AI 기반 이중 모드 적응형 베이설볼루스 조언 시스템

초록

본 논문은 강화학습(RL)을 활용한 적응형 basal‑bolus 알고리즘(ABBA)을 제안한다. ABBA는 SMBG와 CGM 두 가지 혈당 측정 입력을 모두 지원하며, 전날의 혈당 데이터를 기반으로 개인 맞춤형 일일 basal 비율과 식사시 인슐린 용량을 자동으로 제안한다. FDA 승인 인체 모델 100명을 대상으로 3개월 시뮬레이션을 수행했으며, 식사·간식·인슐린 감수성·탄수화물 양·측정 시점 등 다양한 변동성을 포함한 현실적인 시나리오를 적용하였다. 결과는 CGM이든 SMBG든 입력 신호에 관계없이 혈당 조절 성능이 유사하고, 총 일일 인슐린 투여량에는 차이가 없음을 보여준다. 이는 AI 기반 개인화 인슐린 최적화가 측정 기술에 구애받지 않고 효과적으로 작동할 수 있음을 시사한다.

상세 분석

ABBA 알고리즘은 강화학습 중에서도 정책 기반 방법인 Actor‑Critic 구조를 변형하여 설계되었다. 상태(state)는 전날의 24시간 혈당 프로파일(시간당 평균값)과 해당 일의 식사·간식 시간, 섭취 탄수화물 양, 그리고 환자의 인슐린 감수성 지표를 포함한다. 행동(action)은 다음날의 basal 비율 조정값과 각 식사·간식에 대한 bolus 인슐린 양이다. 보상(reward)은 목표 혈당 범위(70‑180 mg/dL) 내에 머무른 시간 비율과 저혈당(≤70 mg/dL) 발생 횟수를 가중치로 결합한 형태이며, 총 일일 인슐린량 변동을 최소화하도록 페널티를 부여한다. 이러한 설계는 과잉 인슐린 투여로 인한 저혈당 위험을 억제하면서도 고혈당을 효과적으로 감소시키는 균형을 만든다.

시뮬레이션 환경은 FDA 승인 인체 모델 100명을 기반으로 하며, 각 환자는 개별적인 인슐린 감수성(SI) 파라미터와 베이스라인 basal 비율을 가지고 있다. 시나리오별 변동성은 다음과 같이 설정되었다. ① 식사 시점 변동: 실제 환자들이 식사를 지연하거나 앞당기는 현상을 반영해 ±30분 랜덤 오프셋을 적용. ② 탄수화물 양 변동: 섭취량 오차 ±15 %를 가정. ③ 인슐린 감수성 변동: 일주일 주기로 SI가 ±20 % 변동하도록 모델링. ④ 측정 시점 오류: SMBG는 하루 4회, CGM은 5분 간격 측정이지만, 실제 사용 시 누락·지연을 반영해 무작위 결측을 삽입.

학습은 각 환자별로 독립적으로 진행되며, 초기 정책은 임상 가이드라인에 기반한 고정 basal 비율과 1:15 탄수화물‑인슐린 비율을 사용한다. 이후 매일 업데이트되는 경험(replay buffer)을 통해 정책 네트워크와 가치 네트워크를 동시에 최적화한다. 학습률은 0.001, 할인율 γ는 0.95로 설정했으며, 90일 시뮬레이션 동안 평균 10,000번의 업데이트가 이루어졌다.

성능 평가는 주요 지표인 Time‑In‑Range(TIR, 70‑180 mg/dL), Time‑Below‑Range(TBR, ≤70 mg/dL), Time‑Above‑Range(TAR, ≥180 mg/dL)와 평균 혈당, 변동성 지표인 MAGE를 사용했다. CGM 입력군과 SMBG 입력군 모두에서 TIR이 약 71 %로 수렴했으며, TBR은 2 % 이하, TAR은 27 % 수준을 유지했다. 특히 두 입력군 간에 총 일일 인슐린량(Mean ≈ 45 U) 차이가 통계적으로 유의미하지 않았다. 이는 ABBA가 측정 기술에 관계없이 동일한 인슐린 최적화 목표를 달성함을 의미한다.

또한, ABBA는 기존 고정 basal‑bolus 프로토콜 대비 저혈당 발생률을 30 % 감소시켰으며, 고혈당 시간도 15 % 이상 감소시켰다. 이는 강화학습 기반 정책이 환자 개별의 일일 변동성을 실시간에 가깝게 반영하여 동적 조정을 수행할 수 있음을 보여준다.

한계점으로는 시뮬레이션 기반 검증에 머물러 실제 임상 적용 전에는 환자 행동(운동, 스트레스 등)과 센서 오류에 대한 추가 검증이 필요하다. 또한, 강화학습의 탐색‑활용 균형을 조절하는 하이퍼파라미터가 환자마다 최적이 다를 수 있어, 초기 설정 단계에서 충분한 사전 학습이 요구된다.