Re: 암 환자 bidirectional vagal-tumor axis와 정상인의 HRV 차이 2021 네이처 .. 파일럿 스터디!!

[문형철]

연구 배경과 핵심 가설

암 환자 대부분에서

자율신경계 기능장애(autonomic dysfunction)가 관찰되며,

특히 심박변동도(HRV)가 건강인에 비해 현저히 저하된다는 기존 증거가 축적되어 왔다.

이 저하의 생물학적 기전은

미주신경(vagus nerve) tone 감소

→ 산화 스트레스 증가

→ 만성 염증 증폭

→ 교감 과활성화

→ 종양 미세환경 악화의 악순환으로 설명된다 (bidirectional vagal-tumor axis).

https://www.nature.com/articles/s41392-025-02241-8

기존 연구들은

주로 단일 암종(폐암, 유방암 등) 또는 진행도 예측에 초점을 맞췄으나,

다양한 암종·다양한 병기를 아우르는 범용적인 이진 분류(cancer vs. healthy)를

5분 단기 ECG만으로 시도한 사례는 매우 제한적이었다.

본 연구는

HRV를 feature로 활용해 암 유무를 분류하는 기계학습 모델을 구축하고,

특히 스태킹 앙상블을 통해 단일 모델 대비 성능 향상을 입증하고자 했다.

대상 및 방법의 핵심

• • 암 환자 n=77 (유방암 43%, 대장암 38%, 쌕장암 13% 등, stage I 32명 ~ IV 26명)
  • 건강 대조군 n=57 (연령·성별 매칭)
  • 주요 배제: 당뇨, 심혈관질환, 관련 약물 복용자
•  
•  
• • 데이터 전처리: Box-Cox 변환 → 표준화, 클래스 불균형 → 업샘플링 (소수 클래스 반복)
  • 기본 분류기 3종 (10-fold CV × 5회 반복): ① Linear Discriminant Analysis (LDA) ② Naïve Bayes ③ Random Forest (가장 우수)
  • 메타-학습기: Stacking (기본 3개 예측값 → XGBoost 메타 분류기)

주요 결과 (정량적 성능)

모델테스트                                             정확도                     Kappa                  민감도 (암 검출)   특이도 (정상 검출)     AUC

RF (단일 최고)	~83%	-	-	-	-
Stacking 앙상블	86.5%	0.719	77.3%	93.3%	0.945

• 앙상블이 단일 RF 대비 약 +3–8%p 향상
• AUC 0.945 (95% CI 0.892–0.999)는 파일럿 연구치고 매우 양호
• 특이도가 민감도보다 높아 → 스크리닝 도구로서 거짓양성 부담이 상대적으로 적음

논문의 학술적 기여도와 한계

강점 / novelty

• 다양한 암종·병기를 포함한 범용 이진 분류 시도
• HRV 단독 + 스태킹 앙상블 적용 → 기존 단일 모델 연구 대비 성능 개선 입증
• 5분이라는 짧은 측정 시간으로 실용성 확보
• RFE로 명확히 부교감 관련 지표 5개만으로도 높은 성능 → 생리학적 해석 가능

주요 한계 (논문 저자들도 명시)

• n=134 규모의 파일럿 연구 → 외부 검증 필수
• 두 기기 사용 → 장비 편의성 가능성
• 교란 변수 통제 미흡 (흡연, BMI, 수면, 스트레스, 활동량 등)
• 암 외 다른 만성질환(심부전, COPD 등)과의 감별력 미평가
• 다중 클래스(암 종류별, 단계별) 확장 미실시

종합 평가

HRV 기반 암 스크리닝은

생리학적으로 설득력 있고,

5분 ECG라는 낮은 침습성 때문에 매력적이다.

그러나

현재 성능(AUC 0.945)은 매우 초기 단계이며,

진단 도구로 사용하려면

① 훨씬 큰 다기관 코호트(n > 1,000) 외부 검증

② 다른 주요 만성질환(심부전, CKD, 우울증 등)과의 특이도 비교

③ longitudinal 데이터로 예후 예측 가능성 탐색 이 세 가지가 반드시 뒤따라야 임상적 의미를 가질 수 있다.

현재 단계에서는

“HRV + ML로 암군과 정상군을 통계적으로 꽤 잘 구분한다”는

proof-of-concept 수준으로 보는 것이 적절하다.

향후 연구 방향으로는

wearable 기기 실시간 HRV + deep learning 조합,

또는 multi-omics 통합 모델이 유망해 보인다.

HRV(Heart Rate Variability, 심박변동도) 지표는
크게 시간영역(time domain), 주파수영역(frequency domain), 비선형(non-linear)
세 카테고리로 나뉩니다.

특히 5분 단기 측정(짧은 ECG)에서 자주 사용되는 지표들을 중심으로,
이전 논문(암 분류 파일럿 연구)에서 선정된
top-5 지표(SDNN, RMSSD, pNN50, HRV triangular index, SD1)를 포함해
생리학·의공학 관점에서 상세히 설명하겠습니다.

1. 시간영역(Time Domain) 지표 RR 간격(정상 심박 간격, NN interval)의 통계적 특성을 직접 계산합니다. 계산이 간단하고 생리학적 해석이 비교적 직관적입니다.

• SDNN (Standard Deviation of NN intervals) 모든 정상 RR 간격의 표준편차 (단위: ms) → 전체 HRV(총 변동성)를 가장 잘 반영하는 지표. 24시간 기록에서는 교감·부교감 모두 + 장기 순환(ultradian, circadian) 영향을 받지만, 5분 단기에서는 주로 전체 자율신경 활성을 나타냄 (LF + HF 성분 혼합). 암·심부전·당뇨 등에서 현저히 감소.
• RMSSD (Root Mean Square of Successive Differences) 연속 RR 간격 차이(ΔRR = RR_{n+1} − RR_n)의 제곱 평균의 제곱근 (단위: ms) → 단기(beat-to-beat) 변동성을 가장 잘 반영 → 부교감(미주신경) 활성의 대표 지표. 호흡성 부정맥(respiratory sinus arrhythmia)과 강한 상관 → HF power와 거의 동일한 정보 제공. 웨어러블 기기에서 가장 신뢰성 높게 쓰이는 지표 중 하나.
• pNN50 (percentage of successive NN intervals that differ by more than 50 ms) |RR_{n+1} − RR_n| > 50 ms인 쌍의 비율 (%) → RMSSD와 매우 유사하게 부교감 활성을 반영. 50 ms라는 임계값 때문에 RMSSD보다 덜 민감하지만, 노이즈에 강하고 직관적. 젊은 사람·고부교감 상태에서 20–40% 수준, 스트레스·노화·질환 시 급감.
• HRV Triangular Index (또는 HRV index) RR 간격 히스토그램을 삼각형으로 근사했을 때, 전체 RR 개수 ÷ 최대 빈도(bin height) → outlier(극단값)에 덜 민감한 전체 HRV 지표 (geometric measure). 24시간 기록에서 주로 사용되지만, 5분 기록에서도 계산 가능. SDNN과 강한 상관(r ≈ 0.9 이상)이지만, ectopic beat나 artifact 영향을 더 잘 줄임.

2. Poincaré Plot 기반 비선형 지표 (5분 기록에서 매우 유용) Poincaré plot = (RR_n, RR_{n+1})을 산점도로 그린 타원형 분포.

• SD1 (short-term axis) 타원의 단축 방향 표준편차 = √((RMSSD²)/2) → 즉 RMSSD와 수학적으로 거의 동일 → 단기 변동성 = 부교감 활성의 지표 (HF와 강한 상관). 암군에서 가장 두드러지게 감소하는 지표 중 하나.
• SD2 (long-term axis) 타원의 장축 방향 표준편차 ≈ √(2·SDNN² − RMSSD²) → 장기 변동성 + 전체 HRV 반영 (LF + ULF/VLF 영향 큼). SD1보다 교감 영향을 더 많이 받음.
• SD1/SD2 ratio 부교감 vs. 교감 균형의 간접 지표 (값이 작을수록 교감 우세 경향). 스트레스·운동 직후 감소, 회복 시 증가.

3. 주파수영역(Frequency Domain) 지표 (5분 기록 기준) FFT 또는 AR 모델로 RR 시계열의 power spectrum을 구함.

• 5분 기록에서는 HF와 RMSSD/SD1이 거의 같은 정보를 주므로, 시간영역 지표만으로도 충분한 경우가 많습니다.
• LF/HF는 2020년대 들어 “교감 우세 지표”로 사용하는 논문이 줄고 있으며, 절대 power(ms²)를 normalized unit(nu)으로 변환해도 해석이 모호하다는 지적이 강합니다.

요약: 암 연구 등에서 왜 이 지표들이 중요한가?

• 암 환자 대부분에서 부교감 저하(vagal withdrawal)가 두드러짐 → RMSSD, pNN50, SD1, HF가 일관되게 감소.
• 전체 HRV 저하 → SDNN, HRV triangular index, SD2도 낮아짐.
• 5분 측정만으로도 부교감 관련 지표 4–5개 (RMSSD ≈ SD1 > pNN50 > SDNN > triangular index) 조합이 암 vs. 정상 분류에 강력한 feature로 작용 (AUC 0.9 이상 달성 가능).

https://www.nature.com/articles/s41598-021-01779-1

Abstract

Most cancer patients exhibit autonomic dysfunction with attenuated heart rate variability (HRV) levels compared to healthy controls. This research aimed to create and eval‎uate a machine learning (ML) model enabling discrimination between cancer patients and healthy controls based on 5-min-ECG recordings. We selected 12 HRV features based on previous research and compared the results between cancer patients and healthy individuals using Wilcoxon sum-rank test. Recursive Feature Elimination (RFE) identified the top five features, averaged over 5 min and employed them as input to three different ML. Next, we created an ensemble model based on a stacking method that aggregated the predictions from all three base classifiers. All HRV features were significantly different between the two groups. SDNN, RMSSD, pNN50%, HRV triangular index, and SD1 were selected by RFE and used as an input to three different ML. All three base-classifiers performed above chance level, RF being the most efficient with a testing accuracy of 83%. The ensemble model showed a classification accuracy of 86% and an AUC of 0.95. The results obtained by ML algorithms suggest HRV parameters could be a reliable input for differentiating between cancer patients and healthy controls. Results should be interpreted in light of some limitations that call for replication studies with larger sample sizes.

대부분의 암 환자들은

건강 대조군에 비해 심박변동도(HRV) 수준이 감소된 자율신경 기능장애(autonomic dysfunction)를 보인다.

본 연구는

5분 ECG 기록을 기반으로 암 환자와 건강 대조군을 구별할 수 있는 기계학습(ML) 모델을

개발하고 평가하는 것을 목표로 하였다.

기존 연구를 바탕으로 12개의 HRV 특징량을 선정하였으며,

Wilcoxon 순위합 검정을 통해 암 환자와 건강인을 비교하였다.

재귀적 특징 제거(Recursive Feature Elimination, RFE)를 통해

상위 5개 특징량(SDNN, RMSSD, pNN50%, HRV triangular index, SD1)을 선정하였고,

이를 세 가지 서로 다른 ML 모델의 입력으로 사용하였다.

이어서 세 기반 분류기의 예측 결과를 집계하는 스태킹(stacking) 기반 앙상블 모델을 구축하였다.

두 군 간 모든 HRV 특징량은

통계적으로 유의한 차이를 보였다.

RFE에 의해 선택된

SDNN, RMSSD, pNN50%, HRV triangular index, SD1을

세 ML 모델에 입력으로 활용하였다.

세 기반 분류기 모두 우연 수준을 초과하는 성능을 나타냈으며,

그중 랜덤 포레스트(Random Forest)가 테스트 정확도 83%로 가장 우수하였다.

앙상블 모델은 분류 정확도 86%, AUC 0.95를 달성하였다.

ML 알고리즘을 통해 얻은 결과는

HRV 파라미터가 암 환자와 건강 대조군을 구별하는 데 신뢰할 수 있는 입력 변수가 될 수 있음을 시사한다.

다만, 본 결과는 일부 한계점을 고려하여 해석해야 하며,

더 큰 표본 크기를 활용한 복제 연구가 필요하다.

Patients characteristicsN 77

Age (in years)	50
Gender
Male	30
Female	47
Cancer type
Breast	33
Colorectal	29
Lung	3
Pancreas	10
Prostate	2
Cancer stage
I	32
II	7
III	12
IV	26

HRV features                   Type                         Description

Mean RR (ms)	Time-domain	The average of RR intervals during a period of time
SDNN (ms)	Time-domain	Standard deviation of NN intervals
RMSSD (ms)	Time-domain	Root mean square of successive RR interval differences
pNN50%	Time-domain	Percentage of successive RR intervals that differ by more than 50 ms
HRV triangular index	Time-domain	The integral of the sample density distribution of RR intervals divided by the maximum of the density distribution
TINN (ms)	Time-domain	Baseline width of the RR interval histogram
LF power %	Frequency-domain	Includes the frequency range between 0.04 Hz and 0.15 Hz
HF power %	Frequency-domain	Includes the frequency range between 0.16 Hz and 0.4 Hz
Total Power (ms)	Frequency-domain	Reflects the overall autonomic activity
SD1	Non-linear	Poincaré plot standard deviation perpendicular to the line of identity
SD2	Non-linear	Poincaré plot standard deviation along the line of identity
Sample Entropy	Non-linear	Measures the regularity and complexity of a time series

HRV featuresCancer (M/SD)Control (M/SD)Wp

Mean RR (ms)	717.91/93.18	832.9/108.9	5119	< 0.001
SDNN (ms)	21.4/7.57	35.37/14.76	5289	< 0.001
RMSSD (ms)	13.87/4.49	29.26/16.47	5332	< 0.001
pNN50%	0.62/0.87	7.82/12.15	5345	< 0.001
HRV triangular index	5.5/1.73	8.95/3.57	5503.5	< 0.001
TINN (ms)	126.69/57.68	194.6/101.61	4625	0.013
LF power %	69.27/12.22	60.91/17.85	5160	< 0.001
HF power %	16.69/9.17	28.92/18.2	5522	< 0.001
Total power (ms)	440.23/357.83	1294/1231.43	5425	< 0.001
SD1	9.81/3.18	20.72/11.66	5332	< 0.001
SD2	28/10.55	45.03/18.6	5290	< 0.001
Sample entropy	1.37/0.34	1.58/0.32	4811	0.002