Artificial Intelligence–Based Estimation of Biological Age Using Standard 12-Lead Electrocardiograms = 표준 12 유도 심전도를 이용한 인공지능 기반 생물학적 심장 나이 추정

다국어 초록 (Multilingual Abstract)

Electrocardiography (ECG) is a widely used, non-invasive diagnostic tool that reflects integrated electrical activity of the heart. With recent advances in artificial intelligence (AI), standard 12-lead ECGs have been increasingly explored as a source of latent physiological information beyond conventional interpretation. In this study, we developed and evaluated an AI-based model for estimating ECG-derived heart age (ECG-HA) using standard 12-lead ECG recordings obtained from individuals without overt cardiovascular disease. This retrospective study analyzed digitally stored ECGs acquired at a single tertiary medical center between January 2010 and January 2024. After applying predefined exclusion criteria to remove ECGs associated with significant cardiovascular disease, a total of 292,484 ECGs were included and partitioned into training, validation, and test datasets with patient-level separation. A convolutional neural network based on the DenseNet-121 architecture was trained to predict chronological age from ECG signals in a supervised regression framework. ECG-HA was defined as the continuous age value predicted by the model, and the heart age gap was calculated as the difference between ECG-HA and chronological age. Model performance was evaluated using the coefficient of determination (R²), mean absolute error (MAE), root mean squared error (RMSE), and Pearson correlation coefficient. In the test cohort, the model demonstrated strong predictive performance, with an R² of 0.783, a Pearson correlation coefficient of 0.885, an MAE of 5.023 years, and an RMSE of 6.389 years. Systematic age-dependent patterns were observed, with ECG-HA tending to be overestimated in younger individuals and underestimated in older adults. Supplementary analyses showed that a larger ECG-HA–chronological age gap was associated with higher rates of cardiovascular hospitalization, particularly when the gap exceeded five years. In addition, individuals with hypertension exhibited consistently higher ECG-HA values across the age spectrum compared with those without hypertension. In conclusion, this study demonstrates that an AI-based model can reliably estimate ECG-derived heart age from standard 12-lead ECGs in individuals without overt cardiovascular disease. While predictive accuracy was highest in middle-aged individuals, age-dependent bias was observed at the extremes of age. Despite this limitation, the present findings support the potential role of ECG-HA as a non-invasive marker of biological cardiac aging. Further refinement and validation in broader clinical populations are warranted.

국문 초록 (Abstract)

심전도(electrocardiogram, ECG)는 심장의 전기적 활동을 비침습적으로 평가할 수 있는 대표적인 검사 도구로, 다양한 임상 환경에서 널리 활용되고 있다. 최근 인공지능(artificial intelligence, AI) 기술의 발전과 함께 표준 12유도 심전도를 이용하여 기존의 육안 판독을 넘어서는 잠재적 생리 정보를 추출하려는 연구가 활발히 이루어지고 있다. 본 연구에서는 명백한 심혈관 질환이 없는 대상자를 중심으로, 표준 12유도 심전도를 기반으로 한 AI 모델을 개발하여 ECG 유래 심장 나이(ECG-derived heart age, ECG-HA)를 추정하고 그 특성을 평가하고자 하였다. 본 연구는 2010년 1월부터 2024년 1월까지 단일 3차 의료기관에서 획득된 디지털 심전도를 대상으로 한 후향적 연구이다. 사전에 정의된 제외 기준을 적용하여 유의한 심혈관 질환과 연관된 심전도를 제외한 후, 총 292,484개의 심전도를 분석에 포함하였다. 데이터는 환자 단위로 분리하여 학습군, 검증군, 시험군으로 무작위 배정하였다. 심전도 신호를 입력으로 하여 연령을 예측하는 지도 학습 회귀 모델을 구축하였으며, DenseNet-121 구조를 기반으로 한 합성곱 신경망을 사용하였다. ECG-HA는 모델이 예측한 연속형 연령 값으로 정의하였고, ECG-HA와 실제 연령(chronological age) 간의 차이를 심장 나이 차이로 산출하였다. 모델 성능 평가는 결정계수(R²), 평균 절대 오차(mean absolute error, MAE), 평균 제곱근 오차(root mean squared error, RMSE), 그리고 피어슨 상관계수를 이용하여 수행하였다. 시험군에서 모델은 R² 0.783, 피어슨 상관계수 0.885, MAE 5.023년, RMSE 6.389년의 성능을 보여 ECG-HA와 실제 연령 간에 높은 일치도를 나타냈다. 연령대별 분석에서는 젊은 연령군에서 ECG-HA가 실제 연령보다 과대평가되고, 고령군에서는 과소평가되는 연령 의존적 편향이 관찰되었다. 추가 분석 결과, ECG-HA와 실제 연령의 차이가 5년 이상 증가할수록 심혈관 입원 발생률이 단계적으로 증가하는 경향을 보였다. 또한 고혈압이 있는 대상자에서 고혈압이 없는 대상자에 비해 전 연령대에서 ECG-HA가 일관되게 높게 나타났다. 결론적으로, 본 연구는 표준 12유도 심전도를 이용한 AI 모델이 명백한 심혈관 질환이 없는 대상자에서도 ECG 유래 심장 나이를 신뢰성 있게 추정할 수 있음을 보여준다. 중년층에서 가장 높은 예측 정확도를 보였으나, 연령 극단부에서는 체계적인 편향이 존재하였다. 이러한 한계에도 불구하고, 본 연구 결과는 ECG-HA가 비침습적인 생물학적 심장 노화 지표로 활용될 가능성을 시사한다. 다만, 연령 분포가 다양한 집단과 서로 다른 임상 집단을 대상으로 한 추가적인 검증과 모델 개선이 필요하다.

목차 (Table of Contents)

• I. Introduction １
• 1. Background １
• 2. Purpose of the Study ２
• II. Methods ２
• 1. Study Population ２
• 2. ECG Data and Preprocessing ４
• 3. AI Model Development ５
• 4. Definition of ECG-Derived Heart Age ６
• 5. Statistical Analysis ７
• III. Results ７
• 1. Baseline Characteristics ７
• 2. Model Performance ９
• 3. Comparison Between ECG-Derived Heart Age and Chronological Age １１
• 4. Clinical Outcomes １３
• IV. Discussion １７
• 1. Principal Findings １７
• 2. Clinical Implications １８
• 3. Comparison With Previous Studies ２０
• 4. Limitations ２２
• V. Conclusion ２３