AI 시대의 혈압 측정 혁명: 광용적맥파(PPG) 기반 비침습 혈압측정 기술은 커프(Cuff)를 대체할 수 있을까?

- 7월 16, 2026

AI 시대의 혈압 측정 혁명: 광용적맥파(PPG) 기반 비침습 혈압측정 기술은 커프(Cuff)를 대체할 수 있을까?

웨어러블 AI, 딥러닝, Digital Health가 바꾸는 차세대 혈압 모니터링의 현재와 미래

외래 진료실에서 흔히 볼 수 있는 장면이다.

60세 고혈압 환자가 스마트워치를 보여주며 묻는다.

"교수님, 이제 혈압계는 필요 없나요?"

또 다른 환자는

"애플워치에서 혈압도 측정된다던데요?" 라고 질문한다.

이 질문은 앞으로 수십 년 동안 의료계가 풀어야 할 가장 중요한 문제 가운데 하나이다.

혈압은 심혈관 질환 관리에서 가장 중요한 바이오마커(Biomarker) 중 하나이지만, 현재까지 가장 널리 사용되는 측정 방식은 여전히 커프(Cuff)를 이용한 간헐적 측정이다.

그러나 의료기기는 지금 거대한 변화를 맞이하고 있다.

AI, 웨어러블 센서, 디지털 바이오마커, Foundation Model, Digital Twin, Continuous Monitoring

이 기술들이 하나의 생태계를 만들면서 "24시간 혈압을 실시간으로 측정하는 시대"가 현실로 다가오고 있다.

우리는 지금 혈압 측정 방식의 패러다임 전환점에 서 있다

지난 100년 동안 혈압 측정 방식은 거의 변하지 않았다.

대부분의 병원은

Oscillometric Blood Pressure
Mercury Sphygmomanometer
Manual Auscultation 방식을 사용한다.

모두 커프가 필요하다.

즉, 혈관을 압박해야만 혈압을 계산할 수 있다.

하지만 커프 방식에는 분명한 한계가 있다.

지속적인 측정이 불가능하다.
수면 중 측정이 어렵다.
운동 중 측정이 불가능하다.
환자가 불편함을 느낀다.
백의고혈압(White Coat Hypertension)의 영향을 받을 수 있다.

이러한 문제를 해결하기 위해 등장한 기술이 바로 PPG(Photoplethysmography) 이다. PPG는 피부를 통과하거나 반사된 빛의 변화를 이용해 혈액량 변화를 감지하는 광학 기반 생체신호로, 스마트워치와 스마트밴드에 널리 탑재되어 있다.

PPG란 무엇인가?

PPG(Photoplethysmography)는 빛(LED)을 피부에 조사한 뒤 혈액량 변화에 따라 반사되는 광량의 차이를 측정하는 기술이다.

간단히 말하면 혈액이 많이 흐를 때와 적게 흐를 때 빛의 반사량이 달라지는 원리를 이용한다.

이 기술은 이미 대부분의 스마트워치에서 사용되고 있다.

예를 들어

심박수 측정
산소포화도(SpO₂)
스트레스 지수
수면 분석 등은 모두 PPG 기술을 기반으로 한다.

최근에는 여기에 AI 알고리즘을 결합하여 혈압을 추정하려는 연구가 급격히 증가하고 있다. 2010년 이후 관련 논문 수는 꾸준히 증가했으며, 특히 2021년 이후 딥러닝 기반 연구가 크게 늘어나는 추세를 보였다.

왜 지금 PPG 혈압 측정이 주목받는가?

가장 큰 이유는 웨어러블 기기의 폭발적인 성장이다.

오늘날 대부분의 스마트워치에는

Green LED
Infrared LED
Optical Sensor
Accelerometer
Gyroscope가 기본으로 장착되어 있다.

즉, 혈압 측정을 위한 하드웨어는 이미 손목 위에 올라와 있는 셈이다.

남은 과제는 "이 신호를 얼마나 정확하게 해석할 수 있는가?" 이다.

이 때문에 최근 연구의 중심은 센서 개발보다 AI 기반 신호 해석으로 이동하고 있다.

논문이 보여주는 흥미로운 변화

이번 리뷰 논문은 2010년부터 2023년까지 발표된 254편의 PPG 기반 혈압 예측 연구를 체계적으로 분석했다. 분석 결과는 다음과 같은 중요한 흐름을 보여준다.(doi:10.9718/JBER.2024.45.6.364)

① 연구 수의 폭발적 증가

초기에는 연간 10편 미만이었지만, 2021년 이후에는 연간 30편 이상으로 증가했다.

이는 단순한 학술적 관심이 아니라, 웨어러블 의료기기의 상용화와 맞물린 변화이다.

② AI 중심으로 연구 패러다임 전환

초기 연구는 Regression, Linear Model, Feature Engineering 위주였다.

최근에는 CNN, LSTM, Transformer, Hybrid Network, Foundation AI 등을 이용한 딥러닝 접근이 주류를 이루고 있다. 실제 분석에서도 딥러닝 모델이 전체의 약 40%를 차지하며 가장 많이 사용되었다.

③ 단순 PPG만으로는 부족하다

최신 연구들은 PPG 하나만 사용하는 것이 아니라 ECG, Heart Rate, Age, BMI, Gender, 기존 혈압값 등을 함께 사용한다.

이는 혈압이 단일 신호가 아니라 다양한 생리학적 요인의 결과임을 의미한다. 리뷰에서는 PPG와 ECG를 함께 활용하거나 기존 혈압 정보를 모델 입력 또는 보정에 사용하는 사례가 많다고 보고했다.

혈압은 단순한 숫자가 아니다

많은 사람들이 혈압을 120/80이라는 숫자로 기억한다.

그러나 AI 입장에서는 혈압은 수백 개의 변수가 동시에 반영된 결과이다.

예를 들면

심박수
혈관 탄성
말초저항
심박출량
혈액 점도
자율신경 활성도
혈관 노화
체온
운동 상태
호흡 등이 모두 영향을 준다.

따라서 미래의 혈압 예측 AI는 단순한 PPG 신호가 아니라, 다중 생체신호(Multimodal Biosignals)를 통합적으로 해석하는 방향으로 발전할 가능성이 높다.

PPG는 어떻게 혈압을 예측하는가?

광용적맥파(Photoplethysmography)의 원리부터 AI 기반 혈압 추정 알고리즘까지

"빛"으로 혈압을 측정한다는 것은 가능한 일일까?

처음 PPG(Photoplethysmography)를 접하는 사람들은 대부분 같은 질문을 한다.

"혈압은 혈관 안의 압력인데, 어떻게 빛만으로 혈압을 알 수 있을까?" 매우 자연스러운 의문이다.

실제로 PPG는 혈압을 직접 측정하지 않는다.

대신 혈액의 흐름(Blood Volume Change) 을 매우 정밀하게 측정한다.

그리고 AI는 이 혈액의 흐름 속에서 혈압과 관련된 수십~수백 개의 패턴을 찾아낸다.

즉, 혈압을 "측정"하는 것이 아니라, 혈압을 추론(Inference) 하는 기술이다. 이것이 기존 혈압계와의 가장 큰 차이점이다.

혈액은 빛을 흡수한다

PPG의 원리는 매우 단순하다.

혈액량이 많아지면 빛이 더 많이 흡수된다.

혈액량이 적으면 더 많은 빛이 반사된다.

이 작은 차이를 초당 수백 번 측정하면 맥파(Pulse Wave)를 얻을 수 있다.

PPG 파형은 혈관의 움직임을 기록한 그래프이다.

심장이 수축하면 좌심실에서 혈액이 대동맥으로 분출된다.

그 순간 혈관이 팽창한다.

PPG는 바로 이 혈관 용적(Volume)의 변화를 기록한다.

대표적인 PPG 파형은 다음과 같은 구조를 가진다.

Onset (맥파 시작점)
Systolic Peak (수축기 최고점)
Dicrotic Notch (대동맥판 폐쇄에 따른 절흔)
Diastolic Peak (이완기 반사파)
Offset (주기 종료)

이러한 특징점(Fiducial Points)은 혈압뿐 아니라 혈관 탄성, 심박출량, 말초혈관 저항 등을 반영하는 중요한 생체신호이다. 리뷰 논문에서도 PPG 기반 혈압 예측 연구에서 이러한 특징점과 파형 형태를 기반으로 다양한 Feature를 추출한다고 설명한다.

PPG만으로 혈압을 알 수 있을까?

초기 연구들은 PPG 한 개의 파형만 이용하였다.

예를 들면

Peak Height
Peak Width
Area
Pulse Width 등 몇 가지 변수만 사용하였다.

그러나 현실은 생각보다 복잡했다.

같은 혈압이라도 사람마다 PPG 파형이 달랐다.

나이에 따라 달랐다.

성별에 따라 달랐다.

당뇨병 환자는 달랐다.

동맥경화 환자는 더욱 달랐다.

결국: "하나의 Feature"만으로는 정확한 혈압 계산이 불가능하다는 사실이 밝혀졌다.

Feature Engineering 시대

그래서 연구자들은 PPG 하나에서 수십 개, 수백 개의 Feature를 추출하기 시작했다.

이번 리뷰 논문은 이러한 Feature를 여섯 개 범주로 체계적으로 분류하였다.

① Temporal Features

가장 많이 사용된 Feature이다.

전체 연구 가운데 약 33.5%에서 사용되어 가장 높은 비중을 차지했다.

대표적인 예는

Pulse Width
Rise Time
Peak Interval
Pulse Duration
Crest Time
Reflection Time 등이다.

시간(Time)이 혈압과 밀접하게 연결되어 있기 때문이다.

왜 시간 정보가 중요한가?

혈관이 단단할수록 맥파는 빠르게 이동한다.

혈관이 부드러우면 맥파는 천천히 이동한다.

즉, 혈압이 높아질수록 Pulse Wave Velocity(PWV)가 증가한다.

이 때문에 시간 정보는 혈압 추정에서 가장 강력한 변수 가운데 하나이다.

② Amplitude Features

두 번째로 많이 사용되는 Feature이다.

대표적으로

Peak Amplitude
Pulse Height
Area Under Curve
Systolic Area
Diastolic Area
Total Area 등이 있다.

논문에서도 Total Area, Ascending Area, Diastolic Area와 같은 면적 기반 Feature가 혈압 추정에 자주 활용된다고 정리하였다.

혈관 탄성이 감소하면 파형의 높이와 면적도 변화한다.

③ Gradient Features

PPG의 기울기를 분석하는 방법이다.

예를 들어

Ascending Slope
Descending Slope
Maximum Slope
Minimum Slope 등이다.

혈압이 높을수록 상승 기울기가 더욱 가파르게 나타나는 경우가 많다.

또한 원 논문은 VPG(Volume Pulse Graph)의 상승 및 하강 기울기 역시 적지 않은 연구에서 활용된다고 보고하였다.

④ Frequency Features

혈압은 시간 정보뿐 아니라, 주파수에서도 특징이 나타난다.

대표적으로 FFT(Fast Fourier Transform)를 이용해 PPG 신호를 주파수 영역으로 변환한다.

이후

Fundamental Frequency
Harmonics
Low Frequency
High Frequency 등을 분석한다.

논문에서는 FFT를 통해 얻은 고조파(Harmonic) 성분과 LF/HF 기반 심박변이도(HRV) 관련 Feature가 활용된다고 설명한다.

⑤ PPG-related Features

최근에는 원본 파형(Raw Signal) 자체를 AI에 입력한다.

즉, Feature를 사람이 설계하지 않는다.

AI가 스스로 특징을 학습한다.

CNN과 Transformer 기반 모델이 이러한 접근을 대표한다.

⑥ Non-PPG Features

최근 연구들의 가장 큰 변화이다.

혈압은 PPG만으로 결정되지 않는다.

그래서 다음과 같은 정보를 함께 사용한다.

ECG
Age
Height
Weight
BMI
Gender
Heart Rate
Previous BP
Pulse Arrival Time
Pulse Transit Time

이러한 멀티모달 입력(Multimodal Input) 은 AI 모델의 일반화 성능을 향상시키는 중요한 요소로 평가된다. 리뷰에서도 Non-PPG Feature는 단독보다는 다른 PPG 관련 Feature와 조합하여 사용하는 경우가 가장 많았다고 분석하였다.

Feature를 많이 사용할수록 정확할까?

흥미롭게도 항상 그렇지는 않았다.

254편의 논문을 분석한 결과, 가장 흔한 방식은 두 개의 Feature Category를 조합하는 것이었다.

그다음은 한 개의 Category만 사용하는 연구였다.

오히려 모든 정보를 무조건 많이 넣는 것이 아니라

의미 있는 정보를 어떻게 조합하느냐가 더 중요했다.

AI 시대에는 Feature Engineering이 사라질까?

많은 사람들이 딥러닝이 등장하면 Feature Engineering은 없어질 것이라고 생각했다.

하지만 실제 연구는 그렇지 않다.

오히려 최신 연구들은 전통적인 생리학 기반 Feature와 딥러닝이 자동으로 학습하는 Hidden Feature를 함께 사용하는 Hybrid AI 구조를 채택하는 경우가 늘어나고 있다.

이는 의료 AI에서 설명 가능성(Explainability) 과 예측 성능을 동시에 확보하기 위한 현실적인 전략이다.

임상에서 남아 있는 과제

PPG 기반 혈압 추정 기술은 빠르게 발전하고 있지만, 아직 해결해야 할 문제가 많다.

리뷰 논문은 다음과 같은 한계를 지적한다.

대부분의 연구가 MIMIC 등 동일한 공개 데이터셋에 의존한다.
실제 일상 환경에서는 움직임과 잡음(Motion Artifact)이 많다.
사람마다 PPG 파형이 달라 일반화가 쉽지 않다.
Dicrotic Notch가 명확하지 않은 경우가 흔하다.
신호 품질이 낮으면 AI 성능도 크게 저하된다.

이러한 이유로, AI 알고리즘의 발전뿐 아니라 실제 임상 환경에서의 대규모 검증(Real-world Validation) 이 앞으로의 핵심 과제가 될 것이다.

AI는 어떻게 PPG로 혈압을 예측하는가?

머신러닝에서 Foundation Model까지, 비침습 혈압 예측 알고리즘의 진화

"혈압 공식"은 존재하지 않는다

많은 사람들이 혈압을 계산하는 하나의 공식이 있을 것이라고 생각한다.

하지만 실제로는 그렇지 않다.

혈압(Blood Pressure)은

심장의 수축력
혈관 탄성
말초혈관 저항
혈액량
자율신경계 활성
혈액 점도
호흡
체위 변화
스트레스
운동 등 수많은 요인이 동시에 작용한 결과이다.

따라서 PPG 하나만으로 혈압을 계산하는 단일 공식은 존재하지 않는다.

대신 AI는 수많은 환자의 데이터를 학습하여 "이러한 PPG 패턴에서는 이런 혈압이 나타날 가능성이 높다."라는 확률적 관계를 학습한다.

이것이 AI 기반 혈압 예측의 핵심이다.

AI 이전에는 어떻게 혈압을 계산했을까?

초기의 연구들은 대부분 통계 모델(Statistical Regression) 을 사용하였다.

대표적으로

Simple Linear Regression (SLR)
Multiple Linear Regression (MLR)등이 사용되었다.

예를 들어

Pulse Width

Peak Height

Heart Rate

세 가지 Feature를 입력하면 선형 회귀식을 이용하여 혈압을 계산하였다.

장점은

계산이 빠르다.
해석이 쉽다.

그러나 혈압처럼 매우 복잡한 생리현상을 직선 하나로 설명하기에는 명확한 한계가 있었다.

머신러닝 시대가 열리다

2015년 이후 연구의 중심은 Machine Learning으로 이동하였다.

대표적인 알고리즘은 다음과 같다.

Support Vector Regression (SVR)

SVR은 작은 데이터에서도 높은 성능을 보이는 알고리즘이다.

혈압처럼 비선형 관계를 잘 표현할 수 있어 오랫동안 가장 많이 사용되었다.

특히 Feature Engineering과 함께 사용할 경우 상당히 우수한 성능을 보였다.

Random Forest

Random Forest는 수백 개의 Decision Tree를 동시에 학습한다.

혈압 예측에서는 Feature Importance를 확인할 수 있다는 장점이 있다.

즉, 어떤 Feature가 혈압 계산에 가장 중요한지 설명할 수 있다.

Explainable AI(XAI)의 초기 형태라고 볼 수도 있다.

Gradient Boosting

최근까지도 많이 사용되는 방법이다.

대표적으로

XGBoost
LightGBM
CatBoost 등이 있다.

의료 데이터처럼 Feature 수가 많고 결측치가 존재하는 경우 강력한 성능을 보인다.

그런데 왜 딥러닝이 등장했을까?

Feature Engineering에는 근본적인 문제가 있다.

사람이 Feature를 직접 설계해야 한다.

예를 들어

Pulse Width

Area

Slope

Reflection Index 등을 연구자가 선택해야 한다.

하지만, AI는 우리가 생각하지 못한 Feature도 발견할 수 있다.

그래서 등장한 것이 Deep Learning이다.

CNN이 혈압 예측에 사용되는 이유

CNN(Convolutional Neural Network)은 원래 영상 분석을 위해 개발되었다.

하지만 PPG 역시 1차원(Time Series) 신호이다.

즉, CNN은 PPG 파형의 국소적인(Local) 패턴을 매우 잘 찾는다.

예를 들면

Peak Shape
Notch
Reflection
Micro Oscillation 등을 자동으로 학습한다.

사람이 Feature를 설계할 필요가 없다.

LSTM은 무엇이 다를까?

PPG는 시간의 흐름이 중요한 데이터이다.

현재 파형은 이전 파형과 연결된다.

LSTM(Long Short-Term Memory)은 이러한 Temporal Dependency를 학습하는 데 특화되어 있다.

예를 들어, 심박수가 천천히 증가하는 경우 혈압 변화도 함께 고려할 수 있다.

CNN + LSTM Hybrid

최근 연구에서 가장 많이 사용되는 구조 중 하나이다.

이 구조는 영상의 패턴과 시간적 변화를 동시에 반영할 수 있어 혈압 예측 성능이 크게 향상되었다.

Transformer가 등장한 이유

최근 AI의 핵심은 Attention이다.

Transformer는 PPG의 모든 시점을 동시에 비교한다.

즉, Peak 하나만 보는 것이 아니라 전체 맥파의 관계를 학습한다.

이는 긴 시간의 신호를 다룰 때 LSTM보다 더 뛰어난 성능을 보이는 경우가 많다.

Foundation Model 시대가 시작되고 있다

현재 의료 AI는 Foundation Model 중심으로 빠르게 이동하고 있다.

혈압 예측도 예외가 아니다.

앞으로는 하나의 모델이

PPG

ECG

SpO₂

Respiration

Accelerometer

Temperature

Voice

Sleep

Activity 등을 동시에 학습하게 된다.

즉, 혈압은 독립적인 예측 대상이 아니라 전체 생체신호의 일부가 된다.

AI는 어떤 데이터를 학습할까?

논문에서 가장 많이 사용된 공개 데이터셋은 다음과 같다.

① MIMIC Database

가장 널리 사용되는 중환자실(ICU) 기반 생체신호 데이터셋이다.

PPG

ECG

ABP(동맥혈압)

Respiration 등이 동시에 포함되어 있어 AI 모델 개발의 표준 데이터셋으로 활용된다. 리뷰에서도 대부분의 연구가 MIMIC과 같은 공개 데이터셋을 기반으로 수행되었다고 분석하였다.

② VitalDB

수술실에서 수집된 고품질 생체신호 데이터이다.

마취 중

혈압 변화

심박수

산소포화도 등이 매우 정밀하게 기록되어 있어 실제 임상 환경에 가까운 학습 데이터를 제공한다. 해당 리뷰에서도 주요 공개 데이터셋 중 하나로 정리되어 있다.

③ UQ Vital Signs Dataset

호주 Queensland 대학에서 구축한 데이터셋으로 웨어러블 환경을 포함한 다양한 생체신호 연구에 활용된다.

데이터가 많다고 좋은 AI가 될까?

반드시 그렇지는 않다.

의료 AI에서는 데이터의 양보다 다양성(Diversity) 이 더 중요하다.

현재 대부분의 연구는

동일한 공개 데이터셋
통제된 실험 환경
움직임이 적은 피험자를 대상으로 한다.

하지만 실제 생활에서는

걷기
계단 오르기
운동
운전
손목 움직임
땀
피부색 차이
센서 위치 변화 등이 지속적으로 발생한다.

이러한 Real-world Noise는 AI 성능을 크게 떨어뜨릴 수 있다.

Feature Engineering은 사라질까?

흥미롭게도 이번 리뷰에서는 Feature Engineering이 여전히 중요한 역할을 하고 있음을 보여준다.

Temporal Feature는 가장 많이 사용되었고, Amplitude Feature와 PPG 관련 Feature가 그 뒤를 이었다.

반면 Frequency와 Gradient 기반 Feature는 주로 다른 Feature와 함께 보조적으로 사용되었다.

즉, 미래의 AI는 사람이 설계한 생리학적 Feature와 딥러닝이 자동으로 학습한 Hidden Feature를

결합하는 Hybrid Intelligence 형태가 될 가능성이 높다.

Clinical Insight

현재의 목표는 단순히 "혈압을 맞추는 AI"가 아니다.

궁극적인 목표는

고혈압 발생 예측
저혈압 위험 조기 경고
심부전 악화 감시
패혈증 초기 감지
심혈관 사건 위험 예측까지 가능한 지속적 생체신호 플랫폼(Continuous Physiological Intelligence Platform) 을 구축하는 것이다.

혈압은 그 플랫폼을 구성하는 하나의 핵심 바이오마커일 뿐이다.

PPG 기반 비침습 혈압측정은 병원에서 사용할 수 있을까?

IEEE 표준, FDA 규제, 임상 검증, 그리고 신뢰 가능한 의료 AI(Trustworthy Medical AI)

AI가 혈압을 잘 예측하는 것과 의료기기로 사용할 수 있는 것은 전혀 다른 문제이다.

많은 AI 논문들은 다음과 같은 결과를 제시한다.

"MAE 5 mmHg 이하 달성"

"기존 연구보다 우수한 성능" 하지만 의료현장에서 가장 먼저 묻는 질문은 다르다.

"이 모델을 실제 환자에게 사용해도 안전한가?"

AI 모델의 성능(Performance)과 임상적 신뢰성(Clinical Reliability)은 동일한 개념이 아니다.

실제로 의료기기가 되기 위해서는 단순히 정확한 예측을 넘어서 다음 요소를 충족해야 한다.

재현성(Repeatability)
일반화(Generalizability)
설명 가능성(Explainability)
안전성(Safety)
규제 적합성(Regulatory Compliance)

이것이 의료 AI가 다른 산업의 AI보다 훨씬 엄격한 이유이다.

가장 중요한 한계

이번 리뷰에서 가장 인상적인 부분은 마지막 토의(Discussion)이다.

저자들은 AI 모델이 발전하고 있음에도 불구하고 아직 실제 임상 적용에는 신중해야 한다고 평가한다.

대표적인 이유는 다음과 같다.

① 대부분 동일한 공개 데이터(MIMIC 등)를 사용한다.

② 실제 생활환경 데이터가 부족하다.

③ Motion Artifact가 충분히 반영되지 않았다.

④ 개인별 PPG 특성이 매우 다르다.

⑤ Dicrotic notch가 명확하지 않은 경우가 많다.

⑥ 신호 품질이 낮으면 AI 성능도 급격히 저하된다.

즉, 현재의 AI는 연구실에서는 우수하지만 병원에서는 아직 해결해야 할 문제가 많다는 의미이다. 이러한 한계는 리뷰 논문의 토의와 결론에서 반복적으로 강조된다.

IEEE 1708이 중요한 이유

웨어러블 혈압 측정 분야에서 가장 중요한 국제표준 가운데 하나가 IEEE 1708이다.

이 표준은 Cuffless Blood Pressure Device가 어떤 기준으로 검증되어야 하는지를 정의한다.

대표적인 평가 항목은

Accuracy
Repeatability
Calibration
Long-term Stability
Clinical Validation 등이다.

최근 개정판에서는 기존 커프 기반 혈압계와의 비교뿐 아니라, 지속적 사용 환경과 보정(calibration) 문제도 중요한 평가 요소로 포함되었다. 리뷰 논문 역시 IEEE 1708a-2019를 주요 참고문헌으로 제시하고 있다.

Calibration 문제

현재 대부분의 스마트워치는 처음 한 번 커프 혈압계를 이용하여 보정(Calibration)을 수행한다.

즉, AI는 절대 혈압을 처음부터 아는 것이 아니라 기존 혈압계를 기준으로 학습한다.

시간이 지나면 혈관 상태는 계속 변한다.

운동
탈수
약물
노화
혈관 탄성 변화

이러한 변화 때문에 정기적인 재보정(Recalibration)이 필요하다.

이 문제가 해결되지 않는다면 완전한 "커프 없는 혈압계"로 발전하는 데에는 한계가 있다.

FDA가 가장 중요하게 보는 것은 무엇일까?

많은 사람들은 FDA가 AI의 정확도만 평가한다고 생각한다.

실제로는 그렇지 않다.

FDA는 다음 질문을 한다.

환자가 움직이면 어떻게 되는가?

피부색이 달라도 동일한가?

고령 환자에서도 가능한가?

부정맥 환자는?

말초혈관 질환 환자는?

혈압이 매우 높은 경우는?

매우 낮은 경우는?

즉, AI는 평균적인 사람이 아니라 모든 환자군에서 안전해야 한다.

Explainable AI(XAI)가 필요한 이유

현재 의료 AI의 가장 큰 문제는 Black Box이다.

CNN은 왜 혈압을 132 mmHg라고 예측했는지 설명하지 못한다.

반면, 의사는 근거를 요구한다.

예를 들면

Pulse Width 증가
Reflection Index 감소
Pulse Arrival Time 단축
Heart Rate 증가와 같은 생리학적 근거가 함께 제시될 때 의사는 AI 결과를 더 신뢰할 수 있다.

따라서 향후 의료 AI는 예측값뿐 아니라 그 이유를 설명하는 AI가 되어야 한다.

Foundation Model이 가져올 변화

최근 의료 AI의 방향은 개별 질환 AI에서 Foundation Model 기반 플랫폼으로 이동하고 있다.

미래에는 하나의 AI가 다음과 같은 정보를 동시에 해석하게 될 것이다.

PPG
ECG
SpO₂
Respiratory Signal
피부온도
활동량
수면 패턴
음성
혈액검사
의료영상(CT, MRI, X-ray)

이러한 멀티모달 통합은 단순 혈압 예측을 넘어 개인의 생리 상태를 종합적으로 이해하는 AI로 발전할 가능성을 보여준다.

병원 AI Workflow는 어떻게 변할까?

현재 병원의 혈압 데이터는 간헐적으로 EMR에 저장된다.

미래에는

이러한 구조가 일반화될 가능성이 높다.

즉, 혈압은 더 이상 숫자가 아니라 Continuous Digital Biomarker가 된다.

의료영상 AI와 혈압 AI의 공통점

영상의학과에서도 같은 변화가 진행되고 있다.

과거에는 CT 한 장, MRI 한 장만을 분석했다.

결국, PPG AI와 Radiology AI는 서로 다른 기술이 아니라 하나의 Clinical Intelligence Ecosystem을 구성하게 된다.

Clinical Pearls

① PPG는 혈압을 직접 측정하지 않는다.

혈액량 변화와 맥파 형태를 분석하여 혈압을 추정한다.

② Feature Engineering은 아직도 중요하다.

Temporal Feature는 여전히 가장 많이 사용되는 핵심 요소이다.

③ 딥러닝은 Feature Engineering을 완전히 대체하지 않았다.

생리학적 특징과 자동 학습 특징을 결합한 Hybrid AI가 가장 현실적인 방향이다.

④ IEEE 표준과 임상 검증이 상용화의 핵심이다.

높은 정확도만으로는 의료기기가 될 수 없다.

⑤ 미래의 혈압 AI는 단독 제품이 아니다.

웨어러블, 의료영상, 전자의무기록(EMR), 임상 의사결정지원(CDS)이 연결된 통합 디지털 헬스케어 플랫폼의 일부가 될 것이다.

Expert Commentary

이번 리뷰 논문의 가장 큰 가치는 254편의 연구를 단순 비교하는 데 그치지 않고, 현재 PPG 기반 혈압 예측 기술이 어디까지 왔으며 무엇이 부족한지를 객관적으로 보여준다는 점이다. 연구는 분명히 딥러닝과 멀티모달 AI 방향으로 빠르게 발전하고 있지만, 동시에 실제 임상 환경에서의 일반화와 장기적 신뢰성 확보가 가장 큰 과제로 남아 있음을 분명히 제시한다.

이러한 관점에서 앞으로의 경쟁력은 단순히 "정확도가 높은 알고리즘"이 아니라,

다양한 환자군에서 안정적으로 작동하고,
설명 가능하며,
규제기관의 요구를 충족하고,
실제 의료 워크플로에 자연스럽게 통합될 수 있는

Trustworthy Medical AI를 구현하는 데 달려 있다.

웨어러블 AI는 혈압계를 대체할 수 있을까?

미래 의료를 위한 PPG 기반 비침습 혈압측정 기술의 방향과 과제

AI Perspective

단순한 혈압 예측을 넘어 'Digital Human'으로

향후 10년 동안 가장 큰 변화는 혈압을 정확하게 예측하는 AI가 아니라, 사람의 생리 상태를 종합적으로 이해하는 AI가 등장하는 것이다.

이러한 변화는 의료영상 AI(Radiology AI), 병리 AI(Digital Pathology), 유전체 AI(Genomic AI), 웨어러블 AI가 하나의 Clinical Intelligence Ecosystem으로 통합되는 방향과도 일치한다.

향후 연구에서 해결해야 할 과제

이번 리뷰 논문과 최근 연구들을 종합하면 다음과 같은 과제가 남아 있다.

1. Motion Artifact 제거

일상생활에서는

걷기
뛰기
운전
운동
손목 움직임 등으로 인해 PPG 신호가 쉽게 왜곡된다.

실사용 환경에서 이러한 노이즈를 얼마나 효과적으로 제거하느냐가 상용화의 핵심이다.

2. 개인별 혈관 특성(Person-specific Modeling)

혈관은 사람마다 다르다.

연령
성별
혈관 탄성
당뇨병
고혈압
흡연
동맥경화 등이 모두 PPG 파형에 영향을 준다.

따라서 미래에는 개인 맞춤형(Personalized AI) 모델이 중요해질 것이다.

3. Calibration-Free Blood Pressure

현재 대부분의 시스템은 초기 보정이 필요하다.

미래 연구의 가장 큰 목표는 "완전한 Calibration-Free 혈압 측정"이다.

이 기술이 완성된다면 진정한 의미의 커프 없는 혈압 측정 시대가 열릴 것이다.

4. Explainable AI

의사는 AI 결과보다 왜 그런 결과가 나왔는지를 알고 싶어 한다.

앞으로는 예측값과 함께

중요한 PPG 특징
혈압 상승 원인
신뢰도(Confidence Score)
예측 불확실성(Uncertainty)을 함께 제시하는 AI가 요구될 것이다.

5. Real-world Validation

현재 대부분의 연구는 공개 데이터셋이나 통제된 환경에서 수행되었다.

향후에는 수백만 명 규모의 실제 사용자 데이터를 활용한 장기 추적 연구가 필수적이다.

이는 논문에서도 반복적으로 강조된 부분이다.

Clinical Pearls (핵심 요약)

✓ PPG는 혈압을 직접 측정하지 않는다.

혈액량 변화와 맥파 형태를 이용하여 혈압을 추정한다.

✓ Temporal Feature는 현재도 가장 중요한 Feature이다.

시간 기반 특징은 혈압 예측에서 가장 높은 활용도를 보였다.

✓ AI는 점점 Deep Learning 중심으로 이동하고 있다.

2010년대의 회귀 모델 중심 연구에서 2021년 이후 CNN, LSTM 등 딥러닝 기반 연구가 크게 증가하였다.

✓ Hybrid AI가 가장 현실적이다.

생리학 기반 Feature Engineering과 Deep Learning을 함께 사용하는 접근이 임상적으로 가장 유망하다.

✓ 상용화의 핵심은 정확도가 아니라 신뢰성이다.

FDA, IEEE 표준, 임상 검증, 실제 환경에서의 재현성이 함께 확보되어야 한다.

FAQ (Google SEO 최적화)

Q1. PPG는 무엇인가요?

빛을 이용해 혈액량 변화를 측정하는 광학 기반 생체신호 기술입니다.

Q2. PPG만으로 혈압을 측정할 수 있나요?

직접 측정하는 것이 아니라 AI가 혈압을 추정합니다.

Q3. 스마트워치 혈압은 병원 혈압계와 같은가요?

아직은 아닙니다. 일부 기기는 초기 보정과 정기적인 재보정이 필요하며, 의료기기로 인정받기 위해서는 추가 임상 검증이 필요합니다.

Q4. 왜 ECG를 함께 사용할까요?

맥파 전달시간(Pulse Transit Time) 등 혈압과 관련된 정보를 더욱 정확하게 추정하기 위해서입니다.

Q5. 가장 많이 사용하는 AI 모델은 무엇인가요?

최근에는 CNN, LSTM, Transformer 기반 모델이 많이 사용됩니다.

Q6. 왜 공개 데이터셋만으로는 부족한가요?

실제 생활환경의 다양한 움직임과 잡음을 충분히 반영하지 못하기 때문입니다.

Q7. Future AI는 어떻게 발전할까요?

웨어러블 생체신호, 의료영상, 검사 결과를 통합하는 Foundation Medical AI 방향으로 발전할 가능성이 높습니다.

Q8. 현재 가장 큰 기술적 과제는 무엇인가요?

Motion Artifact 제거와 Calibration-Free 혈압 측정입니다.

Q9. 의료진은 AI 혈압 결과를 바로 신뢰할 수 있나요?

AI는 임상 판단을 보조하는 도구이며, 현재로서는 기존 혈압 측정과 함께 활용하는 것이 적절합니다.

Q10. 향후 의료 현장은 어떻게 달라질까요?

병원 내 혈압 측정 중심에서 벗어나, 일상생활에서 지속적으로 수집된 데이터를 기반으로 예방 중심의 의료가 확대될 것입니다.

Suggested Figure Strategy

Figure 1. Principle of Photoplethysmography (PPG)

Figure 2. Typical PPG Waveform Showing Onset, Systolic Peak, Dicrotic Notch, and Diastolic Peak

Figure 3. AI Workflow for Cuffless Blood Pressure Estimation

Figure 4. Evolution of Blood Pressure Estimation Algorithms

Figure 5. Future Clinical AI Ecosystem Integrating Wearables, Medical Imaging, EMR, and Decision Support

ScholarGen Knowledge Network

Knowledge Position

이 컬럼은 웨어러블 생체신호 기반 AI 진단 기술을 설명하는 핵심 허브 콘텐츠이며, 향후 디지털 헬스케어와 임상 AI 시리즈를 연결하는 중심 노드 역할을 수행한다.

결론

광용적맥파(PPG) 기반 비침습 혈압측정 기술은 지난 10여 년간 빠르게 발전해 왔으며, 딥러닝과 웨어러블 기술의 발전으로 임상 적용 가능성이 점차 높아지고 있다. 그러나 현재까지의 근거를 종합하면 커프 기반 혈압계를 완전히 대체하기보다는, 지속적인 생체신호 모니터링과 위험 예측을 보완하는 기술로 보는 것이 가장 타당하다. 앞으로는 더 다양한 실제 환경 데이터, 설명 가능한 AI, 국제 표준을 충족하는 임상 검증이 이루어질 때 비로소 진정한 차세대 혈압 모니터링 기술로 자리 잡을 수 있을 것이다.