Cardiac Murmur

심잡음(cardiac murmur)의 정의와 청진의 중요성

심잡음은 심장 주기 동안 혈류가 비정상적으로 난류(turbulent flow)를 형성하면서 발생하는 진동음입니다. 정상적인 층류(laminar flow)에서는 소리가 거의 나지 않지만, 판막 협착이나 폐쇄부전, 심실중격결손 등으로 혈류 속도가 빨라지거나 통로가 좁아지면 난류가 생겨 청진기로 들리는 잡음이 나타납니다. 심장 청진(cardiac auscultation)은 심혈관 질환의 첫 단서를 제공하는 기본 신체사정이며, 청진에서 심잡음을 정확히 구분하는 것은 판막질환과 구조적 심장질환의 조기 발견에 핵심적인 역할을 합니다 ^[4].

보기 분석: 심잡음과 호흡기계 증상의 구분

보기에서 기침과 천명은 주로 호흡기계 사정에서 관찰되는 소견입니다. 기침은 기도 자극이나 분비물 배출을 위한 방어 반사이며, 천명(wheezing)은 하부기도가 좁아질 때 호기 시 들리는 고음의 연속성 호흡음입니다. 인두염은 인두의 염증 상태를 가리키는 진단명 또는 증상으로, 심장 청진 소견과는 직접적인 관련이 없습니다. 반면 심잡음은 청진기로 심장 부위에서 들리는 비정상 심음으로, 심혈관계 사정의 대표적인 이상 소견에 해당합니다. 따라서 심장 청진에서 확인되는 소견을 묻는 문항에서 정답은 심잡음입니다.

심잡음 발생의 병태생리적 기전

심잡음이 발생하는 핵심 기전은 혈류의 난류 형성입니다. 혈액이 좁아진 판막 구멍을 통과하거나, 닫혀야 할 판막이 완전히 닫히지 않아 혈액이 역류하거나, 심장 내 비정상적인 단락(shunt)을 통해 혈류가 빠르게 이동할 때 난류가 생깁니다. 이 난류가 주변 심장 조직과 혈관벽을 진동시키고, 그 진동이 흉벽으로 전달되어 청진기로 들리는 것입니다. 심잡음의 강도, 시기(수축기/이완기), 위치, 방사 방향, 음조 등을 종합적으로 평가하면 원인이 되는 판막 병변을 추정할 수 있습니다. 다만 임상 현장에서는 청진만으로 심잡음을 정확히 판별하는 능력이 의료진마다 차이가 크다는 한계가 보고되어 왔습니다 ^[3].

심잡음 평가에서 인공지능(AI)의 활용

최근 연구들은 심잡음 탐지의 정확도를 높이기 위해 인공지능 기반 접근을 활발히 시도하고 있습니다. 심음도(phonocardiogram, PCG) 신호에서 잡음을 제거한 뒤 단시간 푸리에 변환(STFT), 멜-주파수 켑스트럼 계수(MFCC), 연속 웨이블릿 변환(CWT) 기법으로 스펙트로그램을 생성하고, 이를 VGG16, VGG19, ResNet50, InceptionV3 같은 딥러닝 모델에 학습시켜 심잡음 유무를 분류하는 연구가 보고되었습니다. 특히 4차 버터워스 대역통과 필터와 Savitzky-Golay 필터를 함께 적용했을 때 가장 우수한 성능을 보였습니다 ^[1].

또한 단순히 심잡음 유무를 분류하는 것을 넘어 심잡음 등급(grading)까지 평가하려는 시도도 있습니다. 기존 연구들이 분류에만 국한된 데 비해, 분류와 등급 평가를 동시에 수행하는 멀티태스크 학습(multi-task learning) 모델은 심혈관 질환의 위험도를 더 정밀하게 분석할 수 있는 가능성을 제시합니다 ^[2]. 디지털 청진기 플랫폼에 딥러닝 알고리즘을 탑재하여 실제 임상 환경에서 심잡음과 임상적으로 유의한 판막질환을 자동 탐지하는 연구도 수행되었으며, 이는 청진 숙련도에 따른 진단 편차를 줄이는 데 기여할 수 있습니다 ^[3].

간호 실무 적용 관점

심잡음은 단순히 ‘들리는 소리’가 아니라 심장의 구조적·기능적 이상을 반영하는 중요한 사정 지표입니다. 간호사는 심장 청진 시 심잡음의 존재 여부뿐 아니라 시기(수축기/이완기), 강도(grade 1~6), 청진 위치, 호흡과의 관계를 기록하고, 기존 심잡음의 변화나 새로 발생한 심잡음을 확인했을 때는 추가적인 진단 검사(심초음파 등)가 이루어질 수 있도록 의료진과 공유해야 합니다. AI 기반 심잡음 탐지 기술은 청진 경험이 적은 의료진의 판단을 보조하고, 조기 선별의 정확도를 높이는 도구로 발전하고 있습니다 ^[4].