파일 목록으로

CGM 없는 혈당 추정

HRV, 수면 단계, 활동량, 식이 기록, 피부 온도 등 비침습적 웨어러블 데이터로 연속혈당측정기(CGM)를 대체하여 혈당을 추정하는 기술

개요

  • 입력 시그널: HRV, 수면 단계, 활동량, 식이 기록, 피부 온도, PPG(광용적맥파)
  • 대체 대상: CGM 센서 (Dexcom G6/G7, Abbott FreeStyle Libre 등)
  • 현재 성숙도: 연구 단계 ~ 초기 임상 (FDA 승인된 비침습 혈당 모니터 없음, 2025년 기준)

주요 연구 및 논문

1. Age-Normalized HRV Features for Non-Invasive Glucose Prediction (Karunarathna & Liang, 2025)

  • 출처: arXiv 2508.11682
  • 핵심 내용: 수면 중 HRV를 활용한 비침습 혈당 예측에서 연령 정규화가 예측 정확도를 크게 향상시킴을 입증한 파일럿 연구. 수면 단계별(REM, 깊은 수면) HRV 특성이 혈당과 유의미한 상관관계를 보임.
  • 방법론: 수면 단계별 HRV 특성 추출 후 연령 정규화 적용, 회귀 모델 사용. Systematic ablation study로 각 구성요소의 기여도 검증.
  • 주요 결과: 연령 정규화 HRV 특성으로 R² = 0.161 (MAE = 0.182) 달성, 비정규화 대비 25.6% 개선. REM 수면 시 평균 RR 간격이 가장 높은 예측력 (r = 0.443).
  • 의의: HRV 기반 혈당 예측에서 연령에 따른 자율신경 변화를 보정해야 한다는 점을 최초로 체계적으로 입증.

2. Multi-Modal Wearable Sensor Glucose Prediction in Free-Living Conditions (Karunarathna & Liang, 2025)

  • 출처: MDPI Sensors 25(10):3207
  • 핵심 내용: 수동적으로 수집되는 다중 모달 웨어러블 데이터만으로 혈당을 예측하는 새로운 접근법. 수동 식이 입력 없이 자동 수집된 데이터만 활용.
  • 방법론: 236개 엔지니어링 피처를 다중 생리학적 스트림(PPG, EDA, 피부 온도, 가속도계)에서 추출. 다양한 ML 모델 비교.
  • 주요 결과: R² = 0.73 달성. 피처 엔지니어링이 모델 복잡성 증가보다 더 큰 성능 향상을 가져옴.
  • 의의: 수동 식이 기록 없이 자동 수집 데이터만으로 실생활 조건에서의 연속 혈당 예측 가능성 입증.

3. PhysioCGM: Multimodal Physiological Dataset for Non-Invasive Blood Glucose Estimation (2025)

  • 출처: Nature Scientific Data
  • 핵심 내용: ECG, PPG, EDA 등 소비자급 웨어러블 센서의 원시 생리학적 기록과 CGM 기준값을 포함하는 오픈소스 데이터셋. 기존 데이터셋의 저해상도, CGM 기준값 부재 문제를 해결.
  • 방법론: 다중 센서(ECG, PPG, EDA) 원시 데이터를 높은 샘플링 레이트로 수집, CGM과 동기화.
  • 주요 결과: 비침습 혈당 추정 연구를 위한 최초의 포괄적 오픈소스 벤치마크 데이터셋 제공.
  • 의의: 재현 가능한 연구와 모델 비교를 위한 표준 데이터셋으로, 분야 발전의 기반이 됨.

4. Non-Invasive Blood Glucose Monitoring Using PPG with Deep Learning and TinyML (2025)

  • 출처: Nature Scientific Reports
  • 핵심 내용: PPG 신호에서 1초 세그멘테이션 기법을 적용하여 혈당을 추정하는 딥러닝 모델. 엣지 디바이스(TinyML)에서의 실시간 추론까지 구현.
  • 방법론: 1초 PPG 세그멘테이션, CNN/LSTM 등 3개 딥러닝 모델 비교 평가. 추가 데이터셋으로 로버스트니스 검증.
  • 주요 결과: 1초 세그멘테이션이 정확도와 계산 효율성을 모두 향상시킴. TinyML 구현으로 온디바이스 추론 가능.
  • 의의: 스마트워치 수준의 소형 디바이스에서 실시간 비침습 혈당 모니터링의 가능성을 보여줌.

5. Digital Biomarkers for Interstitial Glucose Prediction in Healthy Individuals (Dietz et al., 2025)

  • 출처: Nature Scientific Reports
  • 핵심 내용: 건강한 성인에서 비침습 웨어러블 데이터로 간질액 포도당을 예측하는 ML 접근법. 표준화된 시험 식사를 포함한 두 차례 실험 세션에서 검증.
  • 방법론: 7-8시간 실험 세션에서 CGM과 비침습 센서 동시 측정. 1,550개 이상의 간질액 포도당 측정값과 다중모달 고주파 데이터 수집. 후속 연구에서 14,400개 이상 측정.
  • 주요 결과: 비침습 웨어러블 데이터 기반 ML 모델이 건강 코호트에서 혈당 트렌드 예측에 유효함을 입증.
  • 의의: 비당뇨 건강인에서도 웨어러블 기반 혈당 모니터링이 의미 있는 정보를 제공할 수 있음을 시사.

6. Personalized ML Models for Noninvasive Hypoglycemia Detection Using Smartwatch (2025)

  • 출처: PLOS ONE
  • 핵심 내용: 소비자급 스마트워치 데이터로 제1형 당뇨 환자의 저혈당을 비침습적으로 탐지하는 개인화 ML 모델. 깨어 있는 시간과 수면 시간에서 피처 중요도가 다르게 나타남.
  • 방법론: 18명의 제1형 당뇨 성인 대상, 스마트워치(심박수, HRV, 피부 온도, 가속도) 데이터로 개인화 ML 모델 훈련. 2023년 5월~2024년 6월 데이터 수집.
  • 주요 결과: 수면 중과 각성 중의 피처 중요도가 상이함을 발견. 개인화 모델이 범용 모델 대비 우수한 성능.
  • 의의: 스마트워치만으로 저혈당 사전 감지가 가능하며, 시간대별 맞춤 모델이 필요함을 시사.

7. Enhancing Wearable-based Real-Time Glucose Monitoring via Phasic Image Representation Learning (Chowdhury et al., 2024)

  • 출처: arXiv 2406.16926
  • 핵심 내용: BVP, EDA, 피부 온도 등 웨어러블 데이터를 Recurrence Plot 이미지로 변환하여 딥러닝 기반 실시간 혈당 모니터링 성능을 향상시킨 연구.
  • 방법론: 16명 참가자, 8-10일간 Dexcom G6 CGM + Empatica E4 동시 착용. 원시 바이오메트릭 데이터를 RGB 이미지(Recurrence Plot)로 변환 후 딥러닝 모델 적용.
  • 주요 결과: 시간적/위상적 차원의 이미지 표현이 기존 시계열 접근법 대비 혈당 예측 정확도 향상.
  • 의의: 원시 센서 데이터의 혁신적 변환 기법이 딥러닝 기반 혈당 예측에 새로운 가능성을 제시.

상용화 동향

기업/제품기술상태 (2025년 기준)
Know Labs (KnowU)RF 유전체 분광법 기반 비침습 CGMMARD 11.1% 달성 (2024 ATTD), FDA 임상시험 진행 중
Apple레이저 기반 광학 혈당 감지연구 개발 중, 상용화까지 수년 소요 전망
Samsung비침습 광학 기반 연속 혈당 모니터개발 중, 5년 내 상용화 목표 (2025년 발표)
DiaMonTech (D-Pocket)중적외선 광음향 분광법임상 평가 단계
Apollon라만 분광법소형화/웨어러블화 진행 중
Rockley Photonics광학 센서정확도 5 mg/dL 달성, 소형화 진행
Levels HealthCGM 데이터 분석 앱 (별도 CGM 필요)상용 서비스 운영 중
NutrisenseCGM 기반 대사 건강 플랫폼상용 서비스 운영 중
UltrahumanCGM 기반 대사 건강 모니터링M1 플랫폼 상용 운영

한계 및 과제

  1. 정확도 격차: 현재 비침습 방식은 CGM 수준의 임상 정확도에 미달. 특히 저혈당/고혈당 구간에서 오차가 큼.
  2. FDA 규제: 2025년 현재 FDA 승인을 받은 비침습 혈당 모니터는 없음. FDA는 미승인 스마트워치 혈당 측정 장치에 대해 경고를 발표.
  3. 개인 간 변동성: 피부색, 체지방률, 수분 상태 등 개인 차이가 정확도에 큰 영향. 범용 모델의 한계.
  4. 시간 지연: 간질액과 혈중 포도당 간 10-15분의 시간 지연이 존재하여 급격한 혈당 변화 감지가 어려움.
  5. 다중 모달 간섭: PPG 기반 측정 시 혈액, 수분, 지방, 단백질, 멜라닌 등이 포도당 신호와 간섭.
  6. 장기 안정성: 센서 드리프트, 환경 변화에 대한 장기적 안정성 검증이 부족.
  7. 데이터셋 규모: 대부분의 연구가 소규모 코호트(16-100명)에서 수행되어 일반화 가능성 미검증.

참고 자료

0 / 68