치로부터 얻은 심박수로 증상 발현 이전에 코로나19 환자를 단순하면서도 정확하게 진단할 수 있다는 점이다. 두 번째 발견은, 미접종 환자에서 학습된 모델이 백신 접종 환자에 비해 덜 정확한 진단 성능을 제공할 수 있다는 점이다. 마지막으로, 특정 기간 동안 학습된 모델은 바이러스가 계속 변이함에 따라 진단 성능이 저하될 수 있다는 점이다.

… -0.266; 95% CI, -0.306~ -0.226)였으나 2021년에 다시 증가하였다(중기 COVID-19 대비 26.0%; 95% CI, 25.4~26.7). 대사당량 작업(Metabolic Equivalent Task, MET) 점수에서도 유사한 양상이 관찰되었는데(MET-min/week; 2018~2019년 804.1, 2020년 720.9, 2021년 779.6), 코로나19 이전과 이후의 MET 점수 평균 차이는 -55.4 MET-min/week(95% CI, -70.5~ -40.3)였다. 전국 단위의 대표성 있는 연구를 통해 팬데믹 전후로 PA 권고지침을 달성한 한국 청소년의 수에 관해서는 유의한 차이가 없었으나, 코로나19 발생 이전의 추세를 고려할 때 권고되는 수준의 PA 유병률은 더 큰 폭으로 증가할 필요가 있다. 본 연구의 결과는 팬데믹 기간 및 팬데믹 이후에 한국 청소년의 신체활동을 보다 증진시키기 위해 공중보건 정책의 중요성을 강화해야 함을 시사한다.

배경: 위절제술 후 위암 환자에서 맞춤형 생존 예측은, 영양 및 체형 계측에서의 시간에 따른 변화 요인을 포함하여 변수가 많은 대규모 데이터에 기반할 때 중요하다. 위절제술 후 1년 시점은 대부분의 환자에서 수술 후 첫 1년 동안 영양 상태의 뚜렷한 변화, 근손실, 수술 후 변화가 발생하므로 장기 생존을 예측하기에 최적의 시기일 수 있다. 본 연구의 목적은 위절제술 후 1년 시점에서 5년 생존을 예측하기 위한 맞춤형 예후 인공지능(AI) 모델을 개발하는 것이었다. 방법: 3차 의료기관의 전향적으로 구축된 위 수술 레지스트리에서, 위절제술을 시행받고 1년 이상 생존한 4025명의 위암 환자(평균 연령 56.1 ± 10.9세, 여성 36.2%)를 선정하였다. 임상 변수와 파생된 시간에 따른 변화 변수를 포함한 89개 변수를 입력 변수로 사용하였다. 반복 5-겹 교차검증으로부터 도출된 100개 데이터셋에 기반한 앙상블 AI 알고리즘인 다중 트리 극한 그래디언트 부스팅(multi-tree extreme gradient boosting, XGBoost) 알고리즘을 제안하였다. 내부 검증은 분할 데이터셋(n = 1121)에서, 제안한 모델과 6개의 다른 AI 알고리즘을 비교하여 수행하였다. 외부 검증은 다른 병원 환자 590명에서 수행하였고(평균 연령 55.9 ± 11.2세, 여성 37.3%), 민감도 분석을 통해 영양 및 지방/근육 지표의 영향을 leave-one-out 방법으로 분석하였다. 결과: 내부 검증에서 제안한 모델은 AUROC 0.8237을 보였으며, 이는 다른 AI 알고리즘(0.7988–0.8165)보다 우수하였다. 또한 민감도 80.00%, 특이도 72.34%, 균형 정확도(balanced accuracy) 76.17%를 나타냈다. 외부 검증에서 본 모델은 AUROC 0.8903, 민감도 86.96%, 특이도 74.60%, 균형 정확도 80.78%를 보였다. 민감도 분석 결과, 영양 및 지방/근육 지표는 내부 및 외부 검증 세트에서 각각 균형 정확도를 0.31% 및 6.29%만큼 변화시키는 것으로 나타났다. 개발한 AI 모델은 맞춤형 생존 예측을 위한 웹사이트에 게시되었다. 결론: 본 연구에서 제안한 AI 모델은 위암 수술 후 1년 시점에서 5년 생존을 예측하는 데 있어 실질적으로 우수한 성능을 제공한다. 영양 및 지방/근육 지표는 본 AI 모델의 예측 성능 향상에 기여하였다.

본 연구에서는 저주파 생리 신호에서 잡음 억제력을 향상시키고 시간-주파수 해상도를 개선하기 위해 설계된 가중 반복 시간-주파수 복소 변조(Weighted iterative time-frequency complex demodulation, wi-TFCD) 고도 신호처리 알고리즘의 개발과 검증을 제시한다. 우리는 wi-TFCD를 단시간 푸리에 변환(short-time Fourier transform, STFT), 가변 주파수 복소 변조(variable frequency complex demodulation, VFCDM), 기본 반복 TFCD(baseline iterative TFCD, i-TFCD)와 같은 전통적 방법들과 비교 평가하였으며, 이는 가산(additive) 가우시안 백색 잡음에 오염된 합성 시눗파 chirp 신호와 운동 중에 기록된 실제 광용적맥파(photoplethysmography, PPG) 신호를 사용하여 수행하였다. 그 결과 wi-TFCD는 다른 방법들에 비해 일관되게 우수한 성능을 보였으며, 최저 레니 엔트로피(Rényi entropy)와 최고 Stanković 농도(Stanković concentration)를 달성하여 스펙트럼의 압축성 및 명료성이 향상됨을 시사하였다. 시눗파 chirp 신호에서 wi-TFCD는 VFCDM에 비해 레니 엔트로피가 1.29배 낮고 i-TFCD에 비해 1.27배 낮았으며, Stanković 농도는 VFCDM에 비해 3.62배 높고 i-TFCD에 비해 3.01배 높았다. 또한 평균제곱오차(mean square error, MSE)는 VFCDM에 비해 1.29배 낮고 i-TFCD에 비해 1.11배 낮아, 잡음 하에서의 우수한 해상도와 견고성을 입증하였다. 55명의 피험자를 대상으로 한 PPG 기반 심박수(heart rate, HR) 추정에서 wi-TFCD는 평균 절대 오차(mean absolute error, MAE) 4.99 bpm을 달성하였으며, 이는 i-TFCD의 5.19 bpm과 VFCDM의 5.42 bpm에 비해 향상된 결과이다. 이러한 연구 결과는 wi-TFCD가 보다 정밀한 신호 표현과 견고한 생리적 모니터링을 제공함을 확인하며, 동작 인공물과 잡음이 빈번한 웨어러블 헬스 애플리케이션에 유망한 도구임을 시사한다.

코로나19 감염의 확산을 최소화하는 효과적인 방법 중 하나는 증상이 발현되기 전에 가능한 한 조기에 이를 진단하는 것이다. 또한 스마트워치를 사용하여 감염을 간단히 진단할 수 있다면, 확산 예방의 효과는 크게 증가할 것이다. 본 연구에서는 스마트워치에서 얻은 심박수(HR) 데이터를 사용하여 증상 발현 이전에 코로나19를 진단하기 위한 딥러닝 모델을 개발하고자 하였다. 진단용 딥러닝 모델에서는 연속적인 심박수 데이터에서의 관계를 추적함으로써 증상 전 기간의 HR 변이 패턴을 학습하는 트랜스포머(transformer) 모델을 제안하였다. 코로나19 미접종 환자에 대한 교차검증(CV) 결과에서, 본 연구에서 제안한 딥러닝 모델은 높은 정확도 지표를 보였으며, 민감도 84.38%, 특이도 85.25%, 정확도 84.85%, 균형 정확도 84.81%, 수신자 조작 특성 곡선(AUROC) 아래 면적 0.8778을 나타냈다. 더 나아가 건강한 피험자, 코로나19 환자, 그리고 백신 접종 환자를 포함하는 다중의 외부 데이터셋으로 모델을 검증하였다. 외부 건강한 피험자 집단에서 본 모델은 또한 높은 특이도 77.80%를 달성하였다. 외부 코로나19 미접종 환자 집단에서도 본 모델은 CV에서와 유사한 정확도 지표를 제공하였는데, 균형 정확도 87.23%와 AUROC 0.8897이었다. 코로나19 백신 접종 환자에서는 균형 정확도와 AUROC가 각각 66.67%와 0.8072로 감소하였다. 본 연구의 첫 번째 발견은, 본 연구에서 제안한 딥러닝 모델이 스마트워치로부터 얻은 심박수로 증상 발현 이전에 코로나19 환자를 단순하면서도 정확하게 진단할 수 있다는 점이다. 두 번째 발견은, 미접종 환자에서 학습된 모델이 백신 접종 환자에 비해 덜 정확한 진단 성능을 제공할 수 있다는 점이다. 마지막으로, 특정 기간 동안 학습된 모델은 바이러스가 계속 변이함에 따라 진단 성능이 저하될 수 있다는 점이다.

… -0.266; 95% CI, -0.306~ -0.226)였으나 2021년에 다시 증가하였다(중기 COVID-19 대비 26.0%; 95% CI, 25.4~26.7). 대사당량 작업(Metabolic Equivalent Task, MET) 점수에서도 유사한 양상이 관찰되었는데(MET-min/week; 2018~2019년 804.1, 2020년 720.9, 2021년 779.6), 코로나19 이전과 이후의 MET 점수 평균 차이는 -55.4 MET-min/week(95% CI, -70.5~ -40.3)였다. 전국 단위의 대표성 있는 연구를 통해 팬데믹 전후로 PA 권고지침을 달성한 한국 청소년의 수에 관해서는 유의한 차이가 없었으나, 코로나19 발생 이전의 추세를 고려할 때 권고되는 수준의 PA 유병률은 더 큰 폭으로 증가할 필요가 있다. 본 연구의 결과는 팬데믹 기간 및 팬데믹 이후에 한국 청소년의 신체활동을 보다 증진시키기 위해 공중보건 정책의 중요성을 강화해야 함을 시사한다.

배경: 위절제술 후 위암 환자에서 맞춤형 생존 예측은, 영양 및 체형 계측에서의 시간에 따른 변화 요인을 포함하여 변수가 많은 대규모 데이터에 기반할 때 중요하다. 위절제술 후 1년 시점은 대부분의 환자에서 수술 후 첫 1년 동안 영양 상태의 뚜렷한 변화, 근손실, 수술 후 변화가 발생하므로 장기 생존을 예측하기에 최적의 시기일 수 있다. 본 연구의 목적은 위절제술 후 1년 시점에서 5년 생존을 예측하기 위한 맞춤형 예후 인공지능(AI) 모델을 개발하는 것이었다. 방법: 3차 의료기관의 전향적으로 구축된 위 수술 레지스트리에서, 위절제술을 시행받고 1년 이상 생존한 4025명의 위암 환자(평균 연령 56.1 ± 10.9세, 여성 36.2%)를 선정하였다. 임상 변수와 파생된 시간에 따른 변화 변수를 포함한 89개 변수를 입력 변수로 사용하였다. 반복 5-겹 교차검증으로부터 도출된 100개 데이터셋에 기반한 앙상블 AI 알고리즘인 다중 트리 극한 그래디언트 부스팅(multi-tree extreme gradient boosting, XGBoost) 알고리즘을 제안하였다. 내부 검증은 분할 데이터셋(n = 1121)에서, 제안한 모델과 6개의 다른 AI 알고리즘을 비교하여 수행하였다. 외부 검증은 다른 병원 환자 590명에서 수행하였고(평균 연령 55.9 ± 11.2세, 여성 37.3%), 민감도 분석을 통해 영양 및 지방/근육 지표의 영향을 leave-one-out 방법으로 분석하였다. 결과: 내부 검증에서 제안한 모델은 AUROC 0.8237을 보였으며, 이는 다른 AI 알고리즘(0.7988–0.8165)보다 우수하였다. 또한 민감도 80.00%, 특이도 72.34%, 균형 정확도(balanced accuracy) 76.17%를 나타냈다. 외부 검증에서 본 모델은 AUROC 0.8903, 민감도 86.96%, 특이도 74.60%, 균형 정확도 80.78%를 보였다. 민감도 분석 결과, 영양 및 지방/근육 지표는 내부 및 외부 검증 세트에서 각각 균형 정확도를 0.31% 및 6.29%만큼 변화시키는 것으로 나타났다. 개발한 AI 모델은 맞춤형 생존 예측을 위한 웹사이트에 게시되었다. 결론: 본 연구에서 제안한 AI 모델은 위암 수술 후 1년 시점에서 5년 생존을 예측하는 데 있어 실질적으로 우수한 성능을 제공한다. 영양 및 지방/근육 지표는 본 AI 모델의 예측 성능 향상에 기여하였다.

배경: 신체 외상과 관련된 사망은 사회에 큰 부담을 준다. 신체 외상 환자에서 사망 위험을 추정하는 것은 치료 효율을 향상시키고 이 부담을 줄이는 데 중요하다. 가장 널리 사용되고 정확한 모델은 해부학적 손상 중증도 채점 체계인 Abbreviated Injury Scale (AIS)에 기반한 Injury Severity Score (ISS)이다. 그러나 AIS는 환자의 의무기록을 검토하여 손상 척도를 코딩해야 하므로, 모든 병원에 이를 적용하는 것은 불가능하다. 목적: 본 연구는 International Classification of Diseases 10th Revision (ICD-10), 중증도 분류(triage) 척도, 처치(시술) 코드 및 기타 임상적 특징을 이용하여 신체 외상 환자에서 입원 중 사망을 예측하는 인공지능(AI) 모델을 개발하고자 하였다. 방법: 2016년부터 2019년까지 400개 이상의 병원에서 수집된 한국 응급실 정보시스템(National Emergency Department Information System, NEDIS) 데이터 세트(N=778,111)를 사용하였다. 입원 중 사망 예측을 위해 다음을 입력 특징으로 사용하였다: ICD-10, 환자 연령, 성별, 의도성(intentionality), 손상 기전(injury mechanism), 응급 증상(emergent symptom), Alert/Verbal/Painful/Unresponsive (AVPU) 척도, Korean Triage and Acuity Scale (KTAS), 그리고 처치 코드(procedure codes). 5-폴드 교차검증을 통해 심층 신경망 앙상블(ensemble of deep neural networks; EDNN)을 제안하고, 전통적 예측 모델을 포함한 다른 최신 기계학습 모델과 비교하였다. 또한 특징의 효과를 추가로 분석하였다. 결과: 모든 특징을 사용한 제안된 EDNN은 수신자 조작 특성 곡선(ROC) 아래 면적(AUROC) 0.9507로 가장 높은 성능을 보였으며, 다음과 같은 전통적 예측 모델을 포함하여 다른 최신 모델들을 능가하였다: Adaptive Boosting (AdaBoost; AUROC 0.9433), Extreme Gradient Boosting (XGBoost; AUROC 0.9331), ICD 기반 ISS (포함 모델의 AUROC 0.8699 및 배제 모델의 AUROC 0.8224), 그리고 KTAS(AUROC 0.1841). 또한 모든 특징을 사용한 경우, 어떤 다른 부분 특징 조합보다 높은 AUROC를 보였는데, 구체적으로는 ICD-10만 사용한 EDNN(AUROC 0.8964)과 ICD-10을 제외한 특징을 사용한 EDNN(AUROC 0.9383)보다 우수하였다. 결론: 모든 특징을 사용한 제안된 EDNN은 전통적인 진단 코드 기반 예측 모델 및 분류(triage) 척도를 포함하여 다른 최신 모델들보다 뛰어난 성능을 보였다.

배경: COVID-19 팬데믹이 전 세계적으로 미친 중대한 영향에도 불구하고, 특히 아시아 인구집단에서 SARS-CoV-2 감염의 장기 심혈관 후유증에 관해 조사한 연구는 제한적이다. 본 대규모 인구기반 양국(바이내셔널) 코호트 연구는 장기 추적 관찰을 통해 SARS-CoV-2 감염과 심혈관 사건 위험 간의 연관성을 규명하고자 하였다. 방법: 진단 코드. 성향점수 기반 중첩 가중치(overlap weighting) 후, Cox 비례위험 모형을 사용하여 심혈관 결과에 대한 조정 위험비(adjusted hazard ratio)를 추정하였다. SARS-CoV-2 감염 이후 심혈관 결과의 시간 감쇠 효과(time attenuation effect)를 평가하였다. 16가지 심혈관 결과, COVID-19 중증도, 예방접종, SARS-CoV-2 변이(스트레인)에 대해 다중 하위집단 분석을 수행하였다. 결과: 중첩 가중치 적용 발견 코호트에는 7,960,357명이 포함되었다(평균 연령 48.52세[표준편차, 9.33]; 남성 4,283,878명[53.82%]). SARS-CoV-2 감염은 전체 심혈관 결과의 장기적 증가된 위험과 연관되었으며(조정 위험비 1.62[95% CI, 1.60-1.64]), 특히 허혈성 심장질환(1.81[95% CI, 1.77-1.84]), 심부전(1.79[95% CI, 1.73-1.85]), 뇌혈관 질환(1.65[95% CI, 1.60-1.69]), 주요 심혈관 이상사건(1.65[95% CI, 1.60-1.70]), 염증성 심장질환(1.53[95% CI, 1.31-1.80]), 부정맥(1.44[95% CI, 1.42-1.46]), 혈전성 질환(1.42[95% CI, 1.35-1.48])에서 뚜렷하였다. 증가된 위험은 최대 18개월까지 지속되었고, 감염 후 1~6개월에서 가장 높은 연관성이 관찰되었다. 심혈관 질환의 위험은 COVID-19 중증도에서 두드러졌으나, 완전 예방접종 및 이후 추가 접종(부스터) 투여에 따라 감소하였다. SARS-CoV-2 유행 시기 전 구간(델타 이전, 델타, 오미크론)에서 유사한 수준의 심혈관 결과 위험이 존재하였다. 검증 코호트에서도 유사한 양상이 관찰되었다. SARS-CoV-2 감염 후 심혈관 질환 사건의 절대적 위험은 감염되지 않은 인구집단에서의 1.31%에 비해 2.12%로 현저히 낮았으며, 특히 뇌졸중(0.24% 대 0.13%)과 허혈성 심장질환(0.73% 대 0.39%)에서 그러했다. 결론: 본 양국(바이내셔널) 연구에서는 바이러스 유행 시기를 가로질러 연장된 추적 관찰 기간 동안 SARS-CoV-2 감염과 심혈관 사건 간의 연관성을 관찰하였다. 완전 예방접종은 심혈관 사건의 감소와 연관되었다. 그러나 SARS-CoV-2 감염 후 심혈관 질환 사건의 절대적 위험은 특히 뇌졸중과 허혈성 심장질환에서 현저히 낮은 수준으로 유지되었다. 이러한 결과는 지속적인 경계와 예방 조치의 중요성을 시사하나, 장기 심혈관 합병증을 고려할 때는 이러한 낮은 절대적 위험의 맥락에서 해석되어야 한다.

배경 및 목적: 대상포진 감염과 심혈관 사건 간의 잠재적 관련성이 있음에도 불구하고, 생백신 대상포진 예방접종과 심혈관 결과 간의 관계를 조사한 연구는 제한적이다. 본 장기 추적을 포함한 대규모 인구 기반 코호트 연구는 생백신 대상포진 예방접종과 다양한 심혈관 사건의 위험 사이의 연관성을 규명하고자 하였다. 방법: 2012년 1월 1일부터 2021년 12월 31일까지, 대한민국의 50세 이상 성인 자료( n = 2 207 784 )를 포함하였다. 한국의 건강보험심사평가원 자료의 국가 보험 정보, 국민건강보험공단의 국가 건강검진 결과, 질병관리청의 생백신 대상포진 예방접종 데이터를 병합하였다. 생백신 대상포진 예방접종 후 발생한 심혈관 결과의 위험을 예방접종을 받지 않은 집단과 비교하여 평가하였다. 주요 평가지표는 국제질병분류 제10차 개정판(International Classification of Diseases, Tenth Revision) 진단 코드에 기반한 심혈관질환의 위험이었다. 성향점수 기반 중첩가중(overlap weighted) 코호트에서는 Cox 비례위험 모형을 사용하여 전체 및 특정 심혈관 결과에 대한 위험비(HR)를 추정하였고, 각 결과에 대해 제한평균생존시간(RMST)을 계산하였다. 관찰기간은 2012년 1월 1일부터 2024년 1월 31일까지였다. 다중 층화 분석을 수행하였다. 결과: 성향점수 기반 중첩가중을 적용한 후, 중첩가중 코호트에 1 271 922명이 포함되었다 [평균 연령 61.3세(표준편차 3.4); 남성 548 986명(43.2%); 중앙 추적기간 6.0년]. 생백신 대상포진 예방접종은 전체 심혈관 사건의 더 낮은 위험과 연관되었으며 [HR 0.77, 95% 신뢰구간(CI) 0.76-0.78], 특히 주요 불리 심혈관 사건 [0.74 (0.71-0.77)], 심부전 [0.74 (0.70-0.77)], 뇌혈관 장애 [0.76 (0.74-0.78)], 허혈성 심장질환 [0.78 (0.76-0.80)], 혈전성 질환 [0.78 (0.74-0.83)], 그리고 심박 이상 [0.79 (0.77-0.81)]에서 그러하였다. 생백신 대상포진 예방접종 후 전체 심혈관 사건에 대한 RMST 차이는 10년당 95.14일(95% CI 94.99-95.30)이었다. 이러한 보호적 연관성은 최대 8년까지 지속되었으며, 예방접종 후 2-3년 시점에 가장 큰 감소가 관찰되었다. 심혈관질환 위험 감소는 남성, 60세 미만, 건강하지 않은 생활습관을 가진 사람들, 그리고 저소득 가구 및 농촌 거주자에서 더 두드러졌다. 결론: 이러한 결과는 생백신 대상포진 예방접종이 일반 인구에서 심혈관질환 부담에 대한 잠재적 함의를 가지는 공중보건 전략으로서 유익할 수 있음을 시사한다. 또한 이 전략은 심혈관 합병증과 연관된 건강 격차 및 사망률을 완화하는 데 도움이 될 수 있다.

최근 웨어러블 기술의 발전, 특히 손목형 심전도(ECG) 기기는 심방세동(AF)에 대한 유망한 대안으로 떠오르고 있다. 이러한 기기들은 연속 모니터링을 가능하게 하지만, 일반적으로 정확한 판독을 위해 사용자가 전극을 만져야 한다. 본 연구는 연속 심박수(HR) 모니터링을 위해 PPG를, 정밀한 AF 검출을 위해 ECG를 활용하는 새로운 광용적맥파(photoplethysmography, PPG)/ECG 협력 웨어러블 기기를 제안한다. 본 연구는 센서 개발을 넘어, 센서 데이터 처리에 중점을 두며, 시스템은 PPG 신호 분석의 정확도를 향상시키기 위해 견고한 모션 아티팩트(motion artifact, MA) 제거 알고리즘과 AF-유한상태기계(AF-finite-state machine, AF-FSM) 프레임워크를 사용한다. 시스템은 PPG를 이용해 예비 AF 선별을 수행하고, 이상이 감지되면 ECG 측정을 유도하되, 측정 데이터는 의료진에게 전송되어 확인에 활용된다. 본 연구에서는 AF 확인의 정확도를 높이면서 오경보를 줄이고 진양성률을 증가시키기 위해, 주로 견고한 MA 제거 알고리즘과 AF-FSM 프레임워크의 결합을 제안한다. BAMI-II 및 ISPC 데이터셋을 이용한 평가 결과, HR 추정에서 각각 평균절대오차(mean absolute error, MAE) 1.31 및 1.16 beat per minute(bpm)를 달성했으며, 임상 데이터셋에서 AF 검출 민감도 0.9927, 특이도 0.9768, 정확도 0.9847을 보였다. MIMIC PERform AF 데이터셋에서는 AF 검출 민감도 0.9536, 특이도 0.9500, 정확도 0.9517을 달성했다. 파일럿 연구는 임상 환경에서 시스템의 실제 적용 가능성을 추가로 검증하였으며, 장기간의 사용자가 용이한 심장 모니터링에 대한 잠재력을 보여주었다.