딥러닝 기반 동율동 상태의 24시간 홀터 심전도 분석: 소아 발작성 상심실성 빈맥 예측 모델 개발 = Deep Learning Analysis of Sinus Rhythm Holter ECG: Prediction Model Development for Pediatric Paroxysmal Supraventricular Tachycardia

국문 초록 (Abstract)

발작성 상심실성 빈맥(PSVT)은 소아청소년기에 발생하는 가장 흔한 빈맥성 부정맥이나, 발작성 특성으로 인해 표준 24시간 홀터 심전도 검사 중 이벤트를 포착하지 못할 경우 진단이 지연되는 한계가 있다. 본 연구의 목적은 빈맥 발작이 없는 평상시의 동율동(Sinus Rhythm) 상태 기록만을 분석하여 소아 PSVT의 잠재적 위험을 선제적으로 예측하는 딥러닝 모델을 개발하고 그 전기생리학적 근거를 규명하는 데 있다.
2007년부터 2024년까지 서울대학교 어린이병원에서 24시간 홀터 심전도를 시행한 1세 이상 18세 이하의 환자 2,658명(PSVT군 185명, 비-PSVT군 2,473명)의 대규모 후향적 코호트를 구축하였다. 24시간 파형 데이터에서 상심실성 기외수축(SVE)이 포함된 구간을 우선적으로 추출하는 ‘S-우선 샘플링(S-priority Sampling)’ 전략을 적용하였으며, 이를 심전도 파형 인코더와 임상 메타데이터(연령, 성별, 기외수축 부하 등) 인코더가 결합된 ‘어텐션 기반 멀티모달 다중 인스턴스 학습(Multimodal MIL)’ 네트워크로 학습시켰다. 모델의 판별 성능을 최적화하기 위해 다양한 인코더(Standard CNN, ResNet, Inception)와 샘플링 전략의 조합을 비교 실험하였다.
최종적으로 선정된 ResNet 인코더 및 Gated Attention 헤드 기반의 멀티모달 모델은 독립 테스트 세트에서 AUROC 0.865, 정확도(Accuracy) 0.913의 우수한 예측 성능을 달성하였다. 입력 데이터 구성 분석 결과, 동율동 박동에 SVE를 포함했을 때(AUROC 0.865)가 순수 동율동만 사용했을 때(AUROC 0.664)보다 유의미하게 높은 성능을 보여 SVE 관련 특징이 핵심 지표임을 입증하였다. 또한, 24시간 동역학 분석 결과 PSVT군은 대조군에 비해 주간 및 저녁 시간대에 QRS 기간과 QTc 간격이 일관되게 연장되는 소견을 보였다. Grad-CAM 시각화 분석을 통해 모델이 예측 시 V1 유도의 T파 영역과 V5/Lead II의 J-점 부근의 미세한 파형 변화에 주목하고 있음을 확인하였다.
본 연구는 24시간 홀터 심전도의 동율동 구간에 내재된 미세한 전기생리학적 변이를 인공지능으로 포착함으로써 소아 PSVT의 선제적 진단 가능성을 제시하였다. 개발된 모델은 발작이 포착되지 않은 홀터 기록에서도 고위험군을 효과적으로 선별할 수 있어, 향후 소아 부정맥 진료 현장에서 신속한 치료 계획 수립을 돕는 유용한 진단 보조 도구로 활용될 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Paroxysmal Supraventricular Tachycardia (PSVT) is the most common tachyarrhythmia in children and adolescents. However, its paroxysmal nature often leads to diagnostic delays when episodes are not captured during standard 24-hour Holter electrocardiogram (ECG) monitoring. This study aims to develop a deep learning model to preemptively predict the risk of pediatric PSVT by analyzing only sinus rhythm recordings without active tachycardia and to identify the underlying electrophysiological evidence.
A large-scale retrospective cohort was established consisting of 2,658 patients (185 PSVT and 2,473 non-PSVT) aged 1 to 18 years who underwent 24-hour Holter monitoring at Seoul National University Children's Hospital between 2007 and 2024. To effectively capture rare precursor patterns, an ‘S-priority Sampling’ strategy was implemented to prioritize segments containing supraventricular ectopy (SVE). These data were trained using an ‘Attention-based Multimodal Multiple Instance Learning (MIL)’ network that integrates raw ECG waveform features with clinical metadata, such as age, sex, and ectopic burden. Various combinations of encoders (Standard CNN, ResNet, Inception) and sampling strategies were evaluated to optimize discriminative performance.
The multimodal model based on the ResNet encoder and Gated Attention head achieved the best predictive performance, with an AUROC of 0.865 and an Accuracy of 0.913 on an independent test set. Analysis of input data configurations revealed that including SVE with sinus rhythm (AUROC 0.865) significantly outperformed using sinus rhythm alone (AUROC 0.664), proving that SVE-related features are critical indicators. Furthermore, 24-hour temporal dynamics analysis showed that the PSVT group exhibited consistently prolonged QRS duration and QTc intervals during daytime and evening hours compared to the control group. Gradient-weighted Class Activation Mapping (Grad-CAM) analysis confirmed that the model focused on subtle waveform variations in the T-wave region of lead V1 and near the J-point in lead V5 and Lead II during prediction.
This study demonstrates that artificial intelligence can capture subtle electrophysiological variations embedded in the sinus rhythm of 24-hour Holter ECGs to enable the preemptive diagnosis of pediatric PSVT. The developed model can effectively screen high-risk patients even in Holter records where tachycardia is not captured. Therefore, it is expected to serve as a valuable clinical decision support tool to expedite treatment planning in pediatric arrhythmia management.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 및 필요성 1
• 제 2 절 연구 목적 및 범위 2
• 제 2 장 이론적 배경 및 관련 연구 4
• 제 1 절 발작성 상심실성 빈맥(PSVT) 개요 4
• 제 2 절 홀터 심전도(Holter ECG) 분석 연구 5
• 제 3 절 딥러닝 기반 생체신호 분석 이론 6
• 제 3 장 연구 방법 8
• 제 1 절 연구 대상 및 데이터 수집 8
• 제 2 절 홀터 심전도 데이터 전처리 9
• 제 3 절 딥러닝 예측 모델 개발 12
• 제 4 절 통계적 검증 및 모델 평가 방법 15
• 제 5 절 모델 해석성 및 시각화 기법 16
• 제 4 장 연구 결과 18
• 제 1 절 연구 대상자 특성 및 코호트 분석 18
• 제 2 절 데이터 품질 관리 및 노이즈 분석 결과 21
• 제 3 절 동율동 ECG 간격의 24시간 변화 분석 22
• 제 4 절 딥러닝 예측 모델 성능 평가 25
• 제 5 절 Grad-CAM을 이용한 모델의 특징 해석 29
• 제 5 장 고찰 및 결론 31
• 제 1 절 주요 연구 결과에 대한 고찰 31
• 제 2 절 연구의 임상적 의의 및 기대 효과 33
• 제 3 절 연구의 한계점 및 추후 연구 방향 35
• 참고문헌 37
• Abstract 46