심장초음파 피검사자의 심장질환 호발 빈도에 기반한 교육용 심전도 파형 생성 프로그램 개발 = Development of an Educational Electrocardiogram Waveform Generation Program Based on the Prevalence of Heart Diseases in Echocardiography Examinees

국문 초록 (Abstract)

본 연구는 주요 심장질환 호발 빈도를 분석하고 이를 반영한 교육용 심전도(Electrocardiogram, ECG) 파형 생성 프로그램을 개발하는데 목적이 있다. 건강보험심사평가원(Health Insurance Review and Assessment Service, HIRA)의 2019–2022년 요양급여 청구자료(T200, T300, T400, T530)를 기반으로 질환 분포를 도출한 결과, 협심증, 고혈압성 심장질환, 심방세동·조동, 심부전 등이 전체의 약 80%를 차지하는 핵심 질환군으로 확인되었다. 도출된 질환의 ECG 특징을 구현하기 위해 Python 환경에서 가우시안(Gaussian) 기반 신호 합성 기법을 적용하고, P파·QRS·ST 분절·T파 등 심전도 요소를 질환별 전기생리학적 특성에 맞추어 모델링하였다. 생성 파형의 타당성은 Structural Similarity Index (SSIM)와 Pixel-wise Correlation (PWC)을 결합한 하이브리드 유사도 알고리즘으로 평가하였다. 그 결과, 평균 80.1%의 구조적 유사도가 확인되었다. 본 연구는 심장초음파 검사 대상자의 주요 질환 특성을 반영한 합성 ECG 파형을 활용함으로써, 임상 데이터를 반복 활용하기 어려운 교육 환경에서 실무 중심의 자기주도 학습 모델을 제시하였으며 향후 초음파–ECG 연계 교육, 임상 시뮬레이션 및 인공지능 기반 ECG 생성 연구로 확장될 가능성을 보여준다.

다국어 초록 (Multilingual Abstract)

This study aims to analyze the prevalence of major heart diseases and to develop an educational electrocardiogram (ECG) waveform generation program that reflects these findings. Using the 2019–2022 healthcare claims data (T200, T300, T400, T530) from the Health Insurance Review and Assessment Service (HIRA), the distribution of cardiac diseases was examined, revealing that angina pectoris, hypertensive heart disease, atrial fibrillation and flutter, and heart failure accounted for approximately 80% of all diagnoses. To reproduce ECG characteristics of the identified diseases, a Gaussian-based signal synthesis technique was implemented in a Python environment, modeling key ECG components—such as the P wave, QRS complex, ST segment, and T wave—according to disease-specific electrophysiological features. The validity of the generated waveforms was evaluated using a hybrid similarity algorithm that combines the Structural Similarity Index (SSIM) and Pixel-wise Correlation (PWC), resulting in an average structural similarity of 80.1%. This study demonstrates that synthetic ECG waveforms reflecting major disease characteristics in echocardiography- examined patients can serve as practical learning resources in educational settings where repeated use of clinical data is limited. Furthermore, the proposed method suggests potential applications in ultrasound–ECG integrated education, clinical simulation, and future artificial intelligence–based ECG generation research.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구 배경 1
• 1. 연구 필요성 1
• 가. 영상의학적 검사에서의 심전도 역할 1
• 나. 방사선학에서의 심전도 교육 필요성 2
• 다. 심전도 교육의 한계점 3
• 2. 이론적 배경 4
• 가. 타 직군의 심전도 교육과정 운영 사례 4
• 나. 심전도의 개요 5
• 다. 건강보험심사평가원의 이차 데이터 8
• 라. 전산적 생성 심전도 9
• 제2절 연구 설계 및 목적 10
• 1. 연구 설계 10
• 2. 연구 목적 11
• 제2장 연구 대상 및 방법 12
• 제1절 최다빈도 심장질환 분석 12
• 1. 연구 대상 및 방법 12
• 2. 연구 도구 14
• 3. 통계 분석 15
• 제2절 Python을 이용한 심전도 파형 생성 16
• 1. 연구 대상 및 방법 16
• 가. 심전도 파형 구현 방법 16
• 나. 파형 조절 인자 18
• 2. 연구 도구 18
• 제3절 Python을 이용한 심전도 파형 유사도 평가 19
• 1. 연구 대상 19
• 2. 유사도 평가방법 20
• 가. 데이터 전처리 20
• 나. 하이브리드 유사도 평가 알고리즘 20
• 다. 형태학적 평가 기준 23
• 제3장 결과 24
• 제1절 최다빈도 심장질환 기술통계 결과 24
• 1. 인구학적 특성 24
• 2. 심장초음파 및 심전도 기반 심장질환 진단 빈도 분석 26
• 3. 질환별 단일 검사와 반복 검사 빈도 비교 28
• 제2절 Python을 이용한 심전도 파형 생성 결과 29
• 1. 심전도 파형 생성 조절 인자 29
• 2. 질환별 심전도 파형 생성 결과 31
• 가. 심방세동(Atrial Fibrillation) 31
• 나. 심방조동(Atrial Flutter) 32
• 다. 좌각차단(Left Bundle Branch Block) 33
• 라. 우각차단(Reft Bundle Branch Block) 34
• 마. 협심증(Angina Pectoris) 35
• 제3절 심전도 파형 유사도 평가 결과 37
• 1. 유사도 분석 결과 37
• 2. 질환별 세부 유사도 분석 결과 38
• 가. 심방세동(Atrial Fibrillation) 38
• 나. 심방조동(Atrial Flutter) 39
• 다. 좌각차단(Left Bundle Branch Block) 40
• 라. 우각차단(Reft Bundle Branch Block) 41
• 마. 협심증(Angina Pectoris) 42
• 제4장 고찰 44
• 제5장 결론 48
• 참고문헌 49
• Abstract 57
• 부록 59