손목밴드 생리 신호만으로 혈당을 예측할 수 있을까?

기본 정보

제목: Comparison of Feature Learning Methods for Non-Invasive Interstitial Glucose Prediction Using Wearable Sensors in Healthy Cohorts: A Pilot Study
저자: Huang, X., Schmelter, F., Uhlig, A. 외 다수
저널: Intelligent Medicine
출판연도: 2024
DOI: 10.1016/j.imed.2024.05.002
PMID: -
근거 수준: 탐색적 분석 (파일럿 연구)

이 연구는 Empatica E4 손목밴드의 혈류맥파(BVP), 피부전도도(EDA), 심박수, 피부온도 데이터만으로 CGM 값을 예측하는 딥러닝 모델을 개발했다. 식사 기록이나 활동 로그 없이 생리 신호만으로 간질액 포도당 수준을 추정하는 것이 가능함을 최초 수준으로 실증한 연구다. BiLSTM 모델이 RMSE 13.42 mg/dL로 최적 성능을 달성했다.

1. 이 연구는 왜 필요했을까

연속혈당측정기(CGM)는 혈당 관리에 혁신을 가져왔지만 비용이 높고 피부에 센서를 부착해야 하는 불편함이 있다. 특히 건강한 사람들의 일상적 혈당 모니터링에는 CGM의 비용 대비 효과가 떨어진다. 만약 이미 착용하고 있는 스마트워치의 생리 신호만으로 혈당을 추정할 수 있다면 접근성이 크게 높아질 것이다.

기존 연구들은 식사 기록이나 활동 로그를 함께 입력으로 사용했는데, 이는 사용자의 수동 입력에 의존하여 지속 가능성이 낮다. 이 연구는 사용자 입력 없이 오직 웨어러블 생리 신호만으로 혈당을 예측할 수 있는지 확인하고자 했다.

식사 기록이나 활동 로그 없이 웨어러블 생리 신호만으로 간질액 포도당 수준을 추정하는 딥러닝 모델을 비교 검증했다.

2. 어떻게 연구했을까

건강한 참가자들을 대상으로 10일간 Empatica E4 손목밴드와 Abbott Freestyle Libre 3 CGM을 동시에 착용하도록 했다. E4에서 수집한 혈류맥파(BVP), 피부전도도(EDA), 심박수, 피부온도의 4가지 생리 신호를 입력으로 사용하고, CGM 측정값을 정답 레이블로 활용했다.

4가지 딥러닝 모델을 비교 평가했다. 1차원 합성곱 신경망(CNN), 경량 트랜스포머, LSTM+어텐션, 양방향 LSTM(BiLSTM)을 구현하여 5분 후 혈당 예측 성능을 측정했다. 교차 검증은 참가자 단위 leave-one-out 방식을 적용하여 새로운 사용자에 대한 일반화 능력을 평가했다.

3. 무엇을 발견했을까

BiLSTM 모델이 4가지 모델 중 가장 우수한 성능을 보였다. 평균 RMSE 13.42 mg/dL, 평균 MAPE 0.12를 달성했으며, Clarke Error Grid 분석에서 D영역(임상적으로 위험한 오류) 비율이 3.01%에 그쳤다.

BiLSTM 모델이 식사 기록 없이 손목 센서 데이터만으로 RMSE 13.42 mg/dL의 혈당 예측 성능을 달성했다.

이 결과는 CGM 자체의 측정 오차(MARD 8-10%)를 고려하면 의미 있는 수준이다. 특히 시계열 데이터의 양방향 맥락을 포착하는 BiLSTM의 구조가 단방향 모델이나 CNN보다 혈당의 동적 변화 패턴을 더 잘 학습할 수 있음을 시사한다.

4. 우리 서비스에 어떻게 쓸까

제품 기능

스마트워치의 심박수, HRV, 피부온도 데이터를 활용하여 식후 혈당 변화 추세를 추정하는 기능의 기술적 근거로 활용할 수 있다. 사용자가 별도의 식사 기록을 하지 않아도 생리 신호 변화만으로 식후 상태를 감지하는 패시브 모니터링이 가능하다.

콘텐츠 활용

"스마트워치만으로 혈당 변화를 알 수 있다? 딥러닝이 여는 새로운 가능성"
"CGM 없이 혈당 추적하기: 손목 센서 데이터의 잠재력"

적용 시 주의사항

이 연구는 소규모 파일럿 연구이므로 앱에서는 "초기 연구에 따르면 웨어러블 생리 신호로 혈당 추세를 추정할 가능성이 있습니다"라는 수준의 표현이 적절하다. 정확한 혈당 수치를 제공하는 것처럼 오해될 수 있는 표현은 피해야 한다.

5. 한계점

참가자 수가 적은 소규모 파일럿 연구로, 대규모 인구 집단에서의 일반화 가능성이 검증되지 않았다. Empatica E4는 연구용 기기로 일반 소비자 스마트워치와 센서 품질이 다를 수 있어, 상용 기기에서의 성능 저하가 예상된다.

또한 건강한 참가자만 대상으로 했기 때문에 혈당 변동 범위가 좁아, 당뇨 전단계나 당뇨 환자에서의 성능은 별도 검증이 필요하다. 10일이라는 짧은 데이터 수집 기간도 계절적, 생리적 변동을 반영하지 못한다는 한계가 있다.

마무리

이 연구는 식사 기록 없이 손목 웨어러블의 생리 신호만으로 혈당을 예측할 수 있다는 가능성을 처음으로 실증했다. 소규모 파일럿이지만, HRV와 심박 기반 식이 반응 개인화의 직접적 기술 근거를 제공한다는 점에서 의미가 크다.