심전도를 통한 심근경색 탐지를 위한 인공지능: 범위 검토

배경/목적: 급성 심근경색(MI)은 전 세계적으로 주요 사망 원인이며, 의료 시스템에 큰 부담을 줍니다. 진단 방법은 개선되었지만, 질병을 조기에 정확하게 탐지하는 것은 여전히 어렵습니다. 최근 인공지능(AI)이 ECG 기반 MI 탐지를 향상시키는 데 점점 더 많은 능력을 입증하였습니다. 이러한 관점에서 본 범위 검토의 목적은 ECG 데이터를 통해 MI 탐지를 위한 AI 응용 프로그램을 체계적으로 매핑하고 평가하는 것이었습니다. 방법: Ovid MEDLINE, Ovid Embase, Web of Science Core Collection, Cochrane Central에서 체계적인 검색이 수행되었습니다. 검색은 2015년부터 2024년 10월 9일까지의 출판물을 포함하였으며, 신뢰할 수 있는 번역이 있는 비영어 기사도 포함되었습니다. ECG를 통한 MI 진단에 AI를 사용한 연구가 적격하며, 다른 진단 방법을 사용한 연구는 제외되었습니다. 검토는 투명하고 방법론적인 보고를 보장하기 위해 PRISMA 확장(기타 범위 검토를 위한 PRISMA-ScR)에 따라 수행되었습니다. 총 7189개의 기사 중 220개가 포함되도록 선정되었습니다. 데이터 추출에는 첫 저자, 연도, 국가, AI 모델 유형, 알고리즘, ECG 데이터 유형, 정확도 및 AUC와 같은 매개 변수가 포함되어 모든 관련 정보가 캡처되도록 하였습니다. 결과: 출판물은 2015년부터 시작되어 2022년에 정점을 찍었습니다. 대부분의 연구는 12유도 ECG를 사용하였으며, Physikalisch-Technische Bundesanstalt 데이터베이스와 기타 공공 및 단일 센터 데이터셋이 가장 일반적인 출처였습니다. 합성곱 신경망과 서포트 벡터 머신이 우세하였습니다. 많은 보고서가 높은 명백한 성능을 설명하였지만, 이러한 추정치들은 비교적 작고 단일 출처 데이터셋 및 낙관적인 검증 전략에서 유래한 경우가 많았습니다. 57%의 연구에서 교차 검증이 보고되었고, 36%는 분할 방법을 명시하지 않았으며, 여러 자료에서는 간접 혹은 외부 검증 시 정확도가 감소한다고 언급하여 제한된 일반성을 나타냈습니다. 따라서 헤드라인 수치(때때로 정확도, 민감도 또는 특이도 ≥99% 등)는 데이터셋 크기, 사례 혼합 및 검증 디자인을 고려하여 해석해야 하며, 환자 수준의 독립성이 확보되지 않을 경우 스펙트럼/선택 편향, 과적합 및 잠재적 데이터 유출의 위험이 있음을 유의해야 합니다. 결론: ECG를 이용한 MI 탐지를 위한 AI 기반 접근이 빠르게 성장하고 있습니다. 진단 성능은 데이터셋 및 검증 문제로 제한됩니다. 보고, 데이터셋 및 검증 전략의 변동성이 노출되었으며, 표준화가 필요합니다. 향후 작업은 임상 통합, 설명 가능성 및 알고리즘 공정성을 다루어 안전하고 공평한 배치를 위한 노력이 필요합니다.