연속 혈당 모니터링(CGM) 데이터를 활용한 인공지능(AI) 모델은 개인의 혈당 변화를 예측하고 건강 관리에 중요한 통찰력을 제공하지만, 센서(device) 종류에 따른 측정 방식 차이로 인해 데이터 분석의 정확도가 떨어지는 문제가 있었습니다. 최근 발표된 '글루코프리즘(GlucoPRISM)' 연구는 이러한 센서 편향(sensor bias)을 효과적으로 제거하여, 다양한 환경과 기기에서 수집된 혈당 데이터를 더 정확하게 해석할 수 있는 새로운 사전 학습(pretraining) 방식을 제안했습니다.
글루코프리즘은 기존 CGM 기반 모델인 글루코FM(GlucoFM)을 기반으로, 혈당 데이터를 개인의 특성(Trait), 일별 상태(State), 그리고 센서 특성(Sensor)이라는 세 가지 독립적인 밴드(band)로 분리하여 인코딩합니다. 특히, 16차원의 센서 밴드는 기기 자체의 측정 방식을 추적하도록 설계되었으며, 합성 센서 뷰(synthetic sensor views)를 활용해 임상 라벨 없이도 이러한 분리 학습을 가능하게 했습니다. 배포 단계에서는 이 센서 밴드를 제거함으로써, 모델이 특정 센서에 얽매이지 않고 일반화된 혈당 패턴을 학습하도록 유도합니다. 실제 12가지 교차 코호트(cross-cohort) 방향에서 센서 밴드를 제거했을 때, 평균 전이 AUROC(Area Under the Receiver Operating Characteristic curve)가 68.75에서 73.57로 상승하여, 기존 글루코FM의 69.3보다 높은 성능을 보였습니다.
이러한 센서 편향 제거 기술은 개인 맞춤형 건강 관리의 정확도를 획기적으로 높일 수 있습니다. 서로 다른 CGM 기기를 사용하거나, 다양한 임상 환경에서 수집된 데이터를 통합 분석할 때 발생하는 오류를 줄여주기 때문입니다. 이는 당뇨병 환자의 혈당 관리뿐만 아니라, 일반인의 건강 증진을 위한 예측 모델 개발에도 크게 기여할 것입니다. 궁극적으로는 더 신뢰할 수 있는 AI 기반 건강 솔루션의 등장을 촉진하며, 의료 데이터 활용의 폭을 넓히는 중요한 진전으로 평가됩니다.