Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers

기술 요약: 웨어러블 및 일상 혈액 생체표지자를 통한 인슐린 저항성 예측

문제 제기
인슐린 저항성 (IR) 은 제 2 형 당뇨병 (T2D) 의 주요 전구체이자 대사 증후군의 핵심 구성 요소이나, 현재 이를 탐지하는 방법들은 종종 접근성이 낮거나 비용이 많이 들며 일상적으로 시행되지 않는다. 황금 표준인 고인슐린 혈당 클램프 (hyperinsulinemic euglycemic clamp) 는 대규모 선별 검사에는 실용적이지 않다. 반면, 인슐린 저항성 항상성 모델 평가 (HOMA-IR) 는 더 접근하기 쉬운 대안이지만, 임상 검사실 방문과 공복 혈액 채취가 필요하며, 공복 혈당이나 HbA1c 수치가 정상인 개인의 초기 단계 IR 을 놓치는 경우가 많다. 결과적으로 조기 생활 습관 개입의 기회가 자주 놓친다. 소비자 기술과 일상 건강 검진을 통해 점점 더 이용 가능해지는 데이터를 활용하여 IR 위험군을 식별할 수 있는 확장 가능하고 원격적인 방법이 필요하다.

방법론
본 연구는 구글 헬스 스타디 (GHS) 플랫폼을 통해 미국 내 1,165 명의 다양한 코호트를 모집하는 전향적 관찰 설계를 사용하였다. 데이터셋은 세 가지 주요 모달리티를 통합하였다:

1. 웨어러블 데이터: Fitbit 및 구글 픽셀 워치 장치에서 수집된 시계열 데이터로, 휴식 시 심박수 (RHR), 심박 변이도 (HRV), 일일 걸음 수, 수면 시간을 포함한다.
2. 인구통계학적 정보: 나이, 성별, 인종, 그리고 체질량 지수 (BMI).
3. 혈액 생체표지자: 공복 혈당, HbA1c, 지질 패널 (HDL, LDL, 중성지방), 그리고 대사 패널을 포함한 일상 임상 측정치.

IR 의 기준치 (ground truth) 는 공복 인슐린과 혈당으로 계산된 HOMA-IR 을 사용하여 설정하였다. 참가자들은 세 가지 클래스로 분류되었다: 인슐린 감수성 (IS, HOMA-IR < 1.5), 손상된 인슐린 감수성 (1.5 ≤ HOMA-IR ≤ 2.9), 그리고 인슐린 저항성 (IR, HOMA-IR > 2.9).

모델링 파이프라인은 두 가지 주요 접근법을 포함하였다:

• 직접 회귀: 선형 (L1-L2) 및 비선형 (트리) 학습자를 모두 사용하는 XGBoost 를 활용하여 입력 특징으로부터 연속적인 HOMA-IR 값을 직접 예측한다.
• 표현 학습: 입력 데이터 (웨어러블, 인구통계, 생체표지자) 의 잠재 표현을 학습하기 위해 마스킹 오토인코더 (MAE) 를 사용한 후, 이러한 임베딩을 XGBoost 회귀기에 입력한다.

본 연구는 최적의 입력을 결정하기 위해 25 가지 특징 조합과 6 가지 시간 창 (7 일에서 120 일) 에 걸쳐 대규모 제거 연구 (ablation study) 를 수행하였다. 모델 성능은 5 교차 검증과 독립적인 외부 검증 코호트 (N=72) 를 사용하여 평가하였다. 또한, 저자들은 훈련된 ML 모델을 활용하여 HOMA-IR 값을 해석하고 개인화되고 근거 기반의 건강 통찰력을 제공하는 ReAct 프레임워크 기반의 대규모 언어 모델 (LLM) 인 "인슐린 저항성 문해력 및 이해 에이전트"를 개발하였다.

주요 결과

• 예측 성능: 웨어러블 데이터, 인구통계, 그리고 일상 혈액 생체표지자 (지질 및 대사 패널) 를 결합한 최적 모델은 HOMA-IR 회귀에 대해 $R^2$ 0.50 을 달성하였다. IR(임계값 > 2.9) 의 이진 분류에 대해 모델은 AUROC 0.80, 민감도 76%, 특이도 84% 를 달성하였다.
• 특징 중요도: 공복 혈당이 가장 중요한 예측 인자로 나타났으며, 그다음으로 BMI 가 뒤를 이었다. 혈당을 제외할 경우 BMI 가 여전히 우세했으며, RHR 이 두 번째로 높았다. 웨어러블 특징 (걸음 수, 수면, HRV) 은 특히 좌식 생활을 하는 개인을 식별하는 데 모델 성능에 일관되게 기여하였다.
• 하위 그룹 성능: 모델은 고위험 하위 그룹에서 우수한 성능을 보였다. 비만 및 좌식 생활을 하는 참가자의 경우, 모델은 93% 의 민감도와 95% 의 조정된 특이도 (진짜 인슐린 감수성 개인에서 위양성 감소 강조) 를 달성하였다.
• 견고성과 일반화: 혈액 생체표지자의 포함은 다양한 시간 창에 걸친 변동 계수를 줄여 예측 안정성을 향상시켰다. 모델은 독립적인 검증 코호트 (N=72) 에서 성능을 유지하여 다양한 인종 간 일반화를 보였으나, 훈련 데이터 표현이 제한된 소수 그룹 (예: 아프리카계 미국인 및 인도계 아시아인) 에 대해서는 성능이 변이가 있었다.
• LLM 에이전트 평가: 5 명의 전문 인증 내분비학자에 의한 평가 결과, 예측된 IR 상태를 통합한 IR 에이전트는 포괄성 (80% 선호), 신뢰성 (92% 선호), 그리고 개인화 (73.3% 선호) 측면에서 기본 LLM 보다 훨씬 높은 평가를 받았다. 에이전트는 높은 사실성 (79%) 과 안전성 (96%) 을 보여주었다.

의의 및 주장
저자들은 이 작업이 특수 인슐린 분석 없이 readily 이용 가능한 디지털 생체표지자와 일상 혈액 검사를 사용하여 인슐린 저항성을 예측하는 최초의 배포 가능한 엔드 투 엔드 모델을 제공한다고 주장한다. 본 연구는 다음을 강조한다:

1. 조기 탐지: 이 접근법은 표준 선별 검사에서는 종종 놓치지만 T2D 발병 위험이 높은 정상 HbA1c 및 공복 혈당 수치를 가진 인슐린 저항성 개인을 식별할 수 있다.
2. 확장성: 기존 웨어러블 채택과 일상 혈액 검사를 활용함으로써, 이 방법은 임상적 확인 검사를 위한 개인을 우선순위화할 수 있는 인구 수준의 선별을 위한 확장 가능한 솔루션을 제공한다.
3. 실행 가능한 통찰력: 예측 모델과 LLM 에이전트의 통합은 복잡한 대사 데이터를 이해하기 쉽고 안전하며 개인화된 건강 권고안으로 전환하는 경로를 보여주며, 인슐린 저항성을 역전시킬 수 있는 조기 생활 습관 개입을 촉진한다.
4. 한계: 저자들은 모델의 특정 인종 그룹에 대한 일반화에는 더 크고 다양한 훈련 데이터셋이 필요하며, HOMA-IR 은 검증된 대리 지표이지만 황금 표준 클램프에 비해 고유한 변이성을 가진다고 인정한다. 또한, 혈액 채취와 웨어러블 사용 요구 사항으로 인해 연구 코호트가 건강 인식도가 높은 개인을 과대표할 수 있음을 지적한다.

이 작업은 디지털 건강 데이터를 대사 기능 장애의 조기 식별을 위한 전통적인 임상 지표의 실현 가능한 보완재로 위치시키며, 반응성 당뇨병 관리에서 예방적 예방으로의 패러다임 전환을 목표로 한다.