Tele-medicine 원격진료 시대 -- COPD 관리 방법, AI 청진, 폐음, 심장질환, HRV 등

[문형철]

Abstract 핵심 요약

판막성 심장질환(Valvular Heart Disease, VHD)은

공중보건 문제로 성장 중이지만,

증상 발현이 늦고 인식 부족,

전통 청진의 낮은 민감도로 인해 50% 이상이 진단되지 않습니다.

심장 판막 질환(Heart Valve Disease) 요약

심장 판막 질환은
심장의 4개 판막(대동맥판·승모판·폐동맥판·삼첨판) 중
하나 이상이 제대로 열리지 않거나(협착, Stenosis) 닫히지 않아(역류, Regurgitation)
혈액 흐름을 방해하는 질환입니다.

주요 문제:

• 협착(Stenosis): 판막이 좁아져 혈액이 통과하기 어려움 (예: Aortic valve stenosis).
• 역류(Regurgitation): 판막이 제대로 닫히지 않아 혈액이 역류 (예: Mitral regurgitation).
• 탈출(Prolapse): 판막이 늘어나거나 처짐 (Mitral valve prolapse).

원인 및 영향

• 판막이 제대로 작동하지 않으면 심장이 더 열심히 일해야 하고, 혈류가 감소합니다.
• 방치 시 심부전, 부정맥, 생명 위협 수준으로 진행될 수 있습니다.
• 많은 경우 증상이 늦게 나타나 (silent epidemic) 조기 발견이 어렵습니다.

치료

• 수술 또는 최소침습 시술(판막 수복·교체)로 정상 기능 회복 가능.
• 조기 발견·개입 시 일상생활 복귀가 가능합니다.

• 기존 AI 도구: murmur(잡음) 탐지를 proxy로 사용 → mitral regurgitation 등 주요 아형에서 민감도 부족, 소규모 데이터셋 한계.
• 본 연구 기여: 청진기 녹음으로부터 직접 clinically significant VHD를 예측하는 새로운 neural network 개발. Echocardiography(심초음파) ground truth로 학습 (murmur label 아님).
• 데이터: UK 다기관(multi-centre) 1,767명 환자 (primary care + hospital, 48% female). Digital stethoscope 녹음 + echo label 결합.
• 모델: Recurrent Neural Network (RNN).
• 성능:
  • 전체 AUROC 0.83 (일반 개원의 GP보다 우수).
  • Severe Aortic Stenosis: Sensitivity 98%.
  • Severe Mitral Regurgitation: Sensitivity 94%.
• 의의: 저비용·확장 가능한 screening tool. 조기 진단 → 적시 개입(intervention) 가능.

연구 배경 및 방법

• 문제 인식: 전통 청진은 주관적이고 민감도가 낮음. VHD (특히 aortic stenosis, mitral regurgitation)는 “silent epidemic”으로 불림.
• 혁신: Murmur detection이 아닌 echo-confirmed VHD 직접 예측. 다기관 데이터 (CAIS study, DUO-EF study 등 NHS Trust 참여).
• 모델: Digital stethoscope 녹음 → RNN 기반 AI (상세 아키텍처는 full text 참조).
• 평가: Internal/external validation, GP 비교.

Concise하고 clinician/patient 중심,

Heart Team 강조,

Heart Valve Centre 역할 강화,

imaging 기준 명확화,

intervention timing/방법 업데이트.

주요 업데이트 포인트 (2021 대비)

1. Heart Team & Heart Valve Centre
   • 다학제 Heart Team이 핵심 (환자 중심 의사결정).
   • 복잡한 VHD나 고난도 시술은 Heart Valve Centre에서 수행 (volume-outcome 관계 강조).
2. Aortic Stenosis (AS)
   • Asymptomatic severe high-gradient AS: Early intervention (Class IIa) 권고 (기존 surveillance 대신).
   • TAVI 적응증 확대: Tricuspid AS에서 70세 이상 (이전 75세) anatomically suitable 환자에 TAVI 추천 (surgical risk 무관).
   • Lifetime management 고려 (재시술 가능성).
3. Mitral Regurgitation (MR)
   • Primary MR (PMR): Asymptomatic 환자에서 early surgical repair (Class I) 강화, indexed LVESDi 기준 도입.
   • Secondary MR (SMR): Ventricular SMR에서 TEER (transcatheter edge-to-edge repair) Class I (Level A) — GDMT 실패 시 HF hospitalization 감소.
   • Atrial SMR 별도 분류 및 관리 알고리즘.
4. Tricuspid Regurgitation (TR)
   • Left-sided surgery 시 moderate/severe TR에서 concomitant repair 강화.
   • High-risk symptomatic severe TR에서 transcatheter 치료 (Class IIa).
5. 기타 주요 변화
   • Multimodality imaging (3D echo, CCT, CMR) 역할 확대.
   • Multiple/mixed VHD 진단 기준 명확화.
   • Prosthetic valve antithrombotic therapy 단순화.
   • Sex-specific considerations, pregnancy 관리 등 신규 섹션.
   • Minimally invasive surgery, TMVR (transcatheter mitral valve replacement) 등 transcatheter 옵션 확대.

연구 배경 및 목적

판막성 심장질환(Valvular Heart Disease, VHD)은 조기 발견이 어렵고,

전통 청진(standard of care, SOC)의 민감도가 낮아 많은 경우 놓칩니다.

이 연구는 AI-enabled digital stethoscope가

primary care(일차 진료)에서 moderate-to-severe VHD screening을 얼마나 개선하는지 평가했습니다.

• 연구 설계: Prospective study, 50세 이상 심장 위험군 357명 (미국 primary care 3곳).
• 비교: PCP(일차 진료의)의 전통 청진(SOC) vs. digital stethoscope + AI 분석.
• Gold standard: Echocardiography(심초음파) + audible murmur annotation.

주요 방법

• Digital stethoscope로 고품질 심음 녹음 → AI 알고리즘(heart sound pattern 인식)이 VHD 예측.
• AI는 murmur detection이 아닌 clinically significant VHD 직접 예측.

주요 결과

• Audible VHD detection sensitivity:
  • AI: 92.3%
  • SOC (전통 청진): 46.2% (AI가 2배 이상 우수, p=0.01)
• Echo-confirmed moderate-to-severe VHD sensitivity:
  • AI: 39.7%
  • SOC: 13.8% (거의 3배, p=0.01)
• Specificity: AI가 다소 낮음 (86.9% vs 95.6%, p<0.001) → false positive 증가하지만, screening 목적상 acceptable.
• 임상 영향: AI가 12건의 이전 미진단 VHD를 발견 (전통 청진은 6건).

결론 및 의의

AI-enabled digital stethoscope는

primary care point-of-care screening에서 VHD 조기 발견을 크게 향상시킵니다.

저비용·비침습적 도구로,

echo referral을 최적화하고 적시 치료를 가능하게 합니다.

디지털 청진기는

수동 청진의 주관성 제거,

진단 정확도 향상,

청진 기술 저하 보완을 위한 통합 AI 시스템 개발을 가능하게 합니다.

그러나

서로 다른 장치 간 센서 편향(sensor bias)이 scalable AI 개발의 큰 장애물입니다.

이 연구에서는

디지털 청진기의 주파수 응답(frequency response)을 정확히 측정하는 효과적인 방법론을 제시하고,

세 가지 상용 디지털 청진기(Littmann 3200, Eko Core, Thinklabs One)를 기술적으로 특성화했습니다.

주요 결과:

• 세 장치의 주파수 응답이 명확히 다름 (significant inter-device variability).
• Littmann 3200 두 대 간 중간 정도의 intra-device variability.
• AI-assisted auscultation 성공을 위해 장치 간 정규화(normalization)가 필수적임을 강조하며, 이를 위한 기술적 특성화 방법을 첫 단계로 제안합니다.

연구 배경 및 목적

• 전통 청진: 주관적이고, 의사 간 차이 크며, 교육·유지 어려움.
• 디지털 청진기 + AI: 객관적 데이터화 → 자동 분류, 원격 진료, scalable 시스템 가능.
• 문제: 제조사들이 완전한 사양(특히 frequency response)을 공개하지 않음. 장치마다 음향 특성이 달라 AI 모델이 특정 장치에 과적합(overfit)되거나 일반화(generalization) 실패.
• 목적: 재현 가능하고 정확한 frequency response 측정 방법론 개발 + 상용 3개 장치 비교 → AI scalable auscultation의 기반 마련.

방법 (Key Contribution)

• Frequency response 측정 방법론: 체계적이고 재현 가능한 테스트 플랫폼/절차 개발.
  • 표준 음원(스피커 등) 사용.
  • 다양한 주파수 대역에서 입력 신호 → 출력 신호 비교.
  • Sampling rate: 4 kHz (상용 장치와 호환, 계산 부하 감소).
• 대상 장치:
  1. 3M Littmann 3200
  2. Eko Core
  3. Thinklabs One
• Intra-device variability 평가: Littmann 3200 두 대 비교.

주요 결과

• Inter-device variability: 세 장치의 주파수 응답 곡선이 뚜렷하게 다름 (저주파/고주파 민감도, roll-off 특성 등 차이).
• Intra-device variability: Littmann 3200 두 대 간 moderate variability (같은 모델이라도 단위 간 차이 존재).
• 이는 AI 학습 데이터가 특정 장치에 치우치면 다른 장치에서 성능 저하를 일으킬 수 있음을 의미.

논의 및 AI 함의

• 중요성: AI 모델이 scalable하려면 장치 독립적(device-agnostic)이거나, 정규화/보정(calibration) 단계가 필수.
• Frequency response 차이는 heart sound / lung sound / bowel sound 등 body sound 분석 모두에 영향.
• 실제 적용:
  • AI 학습 시 multi-device 데이터 + normalization 기법 필요.
  • Telehealth, remote monitoring, pediatric/general auscultation에서 신뢰성 확보.
• 이전 연구(Arjoune 팀의 StethAid 플랫폼 등)와 연계: 기술적 특성화가 AI 플랫폼의 기반.

결론

디지털 청진기의 기술적 특성화(특히 frequency response)는

scalable AI-based auscultation의 필수 선행 단계입니다.

이 논문은 실용적인 측정 방법론과

3개 주요 장치의 비교 데이터를 제공하여,

향후 장치 간 호환성·일반화 연구의 기반을 마련했습니

https://pmc.ncbi.nlm.nih.gov/articles/PMC8590973/

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.

• 4가지 주요 카테고리 (색상으로 구분):
  1. Chronic Health Management (만성 건강 관리) — 빨간색 계열
  2. Throughout Care (전 과정 케어 / 지속적 케어) — 회색 계열
  3. Prescription Compliance (처방 준수 / 약물 관리) — 갈색 계열
  4. Store-and-Forward (저장 후 전달) — 노란색 계열

각 카테고리는 텔레메디슨이 의료의 다양한 측면을 어떻게 지원하는지를 보여줍니다.

1. Chronic Health Management (만성 건강 관리)

만성질환(당뇨, 고혈압, COPD, 심부전 등) 환자 관리를 중점으로 다룹니다.

• 1.1 Care following a hospitalization — 입원 후 후속 관리 (퇴원 후 모니터링, 재입원 방지)
• 1.2 Hyper-specialty Care — 초고도 전문 케어 (희귀질환·복잡한 만성질환 전문의 원격 진료)
• 1.3 Team-based medicine — 팀 기반 의료 (의사·간호사·영양사·재활치료사 등 다학제 협진)

2. Throughout Care (전 과정 케어 / 지속적 케어)

환자의 질환 관리 전 주기(진단~회복~유지)를 아우르는 지속적 케어.

• 2.1 Remote follow-up visits — 원격 추적 관찰 (화상 진료, 정기 모니터링)
• 2.2 More flexible practices — 더 유연한 진료 방식 (시간·장소 제약 감소)
• 2.3 Effective chronic disease care — 효과적인 만성질환 케어

3. Prescription Compliance (처방 준수)

약물 치료의 핵심인 순응도를 높이는 데 초점.

• 3.1 Virtual second opinions — 원격 세컨드 오피니언 (다른 전문의 의견 수렴)
• 3.2 Mental health services — 정신건강 서비스 (우울·불안 동반 시 원격 상담)
• 3.2 Lifestyle support — 생활습관 지원 (식이·운동·금연 코칭 등, 번호가 중복 표기된 듯함)

4. Store-and-Forward (저장 후 전달)

비실시간(비동기) 텔레메디슨 방식. 환자 데이터(사진, 영상, 검사 결과)를 저장했다가 나중에 전문의가 검토하는 방식.

• 4.1 Functional and alternative medicine — 기능의학 및 대체의학
• 4.2 Recovery after a natural disaster — 자연재해 후 회복 지원 (재난 상황 원격 진료)
• 4.3 Eldercare — 노인 케어 (거동 불편 노인 대상)

COPD의 비정상 폐음 wheeze, crackle, rhonche 

AI 진단장비 탐구

COPD에서 비정상 폐음은

기도 폐쇄·악화(exacerbation)를 반영하는 중요한 객관적 지표입니다.

기존 청진은 주관적이고 재현성이 낮아,

AI 기반 디지털 청진·스마트폰 음향 분석이

텔레메디슨(원격 모니터링, 조기 악화 감지, 자가/지역사회 스크리닝)에 매우 적합합니다.

최근 연구는

스마트폰 앱(기침·음성·호흡음), 웨어러블/무선 디지털 청진기,

엣지 컴퓨팅(스마트폰·Raspberry Pi 등 온디바이스 AI) 방향으로 발전하고 있으며,

일부는 이미 FDA/CE 승인·상용화 또는 대규모 파일럿 단계에 있습니다.

1. 주요 최신 논문 (2025~2026)

Cough Search: 스마트폰 기침 소리 기반 COPD 조기 검출 (npj Primary Care Respiratory Medicine, 2026.3)

• Transformer 기반 딥러닝 모델로 자발적 기침 소리를 분석.
• 성능: 내부 검증 AUC 0.92, 외부 검증(4개 병원, 105 COPD vs 617 non-COPD) AUC 0.94, 민감도 92.4%, 특이도 85.6%. GOLD 3-4 중증에서 민감도 >93%.
• 스마트폰만으로 가능 → 자원 제한 지역·텔레메디슨에 최적. 품질 보증(QA) 후 멜-스펙트로그램 입력.
• 장점: 저비용, 전문 인력 불필요, 대규모 스크리닝 가능.

만성 폐쇄성 폐질환(COPD)의 조기 진단은

효과적인 관리에 매우 중요하지만,

전문 스피로미터(spirometer) 같은 기존 도구는 자원이 제한된 환경에서 접근하기 어렵습니다.

이 연구에서는

스마트폰으로 녹음한 자발적 기침 소리(cough sound)를 이용해 COPD를 신속하게 탐지하는

Cough Search라는 딥러닝 알고리즘을 개발·검증했습니다.

비용 효율적이고 광범위하게 접근 가능한 대안으로 제안됩니다.

방법

• 모델: Transformer-based neural network.
• 훈련 데이터: Training cohort (COPD 406명 + non-COPD 1631명).
• 내부 검증: Balanced internal validation cohort (COPD 151명 + non-COPD 225명).
• 외부 검증: 4개 병원에서 수집된 external validation cohort (COPD 105명 + non-COPD 617명).
• 진단 기준: 스피로미터(spirometry)와 임상 진단으로 COPD vs non-COPD 분류 (GOLD 기준 적용).

주요 결과

• 성능 지표:
  • Internal validation: AUC 0.92
  • External validation: AUC 0.94, Sensitivity 92%, Specificity 86%
• COPD 중증도별 성능: 모든 단계에서 안정적. 특히 중증(GOLD 3–4) sensitivity 93% 이상, 중등도(GOLD 1–2) 91% 이상.
• 추가 강점: 다른 비-COPD 호흡기 질환, 다양한 스마트폰 모델에서도 성능이 robust하게 유지.

의의 및 한계

• 강점: 스마트폰만으로 누구나 쉽게 사용할 수 있는 비침습적·저비용 스크리닝 도구. 특히 의료 자원이 부족한 지역(underserved areas)에서 COPD 조기 발견을 크게 개선할 잠재력.
• 임상 적용: GOLD 단계별 민감도가 높아 중증 환자 선별에 특히 유용하며, 기존 진단의 보조/대체 도구로 활용 가능.

전체적으로 Cough Search는

AI 기반 음향 분석이 COPD 진단 접근성을 획기적으로 높일 수 있음을 보여주는 실증 연구

Wearable Stethoscope (LSMP: Lung-Sound-Monitoring-Patch) – 실시간 폐음 모니터링 및 wheezing 자동 탐지 (Engineering, 2025.10)

• 무선·피부 부착형 저전력 웨어러블 패치. MEMS 마이크 + MCU + 배터리.
• AI: 2D CNN 모델로 정상/비정상 호흡음 분류 + wheezing 이벤트 실시간 카운팅 (호흡 주기 무관).
• COPD 노인 환자 장기 모니터링에서 임상의 평가와 >80% 일치. 천식 소아 환자에서도 wheezing 주파수 특성 분류 성공.
• 모바일 앱 연동으로 실시간 모니터링·원격 전송 가능. 장기 호흡기 질환 관리에 적합한 텔레메디슨 지향 장치.

https://www.sciencedirect.com/science/article/pii/S2095809925000086?via%3Dihub#f0025

이 그림은
Lung-Sound-Monitoring-Patch (LSMP) 웨어러블 스테토스코프 논문에서
건강한 피험자의 생체음(bioacoustic signal)으로
심박수(HR)와 호흡수(RR)를 동시에 추출하는 데이터 처리 과정을 보여줍니다.

(a) HR (Heart Rate) 처리 흐름도

• Original → Band pass filter (20–200 Hz) → Derivative → Squaring → Dynamic thresholds → Convolution filter → Labeling (S1, S2) → Estimation HR
• 심음(S1: 수축기, S2: 이완기) 중심으로 처리.

(b) RR (Respiratory Rate) 처리 흐름도

• Original → Band pass filter (200–500 Hz) → Sampling & windowing → FFT → Labeling (inhale/exhale) → Find peak → Estimation RR
• 호흡음(넓은 대역, breezy sound) 중심으로 처리.

주요 시각화 결과

• (c): 원본 생체음 신호 (심음: 파란색, 호흡음: 빨간색이 중첩).
• (d): HR 추출 결과 — 120 bpm (빨간 박스로 표시된 구간).
• (e): RR 추출 결과 — 13 breaths/min (Inhale/Exhale 주기 표시).
• (f): S1/S2 라벨링 상세 — Cardiac cycle, Diastolic/Systolic 구분.
• (g): Spectrogram (주파수-시간) — Inhale/Exhale 패턴 명확히 구분.
• (h): RSSI (신호 강도) — 옷 착용 유무에 따른 5m 거리까지 안정적 무선 전송 성능 (Bluetooth).

핵심 의미

• LSMP가 심음과 호흡음을 효과적으로 분리하여 HR/RR을 정확하게 실시간 추출할 수 있음을 입증.
• 옷 위/아래 모두 안정적인 신호 수신 → 실생활 적용성 높음.
• 이후 wheezing detection, AI 분류의 기반이 되는 전처리 알고리즘을 보여주는 중요한 figure입니다.

전통적인 청진기는

시간·공간적 제약(간헐적 사용, 주관적 해석, 외부 소음 등)으로 인해

호흡음(특히 adventitious sound)의 지속적 모니터링에 한계가 있습니다.

이 연구에서는

피부 부착형 웨어러블 스테토스코프(LSMP: Lung-Sound-Monitoring-Patch)를 개발하여

무선·연속·실시간 폐음 모니터링과 AI 기반 천명음(wheezing) 자동 탐지·계수를 가능하게 했습니다.

주요 기술 및 방법

• 하드웨어 (LSMP): 무선, 저전력, 피부 부착형 패치. 생체음(심음·호흡음)과 외부 소음을 효과적으로 분리.
• 소프트웨어: 모바일 앱 연동으로 호흡 기능 실시간 모니터링.
• AI 알고리즘:
  • 2D Convolutional Neural Network (CNN) 기반 딥러닝 모델 (de novo 구축).
  • Augmented lung-sound dataset으로 학습.
  • 정상 vs 비정상(천명음 등) 호흡음 분류 + 호흡 주기와 무관한 실시간 wheezing event counting 알고리즘.

임상 검증 및 성능

• 대상: 소아 천식 환자 + 고령 COPD 환자.
• 주요 결과:
  • 천명음 등 adventitious breathing sound를 특정 주파수에서 정확히 분류.
  • 장기 임상 적용(COPD 환자)에서 AI 기반 wheezing event counter가 임상의사 계수와 80.5% 일치율 (80% 이상 이벤트 구분, 특히 wheezing에 강함).
  • 외부 소음 환경에서도 robust한 성능.
• 장점: 연속 모니터링으로 증상 악화 조기 감지, 증상 중증도·시간 경과 추적 가능.

의의 및 잠재력

• 기존 청진기의 한계를 극복한 웨어러블·AI 통합 솔루션.
• COPD, 천식 등 호흡기 질환의 원격·가정 모니터링, 증상 악화 예측, 치료 효과 평가에 큰 잠재력.

이 그림은
LSMP (Lung-Sound-Monitoring-Patch)를
소아 천식 환자에게 부착한 실제 사용 사례와,
정상 호흡 vs 비정상 호흡(천명음)을 구분하는 음향 분석 결과를 보여줍니다.

(a) 실제 착용 사진

• 영아(기저귀 착용) 등에 LSMP 패치를 부착하고, 스마트폰 앱으로 실시간 모니터링 중.
• 가정/병원 환경에서 연속 무선 모니터링이 가능함을 시각화.

(b) 시간 영역 파형 (Waveform)

• 0~6초: 정상 호흡 (Inhale/Exhale 주기 규칙적, 안정적).
• 6초 이후 (빨간 박스): 비정상 호흡 — 강도와 패턴이 불규칙하고, 높은 진폭 변동.

(c) 정상 호흡 Spectrogram

• Inhale/Exhale이 명확히 구분.
• 주파수 분포가 부드럽고, 특정 주파수대에 집중된 이상 신호 없음.

(d) 비정상 호흡 Spectrogram (Wheezing)

• 빨간 박스 & 점선: Wheeze (천명음) 특징적인 고주파/특정 주파수대(약 200~400 Hz)에서 강한 에너지 피크.
• Inhale/Exhale 구간에서도 명확히 이상 신호 감지.

(e, f) 주파수 스펙트럼 (Frequency Domain)

• (e) 정상: 낮은 강도, 부드러운 분포.
• (f) 비정상: ~300–400 Hz에서 뚜렷한 피크 (화살표) — 천명음의 전형적인 acoustic signature.

핵심 의의

• LSMP + AI가 실시간으로 정상/비정상 호흡을 구분하고, 천명음(wheezing)을 정확히 탐지할 수 있음을 입증.
• 소아 천식 환자처럼 움직임이 많고 협조가 어려운 경우에도 비침습적·연속 모니터링이 가능.
• Spectrogram과 frequency peak를 통해 객관적·정량적 진단 지원.

이 그림은
LSMP를 고령 COPD 환자의 등(upper back)에 부착한 경우의
정상 vs 비정상 호흡(천명음) 분석 결과를 보여줍니다.

(a) 착용 사진

• 고령자 등에 LSMP 패치 부착. 실생활/장기 모니터링에 적합한 위치.

(b) 시간 영역 파형

• 0~6초 (파란 박스): 정상 호흡 — Inhale/Exhale 주기 규칙적.
• 6초 이후 (빨간 박스): 비정상 호흡 — 강도 증가, 불규칙 패턴.

(c) 정상 호흡 Spectrogram

• Inhale/Exhale 구분 명확.
• 전반적으로 안정적이고, 특정 주파수대 이상 신호 없음.

(d) 비정상 호흡 Spectrogram

• 빨간 박스 구간에서 Mono-tone wheeze와 Poly-tone wheeze 특징적인 수평/다중 선(line) 패턴 관찰.
• Exhale 구간에서 특히 뚜렷한 이상 신호.

(e) 정상 호흡 주파수 스펙트럼

• 광범위하고 부드러운 분포 (녹색).

(f) 비정상 호흡 주파수 스펙트럼

• Mono-tone wheeze: 단일 주파수(약 400–600 Hz)에서 sharp peak.
• Poly-tone wheeze: 여러 주파수대에서 다중 peak (harmonics).

핵심 포인트

• LSMP가 COPD 환자의 천명음 유형(Mono-tone vs Poly-tone)까지 정밀하게 구분할 수 있음을 보여줌.
• Spectrogram + Frequency domain 분석으로 객관적 wheezing detection 가능.
• 노이즈가 있는 병원/가정 환경에서도 효과적.

---

전체 Figure 시리즈 요약 (소아 천식 + 고령 COPD):

• LSMP는 HR/RR 추출 + 천명음 자동 탐지를 실시간으로 수행.
• 정상 호흡 vs wheezing의 acoustic signature(주파수 peak, spectrogram pattern)를 명확히 구분 → AI 모델 학습/임상 적용의 핵심 증거.

이 기술은 COPD/천식 환자의 장기 모니터링, 악화 조기 경보, 치료 효과 평가에 매우 유용

이 그림은
LSMP (Lung-Sound-Monitoring-Patch) 웨어러블 청진기 연구에서
정상 호흡음 vs 천명음(wheezing)을 AI로 분석하는 전체 과정을 시각적으로 보여줍니다.

(a)~(e) 패널로 구성되어 있으며,
스펙트로그램·파형 분석 → CNN 모델 → 성능 평가 흐름을 명확히 설명합니다.

(a) 정상음 vs 천명음 스펙트로그램 비교

• 상단: 정상 호흡음 (Normal sound) – 녹색 파형, 부드럽고 규칙적인 패턴.
• 하단: 천명음 (Wheezing sound) – 빨간색 파형, 고주파·주기적인 진동이 뚜렷 (기도 협착 시 발생).
• 스펙트로그램: 주파수(0~2048 Hz) vs 시간. 정상음은 낮은 주파수 대역 중심, 천명음은 특정 고주파 대역(빨간/보라 영역)에서 강한 에너지 집중. dB 스케일(-10 ~ -80 dB)로 강도 표시.

(b) 시간 영역 파형 (Time-domain Waveform) 상세 분석

• 정상 호흡: Inhale (흡기)과 Exhale (호기) 구분. 강도(intensity) 스케일로 정상 패턴 확인.
• 천명음: 호기 시 불규칙한 고주파 진동 (빨간 파형) 명확히 관찰.
• 점선으로 inhale/exhale 구간 표시 → AI가 호흡 주기 무관하게 wheezing 이벤트 카운팅 가능함을 시사.

(c) 슬라이딩 윈도우 기법 (Spectrogram 생성 과정)

• 윈도우 크기: 0.6초, 호핑(hopping): 0.06초 (중복 분석으로 연속성 확보).
• 호흡음을 짧은 구간으로 잘라 스펙트로그램으로 변환 → CNN 입력 준비.
• 연속적인 실시간 분석에 필수적인 기법.

(d) CNN 모델 아키텍처 (2D Convolutional Neural Network)

• 입력: 64×64×1 스펙트로그램 이미지.
• 구조:
  • 1st Conv2D → Max Pooling + Dropout
  • 2nd Conv2D → Max Pooling + Dropout
• 특징 추출 → 분류 (정상 vs wheezing).
• 2D CNN이 시간-주파수 패턴을 효과적으로 학습함을 보여줌.

(e) 모델 성능 평가 (ROC Curve)

• CNN AUC = 0.991 (매우 우수한 성능).
• True Positive Rate vs False Positive Rate. 거의 완벽에 가까운 곡선 → wheezing 탐지 정확도가 높음.

전체 의미 (논문 맥락)

• LSMP 장치가 실시간으로 폐음을 수집 → 스펙트로그램 변환 → CNN으로 자동 wheezing 탐지·카운팅.
• COPD·천식 환자에서 임상의 평가와 높은 일치율 (>80%) 달성.
• 텔레메디슨 적용: 모바일 앱 연동으로 장기 착용 모니터링, 조기 악화 감지, 원격 전송 가능.

전통적인 COPD 진단(스피로미터 등)은 비용이 높고,

시간이 오래 걸리며 전문 장비가 필요합니다.

이 연구는

폐음(lung sound) 분석을 통해 저비용·접근성 높은 자동 진단 도구를 개발했습니다.

특히

Kolmogorov–Arnold Network (KAN)을 활용한

새로운 하이브리드 모델 TriSpectraKAN을 제안합니다.

모델 구조 (TriSpectraKAN)

• Tri (3가지 스펙트럼 특징):
  • MFCCs (Mel-frequency cepstral coefficients)
  • Chromagram
  • Mel spectrograms
• 각 특징별 sub-model로 독립 처리 후, 하이브리드 네트워크로 융합.
• KAN (Kolmogorov–Arnold Network): 기존 DNN/CNN 대비 효율적이고 해석 가능한 새로운 아키텍처 적용.
• 장점: 다중 음향 특징을 종합적으로 활용해 COPD의 미묘한 패턴 포착.

실험 및 성능

• 데이터: COPD 관련 폐음 데이터셋.
• 주요 지표:
  • Accuracy: 93%
  • F1 score: 0.98
  • Precision: 0.97
  • Recall: 0.98
  • AUC: 0.98 (기존 모델 대비 우수)
• 실시간 배포: Raspberry Pi에 성공적으로 탑재 → 저비용 엣지 디바이스에서 실시간 진단 가능.
• 실세계 검증: COPD, 건강인, Bronchiectasis 환자에서 높은 정확도.

의의

• 음향 기반 비침습적 COPD 조기 스크리닝 도구.
• 엣지 컴퓨팅 적용으로 자원이 제한된 환경(개발도상국, 원격지)에서도 사용 가능.
• KAN과 multi-spectral fusion의 조합이 COPD 진단 정확도를 크게 향상시켰음을 입증.

이전 논문들과 비교:

• Cough Search (기침 소리 중심, AUC 0.94)
• LSMP (웨어러블 연속 모니터링 + wheezing)
• Edge Computing System (MFCC + chromagram) → TriSpectraKAN은 KAN + 3가지 스펙트럼으로 더 높은 정확도와 경량성을 달성.

1. 모델 아키텍처 (첫 번째 이미지)

TriSpectraKAN은 3가지 spectral feature를 병렬 처리한 후
KAN(Kolmogorov–Arnold Network)으로 융합하는 하이브리드 모델입니다.

• Spatial Representation (왼쪽):
  • MFCC (20×259)
  • Chroma (12×259)
  • Mel Spectrogram (128×259)
• Input Layer → Functional Layer: 각 입력을 256차원으로 변환 (Feature extraction).
• Concatenation Layer: 3개 특징을 합쳐 768차원 벡터로 만듦.
• KAN Layer (핵심):
  • Learnable activation functions on edges (기존 MLP와 차별화된 KAN의 강점: 해석 가능성 ↑, 파라미터 효율성 ↑).
  • 여러 KAN 블록을 통과하며 복잡한 비선형 패턴 학습.
• Output Layer: 6-class classification (COPD 포함 다중 호흡기 질환 분류).

장점: Multi-spectral fusion + KAN으로 93% accuracy, F1 0.98 달성. 경량화되어 엣지 기기 적합.

2. Raspberry Pi 실시간 배포 (두 번째 이미지)

• 실제 동작 화면:
  • Python 스크립트 실행 → COPD로 예측.
  • Execution time: 약 5.13초.
  • Peak memory: 약 30 MB (매우 가벼움).
• 파형 시각화: 입력된 폐음 waveform을 보여주며, Prediction = COPD로 표시.
• A: 실제 Raspberry Pi + 모니터 + 폐음 그래프.
• B: 확대된 waveform + 예측 결과.

전체 의의

• 저비용 엣지 AI로 COPD를 실시간·현장 진단 가능.
• 이전에 공유한 LSMP (웨어러블)나 Cough Search와 결합하면 연속 수집 → TriSpectraKAN 분석 파이프라인 구축 가능.
• 자원이 제한된 임상 환경(귀하의 연구소 네트워크)에서 스크리닝 도구로 활용도가 매우 높습니다.

2. 상용화 또는 상용화 진행 중 사례

TytoCare (미국): 가정용/의료용 스마트 클리닉. AI 폐음 분석 스위트(FDA 승인).

• Wheeze (2023), Crackle (2024), Rhonchi (2025, 세계 최초) 모두 FDA clearance.
• 홈·프로 스마트 클리닉에서 실시간 폐음 분석 → 가상 진료(텔레메디슨)에 직접 적용. COPD·기관지염 관련 비정상음 탐지.
• 1.8M+ 폐음 데이터베이스 기반, 폐활의사 검증.

TytoCare (미국)
— 가정/의료용 스마트 클리닉 + AI 폐음 분석 스위트 공식 사이트: tytocare.com

주요 FDA 승인 (Tyto Insights™ for Lung Sounds):

• Wheeze Detection: 2023년 FDA clearance
• Crackle Detection: 2024년 FDA clearance
• Rhonchi Detection: 2025년 4월 FDA clearance
  (세계 최초로 Wheeze + Crackle + Rhonchi 3종 모두 FDA 승인 완료)

핵심 특징:

• 1.8M+ 폐음 데이터베이스 (세계 최대 규모) 기반, 폐활의사 검증.
• Home Smart Clinic / Pro Smart Clinic에 통합 → 실시간 AI 분석 후 가상 진료에 직접 사용.
• Rhonchi: AUC 0.96 (retrospective validation, 400 recordings). 전체 스위트 AUC ≈ 95.85% (GP 79.45%, 전문의 83.03% 대비 우수).
• Rx device + end-user 사용 가능.

주요 자료:

• 공식 발표 (Rhonchi 세계 최초): TytoCare Press Release (2025.04)
• Wheeze FDA: 2023년 발표
• TIME 2025 Best Inventions 선정 (AI Respiratory Suite)

임상 관련 논문/연구:

• Retrospective validation datasets 기반 (실제 Tyto Stethoscope 사용 데이터).
• 별도 대규모 peer-reviewed RCT는 아직 제한적 (주로 FDA 제출용 validation 데이터).

StethoMe (폴란드): 무선 디지털 청진기 + AI (CE 인증).

• 가정에서 부모/환자가 사용 → 앱으로 녹음 후 클라우드 AI 분석 (천명음, 수포음 등 비정상 폐음).
• 의사에게 결과 전송. 호흡기 질환(천식·폐렴 등) 모니터링에 특화. 홈 텔레메디슨에 최적화된 초기 상용 사례.

https://www.stethome.com/pl

Jak sprawdzić lub osłuchać płuca w domu • elektroniczny stetoskop dla rodziców StethoMe®

StethoMe (폴란드) — 무선 디지털 청진기 + AI (CE Class IIa) 공식 사이트: stethome.com

주요 특징:

• 부모/환자가 가정에서 직접 사용 → 앱으로 녹음 → 클라우드 AI 분석 (Wheeze, Rhonchi, Crackle 등 비정상 폐음 탐지).
• 결과 자동으로 의사에게 전송 → 호흡기 질환(천식, 폐렴 등) 홈 모니터링에 특화.
• CE 인증 (Class IIa).

주요 임상 연구:

• Emeryk A et al. Annals of Family Medicine (2023/2024): 천식 환자 가정 모니터링 연구 (149명, 6개월).
  • AI-aided home stethoscope 단독으로도 exacerbation 탐지 AUC 93.2% (어린이) / 92.4% (성인).
  • PEF 없이도 신뢰할 수 있는 데이터 제공 → telemedicine에 최적.
• ClinicalTrials.gov: NCT04208360 (AI-aided Auscultation with Automatic Classification of Respiratory Sounds).

참고: StethoMe는 홈 사용자 중심으로 가장 초기 상용화된 사례 중 하나입니다.

Swaasa (Salcit Technologies, 인도): 스마트폰 기침 소리 AI 앱.

• 15초 기침 녹음 → 천식·COPD·TB 등 호흡기 이상 스크리닝 (정확도 ~80-90% 범위, 병원 검증).
• AIIMS·Apollo 등 다기관 검증. Uttarakhand COPD 스크리닝 파일럿 등 실제 사용 중. 저비용·대규모 적용 가능.

Swaasa (Salcit Technologies, 인도) — 스마트폰 기침 소리 AI 앱

공식/관련: Salcit Technologies (Swaasa AI 플랫폼)

https://salcit.in/


주요 특징:

• 15초 기침 녹음 → 천식·COPD·TB 등 호흡기 이상 스크리닝.
• 저비용·대규모 적용 가능 (스마트폰만 있으면 됨).
• AIIMS, Apollo Hospitals, Andhra Medical College 등 다기관 검증.
• CDSCO Class B 의료기기 라이선스 보유.
• Uttarakhand COPD 스크리닝 파일럿 등 실제 공공보건 적용 사례 있음.

Eko Health (미국): AI 디지털 청진기 (CORE, DUO 등). FDA-cleared 플랫폼 (65만+ 기기 판매).

• 주로 심장 AI지만, 폐음·폐고혈압(PH) 탐지 연구 진행 중 (JAHA 2025 등). TRICORDER 연구(Lancet 2026)에서 1차 진료 AI 청진기 효과 입증.
• 폐음 분석도 생태계 일부로 확장 중. 의료진용 상용화 선두.

Eko Health (미국) — AI 디지털 청진기 (CORE, DUO 등)

공식 사이트: ekohealth.com

주요 특징:

• FDA-cleared 디지털 청진기 (65만+ 기기 판매).
• 주력은 심장 AI (Heart Failure, AFib, Valvular disease)지만, 폐음·폐고혈압(PH) 분석으로 확장 중.
• TRICORDER 연구 (Lancet 2026): 대규모 NHS cluster-RCT (205개 GP practice, 1.5M 환자). AI stethoscope 사용 시 HF 검출 2.3배, AFib 3.5배, VHD 1.9배 증가 (의도 사용 시).

폐음·폐 관련 주요 논문:

• Pulmonary Hypertension screening (JAHA 2025): Journal of the American Heart Association. 디지털 청진기 + Deep Learning으로 PH (PASP ≥40 mmHg) 스크리닝. AUC 0.79, 민감도 0.71, 특이도 0.73.
• TRICORDER 연구 (Lancet, 2026): 주로 심장 중심이지만, Eko 생태계 전체에서 폐음 분석 확장 중.
• 기타: TB screening 가능성 연구 등 (Med: Cell Press, 2025).

강점: 의료진용 상용화 선두 (실제 임상 워크플로우에 잘 녹아듦). 폐음은 아직 심장만큼 성숙하지 않지만 빠르게 확장 중.

기타

• Strados Labs RESP Biosensor: 연속 착용형 폐음·기침 모니터링 (“폐의 Holter”). FDA 510(k)·CE mark. COPD·천식 등 만성 호흡기 임상시험·모니터링용.
• Sanolla VoqX: 적외음(infrasound) 청진기 + AI (COPD 진단 지원). FDA·이스라엘 승인.
• AI Diagnostics (남아공): 무선 청진기형 TB 폐음 스크리닝 기기 (MWC 2026 전시). 저비용 대량 스크리닝 목표, 다른 폐질환 확장 계획.

텔레메디슨과 COPD 관리

COPD는

악화(exacerbation) 반복 → 입원 → 삶의 질 저하의 악순환이 핵심 문제입니다.

텔레메디슨은

이 악순환을 끊는 데 특히 강점을 보입니다.

주요 적용 형태

1. Telemonitoring (원격 모니터링)
   • 증상 일지(CCQ, CAT), 산소포화도(SpO2), 호흡수, 활동량, 심박수 등을 앱·웨어러블로 실시간 수집
   • 조기 악화 예측 (일부 연구에서 1~7일 전 예측 AUC 0.90 이상)
2. Telerehabilitation (가상 폐재활)
   • 화상으로 운동 지도, 호흡법 교육, 영양·금연 코칭
   • 대면 폐재활과 유사한 효과 (6MWD, mMRC, CAT 점수 개선)
3. Virtual consultation + Integrated care
   • 증상 악화 시 조기 개입, 흡입기 사용법 확인, 약물 조정

sciencedirect.com

Long-term effects of telemonitoring on healthcare usage in patients with heart failure or COPD - ScienceDirect

텔레모니터링 워크플로우 예시 (환자 → 의료서비스센터 → 의사/간호사)

asthma.net

Services Offered Through Virtual Care | Asthma.net

가상 진료를 통한 COPD 관리 개념도

주요 증거 (2023~2026년 리뷰·메타분석)

• Umbrella Review (2023): 텔레메디슨 개입은 COPD에서 비열등성 또는 우월성을 보임. Telemonitoring은 악화·입원율 유의미 감소, Telesupport는 입원 일수·삶의 질 개선.
• 한국 내과학회 리뷰 (2025/2026): 만성폐질환( COPD 포함)에서 원격 모니터링·텔레재활이 입원율·사망률 감소, 건강 관련 삶의 질 향상에 기여.
• Telerehabilitation 메타분석: 화상 기반 폐재활은 단기적으로 6MWD, mMRC, CAT, 불안·우울(HADS) 점수에서 유의한 개선. 장기 효과는 추가 연구 필요.
• 한국 현실 데이터: COPD 퇴원 후 관리 프로그램(원격 포함) 적용 시 3개월 재입원율 77% 감소, CAT 점수 34% 개선, 장기 의료비 절감 효과 확인.

한국 상황 (2026년 현재)

• COVID-19 기간 임시 허용된 원격의료 정책에서 고혈압·당뇨는 약물 순응도 향상 효과가 뚜렷했으나, COPD에서는 상대적으로 제한적이었음.
• 최근 「만성폐쇄성폐질환基层 수치화诊疗·관리 전문가 합의(2026)」에서 AI·IoT·원격의료를 활용한 조기 악화 예측, AR 기반 원격 협진 등을 적극 권고.
• 외국인 환자 대상 원격의료 확대 법안도 진행 중.

장점 vs 한계

장점

• 이동이 어려운 중증·노인 환자 접근성 대폭 향상
• 악화 조기 발견 → 입원·의료비 절감
• 환자 자가관리 역량 강화 (empowerment)
• 의료자원 효율화 (특히 지방·1차 의료)

한계·주의점

• 디지털 격차 (스마트폰·인터넷 사용 어려운 고령자)
• 기술적 신뢰성 (기기 오류, 데이터 정확도)
• 프라이버시·보안 (논문에서 가장 강조한 부분)
• 물리적 검사·폐기능검사·영상검사가 필요한 시점에서는 여전히 대면 필요
• 장기적인 임상 결과와 비용-효과에 대한 고품질 RCT 아직 부족

요약 및 실무적 시사점

Haleem 논문이 강조한 대로, 텔레메디슨은 COPD 관리에서 “보완 도구”로서 강력한 무기입니다. 특히 원격 모니터링 + 가상 폐재활 + 조기 개입을 통합한 모델이 가장 효과적이라는 것이 최근 증거의 일관된 결론입니다.

실제 도입 시 고려할 점:

• 환자 디지털 리터러시 평가 필수
• 하이브리드 모델 (필요 시 대면 전환 가능)
• 데이터 보안·의료법 준수
• 다학제 팀(의사·간호사·재활치료사) 협력 체계