악성 부정맥(MA)은 심장 근육의 신경 신호 전달에 이상이 발생함으로써 나타나며, 효과적인 임상 관리를 위해서는 정교한 예측 모델이 필요하다. 전통적인 기계학습 모델은 주로 단일 단계 예측에 의존하여, 기저의 부정맥 유발 과정이 갖는 복잡한 시간적 역학을 충분히 반영하지 못한다. 본 논문은 심전도(ECG) 데이터에 내재된 신경 신호 전달 패턴을 모사하고 포착하기 위해 뇌(Brain)에서 영감을 받은 접근법을 활용하는, 악성 부정맥에 대한 최초의 다중 단계 예측 프레임워크를 제안한다. 우리의 프레임워크는 (i) 입력 모듈, (ii) 다중 경로 전파 모듈, (iii) 다중 단계 예측 모듈의 세 가지 핵심 모듈로 구성된다. 다중 경로 전파 모듈에는 신경 정보 처리가 이루어지는 서로 다른 시간 척도를 반영하는 단기 및 장기 경로가 포함된다. 또한 이 모듈 내에 뇌에서 영감을 받은 새로운 정보 처리 단위를 도입한다. 첫째, 국소 및 전역 시냅스 가소성 단위는 시간 컨볼루션 블록과 코사인 유사도 기반 패턴 매칭을 이용하여 ECG의 국소 및 전역 시간 패턴을 추출한다. 처리된 정보는 후속 단위로 전달되며, 동시에 전(前) 및 후(後) 시냅스 뉴런의 뉴로모듈레이션을 모델링하기 위해 설계된 헤브(Hebb) 기반 학습 단위로도 전달된다. 이 단위는 스파이크 및 특징 수준 활성과 연결 강도의 변화까지 모델링한다. 두 개의 벤치마크 데이터셋에서 평가한 결과, 우리의 모델은 단기 및 장기 예측 과제 모두에서 기존의 최신(state-of-the-art) 모델과 기본(baseline) 다중 단계 모델을 능가한다. 이러한 결과는 정밀한 부정맥 중재를 위한 견고한 임상 도구로서 우리의 모델이 지닐 수 있는 잠재력을 보여줄 뿐 아니라, 다른 응용 분야에서의 다중 단계 예측 발전을 위한 유의미한 통찰을 제공한다. • 심장 시스템에서의 신경 신호 전달 패턴을 위한 새로운 프레임워크를 제안한다. • 심전도에 기반한 새로운 뇌에서 영감을 받은 예측 모델을 제안한다. • 우리의 모델은 단기 및 장기 예측을 위해 차별화된 단위 조합을 사용하였다. • 본 논문은 단기 및 장기 예측 과제에서 우수한 성능 결과를 보여준다.

배경: 심정지(CA)는 중환자실(ICU) 환자에서 사망의 주요 원인 중 하나이다. 심정지를 예측하기 위해 민감도가 높은 여러 CA 예측 모델이 개발되었음에도 불구하고, 일반화와 검증의 부족으로 인해 실제 적용이 어려웠다. 또한 서로 다른 ICU 하위 유형 간 환자 이질성은 충분히 다루어지지 않았다. 목적: 본 연구는 환자 이질성(다양한 인구집단과 ICU 하위 유형 전반의 변이 포함)과 무관하게 24시간 이내에 심정지를 시의적절하고 정확하게 예측하기 위한 임상적으로 해석 가능한 앙상블 접근법을 제안하는 것을 목표로 한다. 아울러 모델의 일반화 성능을 강조하기 위해 환자 비의존적 평가를 수행하였으며, 임상의가 실시간으로 즉시 채택할 수 있는 해석 가능한 결과를 분석하였다. 방법: 환자는 Medical Information Mart for Intensive Care-IV(MIMIC-IV)와 eICU-Collaborative Research Database(eICU-CRD)의 데이터를 이용하여 후향적으로 분석하였다. 성능 저하 문제를 해결하기 위해, 심정지의 고유한 특성을 포착하기 위해 12시간 창을 사용하고, 활력징후, 다중 해상도 통계 분석, 지니 지수(Gini index)를 기반으로 한 특성 집합으로 우리의 프레임워크를 구성하였다. 각 데이터베이스에서 3종의 특성을 추출하여 MIMIC-IV의 고위험 환자군과 eICU-CRD의 심정지 없는 환자 간 심정지 예측 성능을 비교하였다. 특성 추출 후, 비용 민감 학습(cost-sensitive learning)과 함께 특성 스크리닝(feature screening)을 적용한 표 형태 네트워크(TabNet) 모델을 개발하였다. 실시간 심정지 예측 성능을 평가하기 위해 10-fold 환자-단위 제외(leave-one-patient-out) 교차검증과 교차 데이터셋 방법을 사용하였다. 각 데이터베이스 내에서 다양한 코호트 집단과 ICU 하위 유형에 대해 MIMIC-IV와 eICU-CRD를 평가하였다. 마지막으로, eICU-CRD 및 MIMIC-IV 데이터베이스를 이용한 외부 검증을 수행하여 모델의 일반화 능력을 평가하였다. 제안된 방법의 결정 마스크(decision mask)를 사용하여 모델의 해석 가능성을 포착하였다. 결과: 제안된 방법은 MIMIC-IV와 eICU-CRD 모두에서 다양한 코호트 집단에 걸쳐 기존의 접근법보다 우수한 성능을 보였다. 또한 두 데이터베이스 내의 다양한 ICU 하위 유형에서 기준선(baseline) 모델보다 더 높은 정확도를 달성하였다. 해석 가능한 예측 결과는 비-심정지(non-CA) 집단과 심정지(CA) 집단 간의 통계적 비교로서 기능함으로써 임상의의 심정지 예측에 대한 이해를 향상시킬 수 있다. 이어서, 일반화 능력을 평가하기 위해 MIMIC-IV에서 학습한 모델과 eICU-CRD에서 학습한 모델로 각각 eICU-CRD 및 MIMIC-IV 데이터셋을 시험하였다. 그 결과, 기준선 모델에 비해 우수한 성능이 확인되었다. 결론: 고유 특성을 학습하기 위한 본 새로운 프레임워크는 서로 다른 ICU 환경 전반에서 안정적인 예측력을 제공한다. 대부분의 해석 가능한 전역 정보는 심정지와 비-심정지 집단 간의 통계적 차이를 보여주며, 임상적 의사결정에 대한 지표로서의 유용성을 입증한다. 따라서 제안된 심정지 예측 시스템은 임상적으로 검증된 알고리즘으로서, 심정지 예측 정보를 바탕으로 임상의가 조기에 개입할 수 있게 하며 디지털 헬스 분야의 임상시험에 적용 가능하다.