새로운 AI 모델, 비정상적인 검사 결과 나타나기 전에 당뇨병 위험 식별

수백만 명이 자신의 초기 당뇨병 위험을 인지하지 못할 수도 있습니다. AI 모델은 혈당 수치가 검사 결과보다 더 중요한 이유를 보여줍니다.

Nature Medicine 저널에 최근 게재된 논문에서 연구진은 두 집단에 걸쳐 2,400명 이상의 데이터를 분석하여 혈당 급증 패턴을 파악하고 개인화된 혈당 위험 프로필을 개발했습니다.

연구진은 제2형 당뇨병(T2D) 환자와 당뇨병 전단계 또는 정상 혈당 환자 간에 혈당 급증 양상에 유의미한 차이가 있음을 발견했습니다. 연구진이 개발한 다중 위험 모델은 의사들이 제2형 당뇨병 발병 위험이 높은 당뇨병 전단계 환자를 식별하는 데 도움이 될 수 있습니다.

2형 당뇨병 환자는 야간 저혈당증이 더 심했으며, 혈당 급증 후 기준 혈당 수치로 돌아오는 데 평균 20분 이상 더 오래 걸렸습니다. 이는 주요 생리학적 차이가 있음을 시사합니다.

당뇨병과 전당뇨병은 미국 성인 인구의 상당수에 영향을 미치지만, 당화혈색소(HbA1c)와 공복 혈당과 같은 표준 진단 검사로는 포도당 조절의 전체적인 복잡성을 포착할 수 없습니다.

스트레스, 미생물군 구성, 수면, 신체 활동, 유전, 식단, 나이 등 많은 요인이 혈당 변화에 영향을 미칠 수 있으며, 특히 식후 혈당 급증(90분 이내에 30mg/dL 이상 증가한 것으로 정의)은 겉보기에 건강해 보이는 사람에게도 나타납니다.

이전에는 이러한 변화를 연속 포도당 모니터링(CGM)을 사용하여 연구했지만, 적용 범위가 종종 당뇨병 전단계 환자와 정상 혈당 환자로 제한되었으며, 역사적으로 생물의학 연구에서 대표성이 부족했던 집단이 연구에 반영되지 않은 경우가 많았습니다.

이러한 차이를 해소하기 위해 PROGRESS 연구에서는 전국적인 원격 임상 시험을 실시하여 정상 혈당과 제2형 당뇨병을 가진 1,137명의 다양한 참여자(역사적으로 생물의학 연구에서 저대표된 그룹의 48.1%)를 10일간 CGM을 통해 등록하고, 미생물군 구성, 유전체학, 심박수, 수면, 식단 및 활동에 대한 데이터를 수집했습니다.

이러한 다중 모드 접근 방식을 통해 혈당 조절과 혈당 변동에 대한 개인 간 변동성을 보다 세밀하게 이해할 수 있었습니다.

이 연구의 목적은 당뇨병으로 진행될 위험이 있는 전당뇨병 환자의 조기 발견 및 개입을 개선할 수 있는 포괄적인 혈당 위험 프로필을 작성하고 HbA1c와 같은 기존 진단 측정 방법에 대한 개인화된 대안을 제공하는 것입니다.

연구진은 PROGRESS(미국의 디지털 임상시험)와 HPP(이스라엘의 관찰 연구)의 두 코호트 데이터를 사용했습니다. PROGRESS는 제2형 당뇨병(T2D) 유무에 관계없이 성인을 대상으로 10일간 연속혈당측정(CGM)을 시행하는 동시에 장내 미생물군, 유전체, 심박수, 수면, 식단, 활동량에 대한 데이터를 수집했습니다.

장내 미생물 다양성(섀넌 지수)은 평균 포도당 수치와 직접적인 음의 상관관계를 보였습니다. 미생물 군집이 덜 다양할수록 모든 그룹에서 포도당 조절이 더 나빴습니다.

참가자들은 또한 집에서 대변, 혈액, 타액 샘플을 채취하여 전자 의료 기록을 공유했습니다. 제외 기준에는 최근 항생제 사용, 임신, 제1형 당뇨병, 그리고 CGM이나 대사 데이터에 교란을 일으킬 수 있는 기타 요인이 포함되었습니다. 참가자 모집은 소셜 미디어와 전자 의료 기록을 기반으로 한 초대장을 통해 전적으로 원격으로 진행되었습니다.

연속혈당측정(CGM) 데이터는 분 단위로 처리되었고, 혈당 스파이크는 미리 설정된 임계값을 사용하여 정의되었습니다. 평균 혈당, 고혈당 지속 시간, 스파이크 지속 시간을 포함한 6가지 주요 혈당 지표가 계산되었습니다.

식단 일지 앱과 웨어러블 트래커를 사용하여 생활 습관 데이터를 수집했습니다. 유전체 및 마이크로바이옴 데이터는 표준 방법을 사용하여 분석했으며, 다유전자 위험 점수 및 마이크로바이옴 다양성 지수와 같은 복합 지표를 계산했습니다.

다중 모드 데이터(인구 통계, 인체 계측, 연속혈당측정(CGM), 식이, 미생물군)를 활용한 제2형 당뇨병 위험 평가 모델을 머신러닝을 통해 구축하고, PROGRESS 및 HPP 코호트에서 그 성능을 검증했습니다. 통계 분석에서는 공분산 분석, 스피어만 상관관계 분석, 부트스트래핑을 사용하여 유의성을 검증하고 모델을 평가했습니다.

1,137명의 참여자 중 347명이 최종 분석에 포함되었습니다. 이 중 174명은 정상 혈당, 79명은 당뇨병 전단계, 94명은 제2형 당뇨병이었습니다.

연구진은 야간 저혈당, 혈당 스파이크 해소 시간, 평균 혈당, 그리고 고혈당 발생 시간 등 각 조건 간에 혈당 스파이크 지표에서 유의미한 차이를 발견했습니다. 가장 큰 차이는 제2형 당뇨병 환자군과 다른 그룹 간에 나타났으며, 당뇨병 전단계 환자는 혈당 스파이크 빈도 및 강도와 같은 주요 지표에서 제2형 당뇨병 환자군보다 통계적으로 정상 혈당에 더 가까웠습니다.

미생물군 다양성은 대부분의 포도당 급증 지표와 음의 상관관계를 보였으며, 이는 건강한 미생물군일수록 포도당 조절이 더 잘 된다는 것을 시사합니다.

안정시 심박수, 체질량 지수, 그리고 당화혈색소(HbA1c) 수치가 높을수록 혈당 수치가 더 나빠지는 것으로 나타났고, 신체 활동은 혈당 수치가 더 좋아지는 것으로 나타났습니다. 흥미롭게도, 탄수화물 섭취량이 많을수록 최고치 도달 속도가 빨라졌지만, 혈당 급등 현상이 더 빈번하고 강렬하게 나타났습니다.

연구팀은 다중 모드 데이터를 기반으로 정상 혈당과 제2형 당뇨병을 높은 정확도로 구분하는 이진 분류 모델을 개발했습니다. 외부 코호트(HPP)에 적용했을 때, 이 모델은 높은 성능을 유지했으며, 유사한 HbA1c 수치를 가진 전당뇨병 환자들 사이에서 위험 수준의 유의미한 변동성을 성공적으로 식별했습니다.

이러한 결과는 다중 모드 혈당 프로파일링이 표준 진단 방법에 비해 위험 예측과 개인 모니터링을 개선할 수 있으며, 특히 당뇨병 전단계에 효과적임을 시사합니다.

이 연구는 HbA1c와 같은 전통적인 당뇨병 진단법이 포도당 대사의 개별적인 특성을 반영하지 못한다는 점을 강조합니다.

연구진은 다중 모드 데이터(유전체, 생활 방식, 미생물군)와 CGM을 결합하여 사용한 결과, 정상 혈당, 전당뇨병, 2형 당뇨병 간의 포도당 변동에 상당한 차이가 있음을 발견했으며, 전당뇨병은 여러 핵심 지표에서 2형 당뇨병보다 정상 혈당과 더 유사한 것으로 나타났습니다.

외부 코호트에서 검증된 머신 러닝 기반 위험 모델은 HbA1c 값이 비슷한 전당뇨병 환자 사이에서 위험 차이가 크다는 것을 밝혀내어 기존 방법보다 추가적인 가치가 있음을 확인했습니다.

이 연구의 강점은 분산적이고 다양한 PROGRESS 코호트(소수 집단 참여 비율이 48.1%)와 "실제" 데이터 수집을 들 수 있습니다. 그러나 기기 차이로 인한 잠재적 편향, 자가 보고의 부정확성, 식단 일지 작성의 어려움, 그리고 혈당 강하제 사용 등의 한계점이 있습니다.

예후적 이점과 임상적 중요성을 확인하려면 더 큰 규모의 검증 및 종단 연구가 필요합니다.

궁극적으로 이 연구는 원격 다중 모드 데이터 수집이 조기 발견, 당뇨병 전단계 위험 계층화, 개인화된 2형 당뇨병 예방을 개선할 수 있는 잠재력을 보여주며, 당뇨병 위험이 있는 환자에게 더 정확하고 포괄적인 치료를 제공하는 길을 열어줍니다.