필수 확인 정보

• 채용기업SK 바이오팜
• 채용인원0 명
• 고용형태정규
• 채용유형경력
• 근무지역경기도

주요 업무

신약개발 Big-data AI 모델 개발 및 분석

[수행업무]      
 - OMICS 및 의생명정보/ 화합물 데이터를 활용한 인공지능 모델 개발    
 - 인공지능 모델을 이용한 약물의 잠재적인 타겟 혹은 바이오마커 분석 및 예측    
 - OMICS 및 의생명정보/ 화합물 데이터 분석 시스템 구축 및 관리 (수집/ 적재/ 처리)    
           
[자격요건]      
 - 학력 : 박사 선호(단, 학사/ 석사도 지원가능하며 관련 경력 보유 필수)    
 - 전공 : 생물정보학, 시스템생물학, 컴퓨터 공학/ 전산학/ 인공지능 관련 전공자    
 - 경력 : 최소 5~10년      
 - 머신러닝/ 딥러닝(Tensorflow, Pytorch, Keras 등) 연구 경력 보유 및 관련 논문 이해/ 활용 가능자    
 - 프로그래밍 언어 (Python, R 등)를 활용한 OMICS 데이터 통계 분석 기술 보유    
 - 빅데이터 분석 경험, 유전체/ 의생명 데이터 외 다양한 DB 활용 경험    
    
[근무지]      
 - 경기도 판교

자격 요건

우대
학력 : 학사~박사
모집전공 : 기타
언어 : 영어

영입 과정

서류 > 필기 > 면접[전공 및 인성]

기타

기타사항
[주요 일정] 
03/31 ~ 04/11 : 서류 접수    
04/15 ~ 04/18 : 필기 전형 
04/28 ~ 04/30 : 면접 전형 
 
* 석,박사 학위 소지자의 경우 학사를 포함한 학력 정보 전체 기입 필수    
* 써치펌과 SK그룹 채용 포털 중복 지원 불가(단, SK그룹 계열사간 중복 지원은 가능)  
* 각 전형일정은 상황에 따라 조정될 수 있음    
* 전공 및 인성 면접 개별 안내 예정

문의처
recruit.skbp@sk.com 

#SK바이오팜 채용 홈페이지

한국생명공학연구원 채용 홈페이지

[필수 확인 정보]

• 채용기업 SK 바이오팜
• 채용인원 0 명
• 고용형태 정규
• 채용유형 경력
• 근무지역 경기도

[주요 업무]

     신약개발 Big-data AI 모델 개발 및 분석

[수행업무]
 - OMICS 및 의생명정보/ 화합물 데이터를 활용한 인공지능 모델 개발    
 - 인공지능 모델을 이용한 약물의 잠재적인 타겟 혹은 바이오마커 분석 및 예측    
 - OMICS 및 의생명정보/ 화합물 데이터 분석 시스템 구축 및 관리 (수집/ 적재/ 처리)    
     
[자격요건]      
 - 학력 : 박사 선호(단, 학사/ 석사도 지원가능하며 관련 경력 보유 필수)    
 - 전공 : 생물정보학, 시스템생물학, 컴퓨터 공학/ 전산학/ 인공지능 관련 전공자    
 - 경력 : 최소 5~10년      
 - 머신러닝/ 딥러닝(Tensorflow, Pytorch, Keras 등) 연구 경력 보유 및 관련 논문 이해/ 활용 가능자    
 - 프로그래밍 언어 (Python, R 등)를 활용한 OMICS 데이터 통계 분석 기술 보유    
 - 빅데이터 분석 경험, 유전체/ 의생명 데이터 외 다양한 DB 활용 경험    
    
[근무지]      
 - 경기도 판교

[자격 요건]

 필수
  학력 : 학사~박사

 우대
  모집전공 : 기타
  언어 : 영어

  영입 과정

  서류 > 필기 > 면접[전공 및 인성]

  기타

[주요 일정]
03/16 ~ 03/28 : 서류 접수   
04/01 ~ 04/04 : 필기 전형
04/14 ~ 04/21 : 면접 전형

* 석,박사 학위 소지자의 경우 학사를 포함한 학력 정보 전체 기입 필수   
* 써치펌, SK그룹 채용 포털 중복 지원 불가
* 각 전형일정은 상황에 따라 조정될 수 있음  

[문의처]
recruit.skbp@sk.com 

SK바이오팜 채용 홈페이지

한국식품연구원 ‘21년도 제2차 정규직 직원 채용 공고

한국식품연구원은 과학기술정보통신부 산하 정부출연연구기관으로서 창조적 식품과학기술 연구를 통하여 국가산업발전과 국민의 건강한  삶의 질 향상에 기여할 창의적이고 도전적인 인재를 모집합니다.

1.        모집분야 및 모집인원

2.        지원자격

3.        근무조건 및 근무지

4.        전형절차, 배점, 합격기준

5.        세부 전형절차

6.        전형일정

□ NCS기반 채용 직무기술서

1-2. 연구직(식품연구데이터): 식품연구데이터  관리  및  분석

Chest X-Ray Medical Diagnosis with Deep Learning - ⑤ Prediction and Evaluation 

start

BioinformaticsAndMe

Chest X-Ray Medical Diagnosis with Deep Learning

     ① Import Packages and Function
     ② Load the Datasets
     ③ Model Development
     ④ Training
    ⑤ Prediction and Evaluation 

⑤ Prediction and Evaluation

: 테스트셋을 사용하여 모델을 평가

predicted_vals = model.predict(test_generator, steps = len(test_generator))

5.1 ROC Curve and AUROC

: ROC(Receiver Operating Characteristic) 곡선에서 AUC(Area Under the Curve)를 계산

: 곡선이 좌상단에 있을수록, 더 많은 면적이 갖고, 모델이 더 잘 수행되고 있음을 의미함

: util.py에서 제공하는 util.get_roc_curve 함수를 사용

auc_rocs = util.get_roc_curve(labels, predicted_vals, test_generator)

5.2 Visualizing Learning with GradCAM

: GradCAM 기술을 사용하여 병리학적 상태를 예측하기 위해, 이미지의 중요한 영역을 강조하는 히트맵을 생성

: 먼저 작은 Training 셋을 로드하고, 앞서 AUC 측정값이 가장 높은 4개의 클래스를 살펴볼 것

df = pd.read_csv("drive/MyDrive/nih/train-small.csv")
IMAGE_DIR = "drive/MyDrive/nih/images-small/"

# only show the lables with top 4 AUC
labels_to_show = np.take(labels, np.argsort(auc_rocs)[::-1])[:4]

: 몇 가지 특정 이미지들을 확인

util.compute_gradcam(model, '00008270_015.png', IMAGE_DIR, df, labels, labels_to_show)

# Expected output
Loading original image
Generating gradcam for class Cardiomegaly
Generating gradcam for class Mass
Generating gradcam for class Pneumothorax
Generating gradcam for class Edema

util.compute_gradcam(model, '00011355_002.png', IMAGE_DIR, df, labels, labels_to_show)

util.compute_gradcam(model, '00029855_001.png', IMAGE_DIR, df, labels, labels_to_show)

: P 값은 정답 클래스의 softmax probability를 의미함

#Reference

1) www.coursera.org/learn/ai-for-medical-diagnosis

2) github.com/vishrutskaushik/Chest-X-Ray-Medical-Diagnosis

Chest X-Ray Medical Diagnosis with Deep Learning - ⑤ Prediction and Evaluation

end

BioinformaticsAndMe

Chest X-Ray Medical Diagnosis with Deep Learning - ④ Training

start

BioinformaticsAndMe

Chest X-Ray Medical Diagnosis with Deep Learning

     ① Import Packages and Function
     ② Load the Datasets
     ③ Model Development
     ④ Training
    ⑤ Prediction and Evaluation 

④ Training

: Keras의 model.fit 함수를 사용하여 모델을 훈련

: 현재, 데이터셋의 작은 부분 집합(~1%)에 대해 Training 하고 있음

: 전체 데이터셋의 Training에는 상당한 시간이 소요되므로 여기에서 모델을 교육하지 않음

: 다음 섹션에서 사전 교육된 모델을 로드할 예정

: 그러나 아래 코드를 사용하여 Colab에서 로컬로 모델 학습을 연습 할 수 있음

history = model.fit_generator(train_generator, 
                              validation_data=valid_generator,
                              steps_per_epoch=100, 
                              validation_steps=25, 
                              epochs = 3)
 
plt.plot(history.history['loss'])
plt.ylabel("loss")
plt.xlabel("epoch")
plt.title("Training Loss Curve")
plt.show()

: 사전 훈련된 가중치를 모델에 로드

model.load_weights("drive/MyDrive/nih/pretrained_model.h5")

다음 분석

Chest X-Ray Medical Diagnosis with Deep Learning

    ⑤ Prediction and Evaluation

#Reference

1) www.coursera.org/learn/ai-for-medical-diagnosis

2) github.com/vishrutskaushik/Chest-X-Ray-Medical-Diagnosis

Chest X-Ray Medical Diagnosis with Deep Learning - ④ Training

end

BioinformaticsAndMe

Chest X-Ray Medical Diagnosis with Deep Learning - ③ Model Development

start

BioinformaticsAndMe

Chest X-Ray Medical Diagnosis with Deep Learning

     ① Import Packages and Function
     ② Load the Datasets
     ③ Model Development
     ④ Training
    ⑤ Prediction and Evaluation 

③ Model Development

: 이제 Model 교육 및 개발을 수행

: 하지만 실제로 신경망을 훈련하기 전에, class 불균형을 해소해야 함

plt.xticks(rotation=90)
plt.bar(x=labels, height=np.mean(train_generator.labels, axis=0))
plt.title("Frequency of Each Class")
plt.show()

: 위 그림에서 여러 병리에 따라 양성 사례의 유병률이 크게 다르다는 것을 알 수 있음

  →이러한 경향은 전체 데이터셋의 경향도 반영함

: 이상적으로는 균형 잡힌 데이터셋으로 모델을 훈련시켜, positive 및 negative 사례가 손실에 동등하게 기여하도록 함

Exercise 2 - Computing Class Frequencies

: 아래 함수를 통해, 각 데이터셋의 라벨에 대한 빈도를 계산

def compute_class_freqs(labels):
    """
    Compute positive and negative frequences for each class.

    Args:
        labels (np.array): matrix of labels, size (num_examples, num_classes)
    Returns:
        positive_frequencies (np.array): array of positive frequences for each
                                         class, size (num_classes)
        negative_frequencies (np.array): array of negative frequences for each
                                         class, size (num_classes)
    """    
    
    # total number of patients (rows)
    N = labels.shape[0]
    
    positive_frequencies = np.sum(labels, axis=0) / labels.shape[0]
    negative_frequencies = 1 - positive_frequencies

    return positive_frequencies, negative_frequencies

: 예제 테스트

labels_matrix = np.array(
    [[1, 0, 0],
     [0, 1, 1],
     [1, 0, 1],
     [1, 1, 1],
     [1, 0, 1]]
)
print("labels:")
print(labels_matrix)

test_pos_freqs, test_neg_freqs = compute_class_freqs(labels_matrix)

print(f"pos freqs: {test_pos_freqs}")

print(f"neg freqs: {test_neg_freqs}")

: 결과 출력

# Expected output
labels:
[[1 0 0]
 [0 1 1]
 [1 0 1]
 [1 1 1]
 [1 0 1]]
pos freqs: [0.8 0.4 0.8]
neg freqs: [0.2 0.6 0.2]

: 이제 training 데이터셋에 대한 빈도를 계산

freq_pos, freq_neg = compute_class_freqs(train_generator.labels)
freq_pos

# Expected output
array([0.02 , 0.013, 0.128, 0.002, 0.175, 0.045, 0.054, 0.106, 0.038,
       0.021, 0.01 , 0.014, 0.016, 0.033])

: 각 병리에 대하여, positive 또는 negative의 기여 비율을 나란히 시각화

data = pd.DataFrame({"Class": labels, "Label": "Positive", "Value": freq_pos})
data = data.append([{"Class": labels[l], "Label": "Negative", "Value": v} for l,v in enumerate(freq_neg)], ignore_index=True)
plt.xticks(rotation=90)
f = sns.barplot(x="Class", y="Value", hue="Label" ,data=data)

: 위 그림에서 보듯이, 양성 사례의 기여도는 음성 사례의 기여도보다 현저히 낮음

: 기여도가 동일하도록 수행하는 방법은 각 클래스별 가중치인 Wpos 및 Wneg를 곱하여, 전체 기여도가 동일하게함

pos_weights = freq_neg
neg_weights = freq_pos
pos_contribution = freq_pos * pos_weights 
neg_contribution = freq_neg * neg_weights

: positive, negative 기여도를 다시 그래프로 확인

data = pd.DataFrame({"Class": labels, "Label": "Positive", "Value": pos_contribution})
data = data.append([{"Class": labels[l], "Label": "Negative", "Value": v} 
                        for l,v in enumerate(neg_contribution)], ignore_index=True)
plt.xticks(rotation=90)
sns.barplot(x="Class", y="Value", hue="Label" ,data=data);

: 위 그림에서처럼 가중치를 적용되어, 각 클래스의 양수/음수 레이블이 손실 함수에 대해 동일한 기여도를 갖게됨

Exercise 3 - Weighted Loss

: 아래 weighted_loss 함수를 작성하여 각 배치의 가중 손실을 계산하는 손실 함수를 반환

: 다중 클래스 손실의 경우 각 개별 클래스의 평균 손실을 합산

def get_weighted_loss(pos_weights, neg_weights, epsilon=1e-7):
    """
    Return weighted loss function given negative weights and positive weights.

    Args:
      pos_weights (np.array): array of positive weights for each class, size (num_classes)
      neg_weights (np.array): array of negative weights for each class, size (num_classes)
    
    Returns:
      weighted_loss (function): weighted loss function
    """
    def weighted_loss(y_true, y_pred):
        """
        Return weighted loss value. 

        Args:
            y_true (Tensor): Tensor of true labels, size is (num_examples, num_classes)
            y_pred (Tensor): Tensor of predicted labels, size is (num_examples, num_classes)
        Returns:
            loss (Tensor): overall scalar loss summed across all classes
        """
        # initialize loss to zero
        loss = 0.0
                
        for i in range(len(pos_weights)):
            # for each class, add average weighted loss for that class 
            loss += -(K.mean( pos_weights[i] * y_true[:,i] * K.log(y_pred[:,i] + epsilon) + \
                                neg_weights[i] * (1 - y_true[:,i]) * K.log(1 - y_pred[:,i] + epsilon), axis = 0))
        return loss
    
       
    return weighted_loss

: 예제 테스트

sess = K.get_session()
with sess.as_default() as sess:
    print("Test example:\n")
    y_true = K.constant(np.array(
        [[1, 1, 1],
         [1, 1, 0],
         [0, 1, 0],
         [1, 0, 1]]
    ))
    print("y_true:\n")
    print(y_true.eval())

    w_p = np.array([0.25, 0.25, 0.5])
    w_n = np.array([0.75, 0.75, 0.5])
    print("\nw_p:\n")
    print(w_p)

    print("\nw_n:\n")
    print(w_n)

    y_pred_1 = K.constant(0.7*np.ones(y_true.shape))
    print("\ny_pred_1:\n")
    print(y_pred_1.eval())

    y_pred_2 = K.constant(0.3*np.ones(y_true.shape))
    print("\ny_pred_2:\n")
    print(y_pred_2.eval())

    # test with a large epsilon in order to catch errors
    L = get_weighted_loss(w_p, w_n, epsilon=1)

    print("\nIf we weighted them correctly, we expect the two losses to be the same.")
    L1 = L(y_true, y_pred_1).eval()
    L2 = L(y_true, y_pred_2).eval()
    print(f"\nL(y_pred_1)= {L1:.4f}, L(y_pred_2)= {L2:.4f}")
    print(f"Difference is L1 - L2 = {L1 - L2:.4f}")

# Expected output
Test example:

y_true:

[[1. 1. 1.]
 [1. 1. 0.]
 [0. 1. 0.]
 [1. 0. 1.]]

w_p:

[0.25 0.25 0.5 ]

w_n:

[0.75 0.75 0.5 ]

y_pred_1:

[[0.7 0.7 0.7]
 [0.7 0.7 0.7]
 [0.7 0.7 0.7]
 [0.7 0.7 0.7]]

y_pred_2:

[[0.3 0.3 0.3]
 [0.3 0.3 0.3]
 [0.3 0.3 0.3]
 [0.3 0.3 0.3]]

If we weighted them correctly, we expect the two losses to be the same.

L(y_pred_1)= -0.4956, L(y_pred_2)= -0.4956
Difference is L1 - L2 = 0.0000

3.3 DenseNet121

: 다음으로 Keras에서 로드한 후, 두 개의 레이어를 추가 할 수 있는 DenseNet121 모델을 사용

  *GlobalAveragePooling2D - DenseNet121에서 마지막 convolution 레이어의 평균을 얻음

  *Dense - 각 클래스에 대한 예측 logit을 얻기 위한 sigmoid 기능이 있는 layer

: compile 함수에서 loss 매개 변수를 지정하여, 모델에 대한 사용자 정의 손실 함수를 설정할 수 있음

# create the base pre-trained model
base_model = DenseNet121(weights='drive/MyDrive/nih/densenet.hdf5', include_top=False)

x = base_model.output

# add a global spatial average pooling layer
x = GlobalAveragePooling2D()(x)

# and a logistic layer
predictions = Dense(len(labels), activation="sigmoid")(x)

model = Model(inputs=base_model.input, outputs=predictions)
model.compile(optimizer='adam', loss=get_weighted_loss(pos_weights, neg_weights))

다음 분석

Chest X-Ray Medical Diagnosis with Deep Learning

    ④ Training

#Reference

1) www.coursera.org/learn/ai-for-medical-diagnosis

2) github.com/vishrutskaushik/Chest-X-Ray-Medical-Diagnosis

Chest X-Ray Medical Diagnosis with Deep Learning - ③ Model Development

end

BioinformaticsAndMe

Arrhythmia (부정맥)

start

BioinformaticsAndMe

What is an arrhythmia?

: 부정맥(arrhythmia)은 심장 박동의 비정상적인 타이밍 또는 패턴을 보이는 증상

: 부정맥이 있으면, 심장이 너무 빠르거나 너무 느리게 뛰는 불규칙한 리듬을 경험
: 일부 부정맥은 심각하지 않을 수 있으나, 경우에 따라 실신, 심부전, 급사 등을 유발할 수 있음

    →부정맥이 있다고 생각되면 의사와 상담이 필요

Heart Rhythms Depend on Electricity

: 정상적인 심장에서 전기 전도는 심장의 오른쪽 위에 있는 동방 결절(SA node; 박동 조율기)에서 시작

: 전기 신호는 심방과 심실 사이에 위치한 방실 결절(AV node)로 이동

: AV node는 일정 시간동안 신호를 지연시키며, 심실이 혈액으로 완전히 채워지도록함
: 심실이 채워지면 전기 전도가 His bundle로 빠르게 이동

: His bundle은 오른쪽과 왼쪽 묶음 가지로 나뉘어, 오른쪽과 왼쪽 심실로 전기 전달

: 전기가 터지면 심실이 수축하여 혈액을 몸으로 펌핑
: 일반적으로 심장의 전기 시스템은 분당 60~100회 박동함

    →이를 정상동조율(normal sinus rhythm)이라 지칭

: 운동을 하면 심박수가 분당 100회 이상으로 증가

: 사람의 최고 심박수는 220에서 나이를 빼서 계산할 수 있음

    →예를 들어, 40세의 최고 심박수는 220 − 40 = 180

What are the symptoms of arrhythmia?

: 심장 부정맥은 다음과 같은 다양한 증상을 유발할 수 있음

• Palpitations: a racing, skipping or fluttering sensation in your chest (두근 거림 : 가슴이 뛰거나 펄럭이는 느낌)
• Dizziness or light-headedness (현기증 또는 어지러움)
• Fainting (기절)
• Low blood pressure (저혈압)
• Chest pain (가슴 통증)
• Shortness of breath (호흡 곤란)
• Fatigue (피로)
• Heart failure: heart can’t pump enough oxygenated blood through the body (심부전)
• Cardiac arrest: heart stops beating (심장 마비)
• Difficulty feeding (수유 곤란)

What are the different types of arrhythmias?

1) Palpitations (심계향진)

- 리듬이 없는 심장 박동으로 전기 신호가 동방 결절에서 발생하지 않을 때 생김

2) Supraventricular tachycardia (심실상빈맥)

- 심방 세동 : 심장 상반부의 여러 부위에서 빠르고 불규칙한 신호로 인한 심방의 비효율적인 수축

- 심방 빈맥 : 심장 상반부의 short circuit으로 인해 심실보다 훨씬 빠른 심방 박동

- 심방 조동 : 심장 상반부의 short circuit으로 인해 심방의 매우 빠른 박동 (분당 240~340회)

- 발작성 심실상 빈맥 (PSVT) : 심장의 추가 전기 경로로 인한 short circuit으로 인한 빠른 심장 박동

3) Ventricular tachycardia (심실 빈맥)

- 심실의 빠르고 비효율적인 수축

4) Bradycardia (서맥)

- 동방 결절 장애 또는 전기 전도 차단으로 인해 생기는 느린 심장 박동

What causes arrhythmia?

1) 심장 전기 전도 시스템의 선천성 이상

- 일부 환자는 심장의 상부와 하부를 연결하는 비정상적인 근육 섬유를 가지고 태어남

- 이 여분의 섬유질을 원인으로 나중에 발작성 심실상 빈맥 (PSVT)이 발생할 수 있음

2) 유전성 심장 질환

- 부정맥 유발성 우심실 이형성증 (ARVD)이 유전성 심장 질환의 예

- 이 유전 상태를 가진 환자는 정상적인 심장을 가지고 태어나지만, 시간이 지남에 따라 심장 근육은 지방과 흉터 조직으로 대체되어 부정맥을 유발할 수 있음

3) 후천적 습득

- 심장 마비로 인해 심장 근육의 일부가 scar로 변할 수 있음

- scar 조직은 short circuit 부위가 될 수 있으며, 심실 빈맥의 증상을 보임

4) 시간이 지남에 따라 변화

- 시간이 흐름에 따라, 결국 부정맥이 발생

- 가장 좋은 예는 심방 세동으로, 50 세 이전에는 드물지만 이후 급격히 증가

- 80세가 되면 10명 중 1명이 심방 세동을 겪고 있음

#Reference

1) www.hopkinsmedicine.org/health/conditions-and-diseases/arrhythmias

Arrhythmia (부정맥)

end

BioinformaticsAndMe

Ventricular Repolarization (심실 재분극)

start

BioinformaticsAndMe

Ventricular Repolarization (심실 재분극)

: 심실 심근의 재분극은 탈분극의 반대 방향으로 발생

     *심방은 탈분극과 재분극이 같은 방향으로 진행됨

: 탈분극은 심내막(endocardium)에서 심외막(epicardium)으로 진행 (아래 그림 A)

: 재분극은 심외막(epicardium)에서 심내막(endocardium)으로 진행 (아래 그림 B)

    →이로 인해, QRS complex와 T파가 같은 방향으로 새겨짐

A. 심내막에서 심외막으로 진행하는 심실 심근의 탈분극을 보여주는 그림

  -탈분극의 wave가 기록 전극을 향해 전진하기 때문에, QRS 복합체가 positive deflection이 됨

  -화살표는 탈분극 방향을 가리킴

B. 심외막에서 심내막으로 진행하는 심실 심근의 재분극은 보여주는 그림

  -재분극의 wave가 기록 전극에서 멀어지기 때문에, T파가 positive deflection이 됨

  -화살표는 재분극 방향을 가리킴

#재분극 T파가 Positive deflection을 보이는 이유

1. 재분극은 심외막에서 심내막으로 진행하므로 기록 전극 입장에서 (-) 방향

2. 재분극이 되면, 막전위가 떨어지므로 아래와 같이 (-) 방향

    → '1.Negative'의 '2.Negative'는 → Positive

#Reference

1) doctorlib.info/cardiology/electrocardiography/7.html

Ventricular Repolarization (심실 재분극)

end

BioinformaticsAndMe

Cardiac axis determination

start

BioinformaticsAndMe

What is Cardiac Axis?

: 심장의 전기 활동 방향은 동방결절(SA node) → 방실결절(AV node)

: 이어서, 히스속(His bundle) 및 푸르키네섬유(Purkinje fiber)으로 퍼져 심실 수축을 유발

: 전기 활동 방향이 Lead를 향할 때마다, 해당 Lead에서 positive deflection을 보임

: 전기 활동 방향이 Lead에서 멀어질 때마다, 해당 Lead에서 negative deflection을 보임

: 심장 축(cardiac axis)은 전기 활동의 전반적인 방향 정보를 제공

Normal Cardiac Axis

: 건강한 사람의 경우 심장 축이 -30° ~ +90° 사이에 있을 것으로 예상

: 전기 활동의 전반적인 방향은 아래 그림 노란색 화살표

: 결과적으로 Lead I, II, III에서 positive deflection을 보임

: Lead II는 전체적인 전기 확산 방향에 가장 가깝게 정렬되므로, 가장 큰 positive deflection을 보임

: aVR은 심장의 반대 방향으로 정렬하므로(노란 화살표 반대), aVR에서 가장 큰 negative delfection을 보임

Right Axis Deviation (RAD)

: Right Axis Deviation(RAD; 오른쪽 축 편차)는 탈분극 방향이 오른쪽으로 왜곡되는 것을 포함 (+90º ~ +180º)

: RAD의 가장 흔한 원인은 right ventricular hypertrophy(우심실 비대)

: QRS파를 보면, Lead I에서 negative deflection이 되고, Lead aVF 및 Lead III에서 positive deflection이 됨

: RAD는 우심실 비대를 유발하기 때문에, 폐고혈압 상태와 관련될 수 있음

: 때때로, RAD는 키가 큰 사람에서도 발견될 수 있음

: RAD의 원인은 아래와 같음

• Normal variant
• Right bundle branch block
• Right ventricular hypertrophy
• Left posterior fascicular block
• Dextrocardia
• Ventricular rhythms (accelerated idioventricular or ventricular tachycardia)
• Lateral wall myocardial infarction
• Wolff-Parkinson-White syndrome
• Acute right heart strain/pressure overload — also known as McGinn-White Sign or S1Q3T3 that occurs in pulmonary embolus

Left Axis Deviation (LAD)

: Left Axis Deviation(LAD; 왼쪽 축 편차)는 탈분극 방향이 왼쪽으로 왜곡되는 것을 포함 (-30° ~ -90°)

: QRS파를 보면, Lead III에서 positive delfection이 보임

: LAD는 일반적으로 전기 전도 이상으로 인해 발생함

: LAD의 원인은 아래와 같은데, 처음 3 개는 LAD를 보이는 ECG의 약 90%를 차지함

• Normal variant
• Left anterior fascicular block
• Left ventricular hypertrophy (rarely with LVH; usually axis is normal)
• Left bundle branch block (rarely with LBBB)
• Mechanical shift of heart in the chest (lung disease, prior chest surgery, etc.)
• Inferior myocardial infarction
• Wolff-Parkinson-White syndrome with “pseudoinfarct” pattern
• Ventricular rhythms (accelerated idioventricular or ventricular tachycardia)
• Ostium primum atrial septal defect

#Reference

1) www.healio.com/cardiology/learn-the-heart/ecg-review/ecg-interpretation-tutorial/determining-axis

2) geekymedics.com/what-is-cardiac-axis/

Cardiac axis determination

end

BioinformaticsAndMe