asthma, bronchitis, bronchiectasis, emphysema, lung fibrosis, COPD 청진 탐구!!

[문형철]

https://www.youtube.com/watch?v=jQyQTGNf2Rw

청진(stethoscope auscultation)은 호흡기 진찰의 기본이며,

정상 호흡음(normal breath sounds)과

이상 호흡음(adventitious sounds)으로 구분합니다.

소리의 pitch(고저),

timing(흡기/호기/양상),

quality(음질),

duration(지속 시간),

distribution(분포)을 체계적으로 평가합니다.

1. 정상 호흡음 (Normal Breath Sounds)

• Vesicular breath sounds (폐포 호흡음) 가장 흔한 정상음. 폐 실질(parenchyma)에서 발생.
  • 특징: 저음(low-pitched), soft/rustling (바스락거리는) quality. 흡기 > 호기 (흡기 길고, 호기 짧고 부드러움).
  • 청진 부위: 대부분의 폐야 (특히 말초).
  • 기전: 공기가 작은 기도와 폐포로 들어가면서 발생하는 turbulent flow.
  • 임상: 정상 성인에서 주로 들림. 감소 시: emphysema, pleural effusion, pneumothorax, obesity.
• Bronchial breath sounds (기관지 호흡음)
  • 특징: 고음(high-pitched), loud, tubular/hollow quality. 흡기 ≈ 호기 (호기 길고 명확).
  • 청진 부위: 정상적으로 trachea와 large bronchi 상부 (경부·상부 흉골).
  • 비정상 시: 폐 실질(consolidation, e.g. pneumonia)에서 들리면 abnormal bronchial breathing (전달음 증가).
  • 기전: 큰 기도에서 직접 전달.
• Bronchovesicular
  • 중간 성격. 큰 기관지 근처(상부 폐야)에서 정상적으로 들림.

평가 팁: 양측 대칭성, 강도, I/E ratio (Inspiratory:Expiratory ratio) 확인. COPD에서는 hyperinflation으로 vesicular sound 감소 + prolonged expiration.

2. 이상 호흡음 (Adventitious Lung Sounds)

(1) Wheezes (천명음, sibilant wheezes)

• 특징: Musical, high-pitched (>100–1000 Hz), continuous (>80–250 ms). 주로 호기성 (expiratory), 심하면 흡기 동반. Polyphonic (여러 주파수) 또는 monophonic.
• 기전: 기도 협착(narrowing)으로 인한 turbulent airflow (fluttering of airway walls).
• 임상:
  • 천식: polyphonic, variable, reversible with bronchodilator.
  • COPD: rhonchi와 혼재, fixed or dynamic collapse (emphysema).
  • Localized: tumor, foreign body, mucus plug 의심.
• 최신 관련: AI 음향 분석에서 mid-inspiration phase가 천식 vs COPD 감별에 유용 (이전 응답 참조).

(2) Rhonchi (저음 천명/코골이음)

• 특징: Low-pitched (<200–300 Hz), snoring/gurgling quality, continuous. 주로 호기성, 점액 이동으로 변화 가능 (cough 후 소실).
• 기전: 큰 기도(bronchi) 내 분비물(secretions) + 협착.
• 임상: COPD (chronic bronchitis), bronchiectasis, acute bronchitis. Wheeze와 함께 자주 동반.

(3) Crackles (수포음, rales)

• Fine crackles (세밀 수포음):
  • High-pitched, short (<20 ms), explosive, like Velcro or hair-rubbing. Late inspiratory predominant.
  • 기전: Collapsed small airways/alveoli가 재개방 (atelectasis, fibrosis).
  • 임상: Interstitial lung disease (ILD, e.g. IPF), heart failure (pulmonary edema), early pneumonia.
• Coarse crackles (조대 수포음):
  • Low-pitched, louder, bubbling. Early inspiratory or throughout.
  • 기전: Larger airways의 secretions.
  • 임상: COPD, bronchiectasis, pneumonia, aspiration.

(4) Stridor (천명성 호흡음, stridor)

• 특징: High-pitched, musical, 주로 흡기성 (inspiratory). Loud, central airway.
• 기전: Upper airway (larynx, trachea) obstruction.
• 임상: Croup, epiglottitis, tumor, foreign body, vocal cord paralysis. 응급 상황.

(5) Pleural Friction Rub (흉막 마찰음)

• 특징: Low-pitched, grating/leathery, biphasic (흡기+호기), localized.
• 기전: Inflamed pleural surfaces rubbing.
• 임상: Pleuritis, pneumonia with effusion, pulmonary embolism.

(6) 기타

• Diminished / Absent breath sounds: Pneumothorax, large effusion, severe emphysema, mainstem bronchial obstruction.
• Amphoric / Cavernous breath sounds: Large cavity (e.g. lung abscess).
• Egophony, whispered pectoriloquy: Consolidation 시 voice transmission 증가.

3. 청진 시 실전 팁 (임상 적용)

• 체계적 접근: Anterior, lateral, posterior; apex to base; 양측 비교. Sitting/leaning forward, deep breathing.
• Phase 분석: Inspiratory vs expiratory timing 중요 (e.g. wheeze mostly expiratory in obstructive disease).
• 동반 징후: Prolonged expiration (obstructive), hyperresonance (emphysema), dullness (effusion/consolidation).
• 최신 트렌드: Digital stethoscope + AI (spectrogram 분석) — wheeze/crackle detection accuracy 90% 이상. Voice analysis for exacerbation monitoring (2026 연구).

https://www.youtube.com/watch?v=jQyQTGNf2Rw

AI 폐음 분석기술

AI 폐음 분석은

전통 청진의 주관성·재현성 한계를 극복하고,

객관적·정량적 진단을 가능하게 하는 기술입니다.

특히

천식·COPD·폐렴·결핵 등

호흡기 질환의 조기 스크리닝,

exacerbation 예측,

원격 모니터링에 활용됩니다.

스마트폰·웨어러블·디지털 청진기와 결합해 telemedicine 시대 핵심 도구로 부상하고 있습니다.

1. 기본 원리와 Workflow

1. 데이터 수집: 전자 청진기(예: Littmann), 스마트폰 마이크, 웨어러블 패치.
2. 전처리: Denoising (EMD, spectral subtraction), segmentation (respiratory cycle detection).
3. Feature Extraction:
   • Spectrogram: Mel-spectrogram, STFT, Cochleogram (시간-주파수 이미지 변환 → CNN/ViT 입력).
   • 기타: MFCC (Mel-Frequency Cepstral Coefficients), Wavelet Entropy/Energy, Chroma, Tonnetz.
4. 모델링: ML (CatBoost, SVM) + DL (CNN, Transformer, LSTM).
5. 출력: Wheeze/Crackle detection, disease classification (normal/asthma/COPD), severity scoring.

최신 트렌드 (2025–2026): Multimodal fusion (음향 + 임상 metadata + voice)과 Explainable AI (Grad-CAM 등 attention map).

2. 주요 기술 및 성능 (Benchmark: ICBHI 2017 Dataset)

ICBHI 2017 (5.5시간, 920 recording, 6898 cycles: normal/crackle/wheeze/both)이 표준 benchmark입니다.

대표 모델 성능 (최근 리뷰 및 논문 종합):

• Wheeze/Crackle Detection: Sensitivity 0.90+, Specificity 0.95+ (소아 연구 pooled meta-analysis).
• 4-class Classification (Normal/Crackle/Wheeze/Both): ICBHI Score (Sens+Spec 평균) 60–64%대 SOTA (2026 기준, knowledge distillation/ensemble로 개선).
• Asthma vs COPD Screening: Multi-feature fusion + CatBoost → Accuracy 90.3% (F1: Healthy 0.945, Asthma 0.915, COPD 0.842).
• 기타: 1D-CNN (raw waveform 직접) 95% accuracy; Vision Transformer + Cochleogram 우수.

주요 아키텍처:

• CNN 기반 (ResNet, VGG, MobileNet): Spectrogram을 이미지로 취급. ResNet152V2 등에서 강력.
• Hybrid (CNN-LSTM, CNN-MoE): 시간적 연속성 + spatial feature.
• Transformer/ViT: Long-range dependency 우수.
• Ensemble & Distillation: Teacher 모델 ensemble로 student 성능 향상 (2026 SOTA 64.39 Score).

2025 종합 리뷰 (100개 연구 분석): DL 모델이 ML보다 우수 (90%+ accuracy). Challenge: class imbalance, device variability, noise.

3. 실제 적용 사례 (2025–2026)

• 디지털/웨어러블 청진기: Real-time wheezing counting (2D-CNN, >80% accuracy in COPD/asthma). Skin-attachable patch + mobile app.
• 스마트폰 Voice/Lung Sound: Exacerbation 예측 (pitch ↓, shimmer ↑ 변화). Asthma/COPD flare-up 1–3일 전 감지 가능.
• TB/기타 스크리닝: Google HeAR (bioacoustic foundation model), AI Diagnostics wearable (cough/lung sound으로 TB prescreen).
• Multimodal: Voice + clinical data + demographics → AUROC 0.85 (asthma detection).

천식·COPD 특화: 이전 응답에서 언급한 multivariate VAR/GMM (98% accuracy)나 wavelet 기반 모델처럼, mid-inspiration phase나 spectral features가 감별에 핵심. ACO (coexisting)에서도 eosinophilic vs neutrophilic pattern 구분 보조.

논문의 주요 구조

Capabilities & Features (역량과 특징)

• 화상 상담, 원격 모니터링, 웨어러블·IoT 기기 연동
• 전자 건강기록(EHR) 공유, e-처방, 앱 기반 자가관리
• AI·자동화 지원으로 의료진 업무 경감
• 만성질환(당뇨, 고혈압 등)에서 증상 추적·약물 순응도 관리 용이

Barriers (장벽)

• 프라이버시·보안·해킹 위험
• 초기 구축 비용 높음
• 인터넷·기기 안정성 문제
• 법적·제도적 장벽 (주 경계 진료 제한 등)
• 물리적 검사·검사실 검사 필요한 경우 한계 명확히 지적

17가지 주요 적용 분야 (Table 1) 장애인·노인 진료, 원격 치료, 학교 학생 진료, 정신건강, 피부과, 치과, 약물 추적, 감염병 대면 최소화, 비용 절감 등. COPD와 같은 만성 호흡기질환 관리도 이 범주에 포함됩니다.

결론: 텔레메디슨은 “대면 진료를 대체하는 것이 아니라 보완하는 도구”이며, 적절한 기술·제도·교육이 뒷받침될 때 진정한 가치를 발휘한다고 강조합니다.

1. 핵심 결론 (먼저)

Wheezing(고음의 musical sound, 주로 호기성)은 두 질환 모두에서 흔하고 중복됩니다. 순수 청진 소리만으로 감별하기 어렵습니다.

최신 가이드라인은 통합적 접근을 강조합니다:

• 병력 (발병 연령, 흡연력, 알레르기, 증상 변동성, 야간 악화)
• Spirometry (post-bronchodilator FEV₁/FVC < 0.7 → persistent obstruction in COPD)
• 가역성 검사 (GOLD 2025에서 routine reversibility testing은 진단적 가치 낮아 권고하지 않음)
• Biomarker (혈액/객담 호산구, FeNO — T2-high asthma에서 유용)
• 영상 (HRCT — emphysema vs airway wall thickening)

Wheezing 음향 특성 자체의 차이는 미세하며, 최근 AI/ML 폐음 분석 연구에서 높은 정확도로 감별 가능성이 보고되고 있습니다.

2. 천식 vs COPD wheezing 징후 비교 (임상 + 음향)

표: 주요 차이점 요약

항목천식 (Asthma)COPD비고 (최신 근거)

증상 패턴	에피소드성, 변동성 높음, 야간/새벽 악화 흔함	지속적/점진적, 운동 시 악화, 아침 최악	GINA 2025, GOLD 2026
Wheezing pitch/질	고음 (high-pitched, sibilant, musical), polyphonic (여러 주파수)	고음~저음 혼재, rhonchi (저음 코골이 소리) 흔함, monophonic 가능	음향 연구에서 spectral 차이
주요 발생 시기	주로 호기, 중증 시 흡기 동반	호기 우세 (dynamic airway collapse)	공통적이지만 COPD에서 prolonged expiration + hyperinflation 징후 동반
변동성 / BD 반응	높음 — 단기 bronchodilator로 호전 or 소실 흔함	낮음 — 부분적 또는 고정성	GOLD 2025: reversibility 단독으로 감별 금지
동반 청진 소견	Wheeze 위주, crackle 적음	Coarse crackle + rhonchi 흔함 (점액/염증)	Emphysema: breath sound 감소
기저 기전	가역적 기관지경련 + 호산구성 염증 (T2)	고정성 협착 + 호중구성 염증 + 구조적 변화 (emphysema)	ACO 환자에서 혼재
기타 신체 징후	Chest tightness, accessory muscle 사용 (급성)	Barrel chest, hyperinflation, diminished BS	COPD에서 더 두드러짐

Wheezing 발생 기전

공통점: 기도 협착 → turbulent airflow → musical sound (보통 100~1000 Hz 이상).

차이점: 천식은 염증+경련 중심의 가변적 협착, COPD는 점액+탄성 소실+기도 허탈 중심의 상대적으로 고정된 협착.

3. 최신 음향 분석(Acoustic Analysis) 연구 — AI/ML 기반 감별

순수 청진으로는 어렵지만, 다채널 폐음 + 머신러닝 연구에서 높은 정확도가 보고됩니다 (연구 단계, 아직 일상 진료 표준은 아님).

• 2021년 연구 (PubMed 33400647): 14채널 폐음 기록 → Multivariate Autoregressive (VAR) 모델 + GMM/SVM 분류기. 정확도 98% (천식 100%, COPD 95%). 가장 판별력 높은 phase: mid-inspiration. Spirometry가 어려운 상황에서 보조 도구로 유망.
• Wavelet 기반 연구 (약 2021~2022): EMD denoising 후 Wavelet Entropy (WE) + Wavelet Packet Energy (WPE) 특징 추출 → Decision Tree classifier. 3-class (정상/천식/COPD) 정확도 99.3%.
• 기타 2022~2026 연구: Kaggle Respiratory Sound Database 기반 CNN/deep learning, cough sound MFCC/LPC 특징 분석 등에서 90% 이상 정확도 보고. 2024 체계적 고찰(acoustic biomarkers in asthma)에서는 wheeze/cough detection median accuracy ~92% (range 61–100%).

음향적으로 관찰되는 미세 차이:

• 주파수 분포와 harmonic 구조
• Signal entropy/complexity (염증 vs 구조적 변화)
• Inspiratory vs expiratory energy ratio
• 2026년 연구: exacerbation 시 voice 변화 (pitch ↓, shimmer ↑)는 천식과 COPD에서 유사하게 나타남 → exacerbation 조기 감지 가능성 (스마트폰 기반 원격 모니터링)

4. Asthma-COPD Overlap (ACO) / Coexisting disease

GOLD/GINA 최근 입장: “ACO syndrome”이라는 단일 질환으로 보지 않고, 두 질환이 공존하는 환자로 접근. 이 환자들은 wheezing이 더 심하고, exacerbation 빈도가 높으며, ICS + LABA/LAMA 병용이 중요합니다. Eosinophilia(≥300/μL)나 알레르기 과거력이 있으면 ICS 효과가 좋습니다.