혈당 예측 정확도 향상을 위한 식사 흡수 및 운동 정보 활용

본 논문은 제1형 당뇨병(T1D) 환자의 혈당 예측 정확도를 향상시키기 위해, 기존의 포도당·인슐린·탄수화물 입력에 더해 식사 흡수 속도와 신체 운동 정보를 추가하는 새로운 예측 알고리즘을 제안한다. 연구 배경으로는 현재 상용 CGM 기반 시스템이 저·고혈당 사전 경보를 제공하지만, 예측 정확도가 제한적이며 특히 식사와 운동과 같은 외부 요인의 영향을 충분히 반영하지 못한다는 점을 들었다. 알고리즘은 두 부분으로 구성된다. 첫 번째는 Bergman 최소 모델과 Hovorka의 인슐린·탄수화물 흡수 모델을 결합한 ‘복합 최소 모델’이다. 이 모델은 혈당 소멸, 인슐린 작용, 인슐린 피하 흡수, 그리고 위장관에서의 포도당 출현(Ra, Ra1)을 수식으로 기술한다. 두 번째는 CGM 신호에 디컨볼루션 기법을 적용해 위장관 부문의 상태(Ra, Ra1)를 실시간으로 추정하는 과정이다. 디컨볼루션은 Herrero 등(2012)의 방법을 차용했으며, 5분 간격으로 측정된 CGM 데이터를 이용해 포도당 출현 속도를 계산하고, 이동 평균 필터와 경계 조건을 통해 노이즈를 억제한다. 식사 흡수 정보는 ‘빠름·중간·느림’ 세 가지 클래스로 구분되며, 각 클래스에 따라 최대 흡수 시간(t_maxG)을 ±20분 조정한다. 이는 식사 구성(탄수화물 종류, 섬유소 함량 등)이 포도당 흡수 속도에 미치는 영향을 모델에 반영하기 위한 실용적 방법이다. 운동 정보는 인슐린 감수성 SI를 조정함으로써 구현한다. 운동이 발생하면 SI를 k_ex(=3) 배만큼 감소시켜 단기적인 인슐린 감수성 저하를 모사한다. 이때 운동은 30분, 50% VO₂max 수준으로 가정하였다. 모델 파라미터는 개인별 식별 과정을 거친다. 인구 평균값으로 고정된 파라미터(SG, V, V_i, k_e, p2, A_g 등)와 개인별 알려진 값(체중, 기저 혈당) 외에, SI, t_maxI, t_maxG는 환자별 MARD 최소화를 목표로 fmincon 최적화 알고리즘을 사용해 추정한다. 파라미터 범위는 생리학적 제한을 고려해 설정하였다. 성능 검증은 두 가지 데이터셋에서 수행되었다. 첫 번째는 UVa‑Padova T1DM 시뮬레이터(v3.2)를 이용한 인‑실리코 실험으로, 10명의 가상 성인 피험자를 대상으로 1주일 동안 3식과 30분 운동을 포함한 시나리오를 시뮬레이션했다. 식사량·시간·탄수화물 추정 오차, 흡수 속도 변동성 등을 현실적으로 반영하기 위해 CV 10%, 시간 편차 ±20분, 탄수화물 추정 오차 -30%~+20% 등을 적용하였다. 두 번째는 실제 T1D 환자 10명의 2주간 CGM·인슐린·식사 기록을 사용한 임상 데이터이며, 여기서는 식사 흡수 정보만을 활용하였다(운동 데이터는 미포함). 예측 지평선은 5~120분을 평가했으며, 특히 60분 지평선에 초점을 맞추었다. 결과는 다음과 같다. 인‑실리코 데이터에서 RMSE는 기존 LVX 모델(32.80 mg/dL) 대비 제안 모델(23.89 mg/dL)으로 27% 감소했으며, 통계적으로 유의했다(p<0.001). 임상 데이터에서도 RMSE가 49.17 mg/dL(LVX)에서 35.96 mg/dL(제안 모델)로 크게 감소(p<0.01). 또한 Clarke Error Grid 분석에서 위험 구역(Zone C~E) 비율이 감소하여 저·고혈당 사전 경보 정확도가 향상되었다. 논문의 주요 기여는 (1) 식사 흡수와 운동 정보를 모델에 통합함으로써 포도당 동역학을 보다 정밀하게 묘사, (2) 디컨볼루션 기반 실시간 상태 추정으로 모델 예측의 정확도와 안정성을 동시에 확보, (3) 시뮬레이션과 실제 임상 데이터를 모두 사용해 알고리즘의 일반화 가능성을 검증한 점이다. 한계점으로는 임상 데이터에 운동 정보가 포함되지 않아 실제 환경에서의 종합 효과를 완전히 입증하지 못했다는 점, 운동에 대한 SI 조정이 고정값(k_ex=3)으로 단순화되어 개인별 차이를 충분히 반영하지 못했을 가능성, 그리고 장기적인 인슐린 감수성 변화(예: 운동 후 지속적인 효과)를 모델링하지 않은 점을 들 수 있다. 향후 연구에서는 웨어러블 운동 센서와 연동해 실시간 운동 강도·시간을 입력으로 사용하고, 개인별 k_ex 추정 및 장기 감수성 변화를 포함한 확장 모델을 개발할 필요가 있다. 또한, 다양한 연령·체중·병력군에 대한 검증을 통해 알고리즘의 임상 적용성을 확대하고, 실제 인슐린 펌프와 연계한 실시간 피드백 제어 시스템에 통합하는 방안을 모색해야 한다.