입원 중 뇌졸중 조기 예측, PPG 신호가 보여준 가능성

초록

본 연구는 입원 중 연속 모니터링을 받고 있던 환자들의 PPG 파형을 활용해 뇌졸중 발생 몇 시간 전을 예측하는 모델을 개발하였다. MIMIC‑III와 MC‑MED 데이터베이스에서 각각 176명, 158명의 고품질 PPG 데이터를 확보하고, LLM 기반 텍스트 마이닝으로 정확한 발병 시점을 추출하였다. 1‑차원 ResNet 모델은 46시간 전 예측에서 F1 점수 0.790.99를 달성했으며, 외부 데이터에서도 재조정 없이 높은 성능을 유지했다.

상세 분석

이 논문은 기존 임상 데이터가 사후에 기록되는 “라벨 갭” 문제를 해결하기 위해, 입원 중 발생한 뇌졸중 환자를 대상으로 사전 PPG 데이터를 확보한다는 독창적인 접근을 취한다. 먼저 ICD 코드와 LLM(구체적으로 Gemini 3 Pro) 기반 자연어 처리 파이프라인을 결합해 비구조화된 임상 기록에서 정확한 발병 시점을 ±15분 이내로 추출하고, 두 명의 신경과 전문의가 검증함으로써 라벨링 정확도를 95% 이상 확보하였다. 이렇게 확보된 시점은 전후 480분(8시간) 구간을 ‘정상’, ‘경고’, ‘버퍼’ 영역으로 구분하는 라벨링 전략에 적용돼, 데이터 누수와 레이블 오염을 최소화한다.

PPG 신호는 74개의 형태학적 바이오마커와 그 미분값을 포함한 고차원 피처를 추출하고, 각 피처를 개인별 베이스라인(초기 안정 구간 평균) 대비 상대 변위(F_rel)로 정규화한다. 이는 환자 간 생리적 이질성을 감소시키고, 급성 혈관 저항 변화와 같은 병리적 동향을 강조한다. 이후 Cohen’s d와 피어슨 상관계수를 이용해 효과 크기가 작은 피처와 다중공선성을 가진 피처를 제거, 최종 17개의 핵심 피처만을 모델에 투입하였다. 이러한 데이터 중심(feature‑centric) 접근은 모델이 실제 생리학적 신호에 기반한 예측을 수행하도록 만든다.

모델 아키텍처는 1‑차원 ResNet으로, 잔차 연결을 통해 장시간 시계열의 미세한 변화를 효과적으로 포착한다. 학습은 MIMIC‑III 내부 코호트에서 5‑fold 교차 검증으로 수행했으며, 4시간 전 F1 = 0.7956, 5시간 전 F1 = 0.8759 ± 0.0105, 6시간 전 F1 = 0.9406을 기록했다. 흥미롭게도 동일 모델을 MC‑MED 외부 코호트에 그대로 적용했을 때, 재조정 없이 F1 = 0.9256, 0.9595, 0.9888을 달성해 일반화 능력이 뛰어남을 입증한다. 이는 데이터 전처리와 라벨링이 모델 성능에 미치는 영향을 최소화하고, 신호 자체가 충분히 예측 정보를 담고 있음을 시사한다.

한계점으로는 입원 중 뇌졸중 사례가 전체 환자 대비 희귀해 샘플 수가 제한적이며, PPG 센서 종류와 부착 위치가 데이터셋마다 다를 수 있다는 점이다. 또한, 라벨링 과정에서 LLM이 놓칠 수 있는 미묘한 표현이나 시간 오류가 존재할 가능성이 있다. 향후 연구에서는 다기관·다센서 데이터를 통합하고, 멀티모달(ECG, 혈압 등) 신호와 결합해 예측 정확도를 더욱 높이는 방향이 필요하다.