착용형 폐 패치, 심층 학습을 통해 천식 및 COPD 감지

천명음은 고음의 휘파람 소리로, 기도 염증과 부종으로 인해 천식 및 만성 폐쇄성 폐질환(COPD) 등 만성 호흡기 질환의 일반적인 지표입니다.

2023년에는 미국 성인의 거의 9%가 천식이 있었으며, COPD는 미국에서 사망 원인 중 하나로 남아 있습니다.

천식과 COPD의 조기 발견 및 관리가 중요합니다. 전 세계적으로 천식과 COPD는 진단이 부족한 상태입니다(천식의 경우 20-70%, COPD의 경우 최대 81%). 또한, 미국 질병통제예방센터(CDC)는 천식이 50%의 아동과 62%의 성인에서 조절되지 않고 있다고 추정하여 빈번하고 심각한 에피소드를 초래하고 있습니다. 이는 응급실 방문과 결석일 및 결근일을 증가시킬 수 있습니다.

디지털 청진기는 전통적인 청진기보다 개선된 장치이지만 공기 중 소음을 수집하여 천명음 감지에 방해가 됩니다.

진료실에서 스크리닝 도구로 사용되거나 원격 환자 모니터링을 위한 발전된 기술 솔루션이 필요합니다. 이는 의사가 조기에 개입할 수 있게 합니다.

조지아 공과대학교의 연구자들은 자동으로 천명음을 감지할 수 있는 고감도 센서가 장착된 웨어러블 패치와 짝지어진 딥 러닝(DL) 모델을 개발했습니다. 이 딥 러닝 모델은 호흡기 질환을 분류할 수 있는 잠재력을 가지고 있어 진단 및 치료 속도를 높일 수 있습니다. 파일럿 환자 연구 결과는 BioSensors에 발표되었습니다.

현재 의사들이 하는 일

의사들은 일반적으로 디지털 청진기(골드 스탠다드)를 사용하여 천명음 및 진동음과 같은 비정상적인 폐 소리를 듣고 기록합니다. 그들은 각 녹음을 들어 천명음, 진동음 또는 정상 호흡 소음을 판별합니다.

천명음으로 데이터 레이블링의 표준 방법에는 체크리스트(즉, 알고리즘)를 사용하여 천명음이 특정 요구 사항을 충족하는지 판단하는 컴퓨터화된 시간-주파수 분석이 포함됩니다. 그러나 연구자들에 따르면 알고리즘은 포괄적이지 않아 일부 사례가 누락될 수 있습니다.

새로운 웨어러블 패치

연구자들은 이러한 단점을 해결하기 위해 새로운 웨어러블 장치를 설계했습니다. 이 패치에는 전통적인 디지털 청진기의 마이크와 달리, 왜곡이 최소화된 상태에서 높은 감도로 미세 진동을 감지할 수 있는 마이크로칩 센서가 있습니다.

“우리의 감지 패치는 천명음과 진동음의 모든 변형을 감지하는 데 어려움을 겪는 전통적인 천명음 감지에 비해 많은 이점을 가지고 있습니다. 이는 잘못된 진단으로 이어질 수 있습니다.”라고 조지아 공과대학교 전기 및 컴퓨터 공학 교수인 Farrokh Ayazi 박사가 말했습니다.

“이러한 천명음 변형의 데이터를 딥 러닝 모델에 통합하고 센서의 주변 소음을 제거하는 능력을 활용함으로써, 우리의 감지 방법은 표준 시간-주파수 접근법에 비해 더 높은 정확도와 민감도[천명음의 존재를 올바르게 식별함] 및 특이도[천명음의 부재를 올바르게 식별함]를 달성했습니다.”라고 그는 말했습니다.

딥 러닝 모델 개발

폐 소리 녹음은 외래 천식 클리닉이나 병원 환경의 52명의 환자로부터 취득되었습니다. 52명 중 25명이 비만이었으며, 이는 전통적인 폐 녹음의 질에 영향을 미칠 수 있습니다.

녹음을 얻기 위해 환자들은 가슴의 최대 9개 다른 위치에 소형 패치를 착용했습니다. 각 위치에서 환자가 30초 동안 심호흡을 할 때 데이터를 기록했습니다. 비교를 위해 의사들은 같은 가슴 위치에서 디지털 청진기를 사용하여 폐 녹음을 얻었습니다.

의사들은 두 출처의 녹음을 듣고, 실험적으로 천명음을 들었는지 여부를 판단한 후 임상 평가 후 진단을 제공했습니다. 디지털 청진기와 웨어러블 패치 간의 레이블이 붙은 천명음은 비만 환자들 간에도 높은 동기화가 있었습니다. clinician이 레이블을 붙인 데이터는 딥 러닝 모델에 통합되어 천명음 소리와 정상 호흡 소리를 구분할 수 있었습니다.

DL 모델과 표준 방법 비교

연구자들은 패치 또는 디지털 청진기와 짝지어진 천명음 감지를 위해 딥 러닝 모델을 표준 시간-주파수 방법과 비교했습니다.

패치와 짝지어진 딥 러닝 모델은 천명음 감지에 대해 평균적으로 가장 높은 정확도, 민감도 및 특이도 비율을 지속적으로 보였으며 각각 95%, 96%, 93%로 나타났습니다. 이 조합은 패치 또는 디지털 청진기와 짝지어진 시간-주파수 방법 및 디지털 청진기와 짝지어진 딥 러닝 방법보다 우수했습니다.

이 연구에는 몇 가지 제한점이 있습니다: 유일한 자동화된 구성 요소는 딥 러닝 모델이며, 이로 인해 임상 설정에서의 적용이 제한되고 발견은 더 크고 다양한 환자 샘플에서 추가 검증이 필요합니다.

미래를 바라보며

연구자들은 웨어러블 패치 프레임워크의 두 가지 잠재적 용도를 구상하고 있습니다. 하나는 클리닉에서 단기 스크리닝을 위한 것이고, 다른 하나는 장기적인 홈 모니터링을 위한 것입니다. 연구자들은 원격 모니터링을 위한 무선 버전의 패치를 개발하고 있으며 이는 환자의 의사에게 데이터를 전송하여 치료를 촉진할 수 있습니다.

“이 비침습적이고 신속한 환자의 호흡 및 폐 상태 분석은 호흡기 질환의 조기 발견을 개선할 수 있으며, 특히 천식 및 COPD의 위험이 더 높은 비만 환자에게 특히 중요합니다.”라고 NIBIB의 건강 정보 기술 부서의 프로그램 디렉터인 Tiffani Lash 박사가 말했습니다.

“이러한 기술 솔루션은 건강 결과를 개선하고 이러한 만성 질환을 가진 사람들의 부담을 줄이는 잠재력을 가지고 있습니다.”라고 그녀는 말했습니다.