12leads EKG를 이용한 Atrial Fibrillation 자동 진단 알고리즘의 개발 및 임상 검증

Abstract

Atrial fibrillation(AF)의 임상적인 의미로는 부정맥으로 인한 증상 및 뇌졸중 위험도의 증가라고 할 수 있다. AF 환자의 사망률은 AF가 없는 사람과 비교하여 2배에 달하고, 특히 심부전 환자의 경우는 정상 환자에 비하여 현저히 높은 사망률과 입원율을 보인다. AF의 심전도 파형은 f파가 noise와 비슷하여, noise가 있는 Sinus Arrhythmia 파형과의 구분이 어려운 문제점이 있으며, 이를 해결하기 위하여 f파의 amplitude와 RR interval을 이용하여 AF 진단 알고리즘을 개발하고 평가하게 되었다. 본 실험을 평가하기 위하여 Bionet 심전도 EKG3000을 사용하여 전남대학교 병원에서 임상데이터 1,270건(AF 149건, Sinus Normal Rhythm 및 기타 부정맥 데이터 1,121건)을 수집하였으며, 이중 157건(AF data 32case, Sinus Normal Rhythm and other arrhythmia data 125case)에 대하여는 GE Marquette의 MAC5000과 동시에 데이터를 받아 비교, 평가하였다. 데이터에 대한 진단 confirm은 전남대학교병원 순환기내과 전문의가 하였다. AF 진단을 위해 본 알고리즘에서는 f파 검출과 RR inverval을 이용하였으며, 일정 레벨의 threshold를 적용하여 f파 유무를 결정하였고, RR interval의 불규칙성을 판단하여 이를 자동 진단에 사용하였다. 그 결과, 전체 149건의 AF중 137건이 AF로 맞게 진단 되었으며, AF가 아닌 나머지 1,121건 중 25건이 AF로 잘못 판단되어, Sensitivity 91.9%, Specificity 97.7%로 나타났다. GE의 MAC5000 장비와 성능을 비교하기 위하여, Bionet EKG3000과 동시에 같은 데이터를 받아 테스트한 157건에 대한 결과로는 AF 32건이 모두 AF로 맞게 진단 되었으며, AF가 아닌 나머지 125건 중 2건이 AF로 잘못 판단되어, Sensitivity 100%, Specificity 98.4%의 결과를 보였다. 참고로 GE MAC5000의 경우 Sensitivity 93.7%, Specificity 98.4%의 결과를 보였다.; The atrial fibrillation (AF or A Fib) has been known as an important risk factor for stroke. The mortality of patients with AF is known to increase two times compared with the patients with no AF. Moreover, the association of heart failure with AF increases the rates of mortality and hospitalization very high. While the accurate detection of atrial fibrillation waves (f- wave) is very important in the automated diagnosis of AF, it is difficult to detect and distinguish from noise signal, because they are often too small or very similar in the amplitude and morphology. To solve this problem, we developed the automated AF diagnostic algorithm using f-wave amplitude and RR interval behavior. To improve the performance of the proposed algorithm, we determine the optimal threshold level to detect f-wave and the characteristics of RR interval irregularity using the large size of 12-lead EKG data base. We collected 1,270 consecutive cases including 149 cases (11.7%) with AF from the Chonnam University Hospital using Bionet EKG3000. Diagnosis of the EKGs were confirmed by a EKG specialist. Our diagnostic algorithm showed the sensitivity of 91.9% and specificity of 97.7% in the diagnosis of AF. We also compared the diagnostic values between Bionet EKG3000 and GE Marquette system, MAG5000 in the selected 157 cases comprising of 32 cases with AF. There was no significant difference between the two systems. The diagnostic sensitivity and specificity were 93.7% and 98.4%, respectively in the GE MAC5000, 100% and 98.4%, respectively in the Bionet EKG3000. Our proposed AF diagnostic algorithm showed robustness and high performance in the automated AF detection.