📄 bioengineering

Controlled In Vitro Characterization of the Dynamic Response of Continuous Glucose Monitoring Systems: Adaptation of a Programmable Flow Platform and Decomposition of Dynamic Error

본 연구는 프로그래밍 가능한 유동 기반 인 비트로(in vitro) 플랫폼을 적용하여 생성된 포도당 프로파일의 정확도를 연속 혈당 측정(CGM) 시스템의 동적 응답으로부터 분리하며, MARD와 같은 전통적인 요약 통계량에 의해 가려진 성능 한계를 밝히기 위해 동적 오차를 진폭, 변화율, 형태 및 히스테리시스 성분으로 분해하는 새로운 지표 세트를 제안한다.

원저자: Khoroshun, E. V., Kozlov, V. A., Ivanov, I. V., Momynaliev, K.

게시일 2026-08-13

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Khoroshun, E. V., Kozlov, V. A., Ivanov, I. V., Momynaliev, K.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 로봇에게 폭풍 속에서 자동차를 운전하는 법을 가르치려 한다고 상상해 보십시오. 당신은 단순히 로봇이 '지금 현재' 차가 어디에 있는지 아는 것만을 원하는 것이 아닙니다. 로봇은 차가 얼마나 빠르게 가속하고 있는지, 얼마나 급격하게 회전하고 있는지, 그리고 차가 도랑으로 미끄러지기 직전인지까지 정확히 알아야 합니다. 당뇨병 관리의 세계에서 이 '로봇'은 피부에 부착하여 혈당 수치를 추적하는 작은 센서인 연속 혈당 측정기(CGM)입니다. 수년 동안 의사들과 엔지니어들은 주로 한 가지 단순한 질문만을 던져왔습니다. "센서가 보여주는 수치가 실제 수치와 가까운가?" 그들은 이 질문에 답하기 위해 MARD라고 불리는 단 하나의 점수를 사용했습니다. 하지만 마치 속도계가 시속 60마일이라고 말하고 있지만 실제로는 벽을 향해 가속하고 있다는 사실을 깨닫지 못하는 로봇 운전자처럼, 센서는 평균적으로는 '가까울'지 몰라도 급격한 변화를 예측하는 데에는 형편없을 수 있습니다. 이는 매우 중요한 문제입니다. 왜냐하면 현대의 당뇨병 치료는 종종 이러한 센서를 사용하여 인슐린을 자동으로 투여하기 때문입니다. 만약 센서가 반응이 느리거나 혈당 곡선의 형태를 잘못 파악한다면, 로봇은 잘못된 시간에 잘못된 약물을 투여할 수도 있습니다.

이 논문은 이러한 혈당 센서를 위한 고성능 운전 테스트와 같습니다. 다만 실제 자동차와 비 내리는 도로 대신, 연구진은 실험실에 '혈당 시뮬레이터'를 구축했다는 점이 다릅니다. 그들은 정확히 왜 센서가 실수를 저지르는지 파헤치고 싶어 했습니다. 단순히 "센서가 10% 정도 틀렸다"라고 말하는 대신, "높낮이를 틀렸는가? 상승 속도를 틀렸는가? 혈당이 내려갈 때와 올라갈 때를 혼동했는가?"를 알고 싶었던 것입니다. 그들은 완벽하고 예측 가능한 형태의 상승 및 하강 혈당 파동을 만들기 위해 설탕물을 섞을 수 있는 기계를 만들었습니다. 그런 다음, 그 기계가 시도한 것과, 기계가 실제로 만든 것(기계도 완벽하지 않기 때문입니다), 그리고 센서가 보고한 것을 비교했습니다.

연구진은 기계에 입력한 '레시피'만을 신뢰해서는 안 되며, 먼저 기계가 실제로 만들어낸 '수프'를 측정해야 한다는 것을 발견했습니다. 그들이 '혈당 시뮬레이터'를 테스트했을 때, 기계가 완벽한 파동을 만들도록 프로그래밍했음에도 불구하고 실제 튜브 안의 혈당 수치는 계획과 약간 달랐습니다. 때로는 조금 더 높았고, 때로는 조금 더 낮았으며, 변화의 속도 또한 주문한 것과 정확히 일치하지 않았습니다. 예를 들어, 5.5에서 12.0 mmol/L로 급격히 뛰어오르게 하려고 했을 때, 기계는 계획했던 6.5 대신 6.931 mmol/L의 변화를 전달하기도 했습니다. 만약 그들이 센서를 레시피와 직접 비교했다면, 기계가 저지른 작은 실수 때문임에도 불구하고 센서가 틀렸다고 탓했을 것입니다.

이 문제를 해결하기 위해 실제 튜브 안의 혈당 수치를 측정한 후, 그들은 센서 A와 센서 B라고 부를 수 있는 두 가지 다른 센서를 살펴보았습니다. 그들은 이 센서들이 매우 다르게 작동한다는 것을 발견했으며, 단 하나의 '평균 점수'로는 진실을 숨길 수 있다는 것을 알게 되었습니다. 센서 A는 항상 속도를 과소평정하는 신중한 운전자와 같았습니다. 혈당이 상승하는 것을 보았지만 훨씬 작은 폭으로 보고했습니다(진폭 전달 계수가 약 0.65). 이 센서는 반응이 느렸고, 큰 변화를 작은 변화로 압축해 버렸습니다. 반면에 센서 B는 모든 굴곡을 거대한 산처럼 여기는 지나치게 열정적인 운전자와 같았습니다. 실제 일어나는 현상보다 더 큰 변화를 보고했습니다(진폭 전달 계수가 약 1.2).

가장 흥্য로운 부분은 센서들이 변화의 '방향'을 처리하는 방식이었습니다. 연구진은 '히스테리시스(hysteresis)'라고 불리는 것을 측정했는데, 이는 마치 지연되는 메아리와 같습니다. 언덕을 올라갔다가 다시 내려오는 상황을 상상해 보십시오. 만약 당신의 그림자가 당신과 함께 움직이지 않고 올라가는 길에 머물러 있다면, 그것이 바로 히스테리시스입니다. 센서 B는 거대한 히스테리시스 루프를 가지고 있었습니다. 즉, 혈당이 올라가고 있는지 내려가고 있는지에 따라 센서의 수치가 매우 달랐으며, 심지어 혈당 수치가 동일하더라도 결과가 달랐습니다. 센서 A는 이 측면에서 훨씬 더 일관성이 있었습니다. 연구는 센서 A가 끔찍한 '평균 오차' 점수(MARD 33.70%)를 기록한 반면, 센서 B는 훌륭한 점수(MARD 11.49%)를 기록했음을 보여주었습니다. 하지만 곡선의 '형태'를 살펴보았을 때, 센서 A는 수치는 더 낮았음에도 불구하고 센서 B보다 혈당 변화의 패턴을 더 잘 맞추었습니다.

핵심적인 결론은 혈당 센서가 어떻게 작동하는지 진정으로 이해하려면 단 하나의 숫자만 봐서는 안 된다는 것입니다. 우리는 오류를 여러 주머니로 나누어야 합니다. 즉, 파동의 높이를 얼마나 압축하는지, 변화에 얼마나 빨리 반응하는지, 그리고 방향에 대해 혼동하는지를 구분해야 합니다. 저자들은 앞으로 우리가 '프로그래밍된' 혈당 수치를 절대적인 진리로 간주하는 것을 멈추고, 먼저 '전달된' 혈당 수치를 측정해야 한다고 제안합니다. 그래야만 센서가 우리 몸의 빠르고 격렬한 변화를 따라잡기에 정말로 좋은 것인지, 아니면 그저 평균 점수만 좋은 느리고 혼란스러운 운전자일 뿐인지를 판별할 수 있기 때문입니다.

기술 요약: 연속 혈당 모니터링 시스템의 동적 반응에 대한 제어된 인 비트로(In Vitro) 특성 분석

문제 정의
연속 혈당 모니터링(CGM) 시스템은 자동 인슐린 주입(AID)을 포함한 실시간 의사결정에 있어 점점 더 중요해지고 있다. MARD(Mean Absolute Relative Difference)와 같은 정적 정확도 지표가 널리 사용되고 있지만, 이는 시스템이 혈당 농도 변화의 방향, 속도, 진폭 및 형태를 재현하는 능력을 포착하지 못한다. 단일 MARD 값으로는 상수 오프셋(constant sensor offset), 진폭 압축(amplitude compression), 응답 속도 지연(response rate delays), 시간적 불일치(temporal misalignment) 또는 히스테리시스(hysteresis)와 같은 다양한 오류 유형을 구분할 수 없다. 또한, 기존의 실험실 테스트 벤치는 CGM 출력값을 프로그래밍된 궤적(programmed trajectory)과 직접 비교한다. 이러한 접근 방식은 테스트 플랫폼 자체에서 발생하는 편차(예: 유량 투여 오류, 혼합 비효율성 또는 데드 볼륨)를 테스트 중인 센서의 결함으로 잘못 귀인할 위험이 있다. 따라서 센서 고유의 동적 반응을 혈당 프로파일 생성 시스템으로부터 분리하여 평가할 수 있는 제어된 인 비트로 방법론이 필요하다.

방법론
본 연구는 프로그래밍 가능한 유동 기반 플랫폼을 활용하여 특정 혈당(GLU) 프로파일을 생성하고, "프로그래밍된 궤적 — 측정된 혈당 — CGM 출력"이라는 계층적 분석 접근 방식을 도입하였다.

플랫폼 설정: GLU 프로파일은 일정한 총 유량 2.0 mL/min에서 두 가지 용액(20.0 mmol/L 포도당 및 무포도당 용액)을 프로그래밍 방식으로 혼합하여 생성되었다. 시스템은 공간적 균질성을 보장하기 위해 S자형 채널이 있는 매크로유체식 매니폴드를 사용하였으며, 이는 6개의 제어 위치에서 무작위 샘플링을 통해 검증되었다.
참조 측정: 결정적으로, 센서에 실제로 전달된 GLU 농도는 SUPER GL2 혈당 분석기를 사용하여 독립적으로 측정되었다. 프로그래밍된 설정값이 아닌 이 '측정된 값'이 CGM 성능 평가를 위한 참조값으로 사용되었다.
실험 프로파일: 시스템의 부하 테스트를 위해 다음과 같은 다양한 프로파일을 사용하였다:
- 정적 수준 (3.0, 5.5, 12.0, 20.0 mmol/L).
- 반복적 동적 사이클 (5.5→12.0→5.5 mmol/L).
- 저혈당 프로파일 (6.0→3.0→6.0 mmol/L).
- 속도 제어 프로파일 (5.0→15.0→5.0 mmol/L) (전환 시간 50, 100, 200분).
- 복합 다상 프로파일 (4→18→3→12→5.5 mmol/L).
지표: 표준 지표(Bias, MAE, RMSE, MARD) 외에도, 동적 오차를 다음과 같은 특정 성분으로 분해하는 것을 제안하였다:
- 진폭 전달 계수 ( $K_A$ ): 센서 진폭 변화와 측정된 GLU 진폭 변화의 비율.
- 속도 전달 계수 ( $K_{up}$ , $K_{down}$ ): 측정된 GLU 속도 대비 센서 상승/하강 속도의 비율.
- 정규화된 형태 RMSE (Normalized Shape RMSE): 오프셋 및 진폭 차이를 제거한 후의 프로파일 형태 오차.
- 히스테리시스 루프 면적 (Hysteresis Loop Area): 상승 단계와 하강 단계에서 동일한 GLU 수준일 때 나타나는 센서 측정값의 차이 정량화.
- 잔류 편차 (Residual Shift): 사이클의 초기 및 최종 플래토(plateau) 간의 센서 오차 차이.

주요 결과

플랫폼 성능: 플랫폼은 공간적 균질성과 양호한 반복성(CV 0.61–2.00%)을 입증하였다. 그러나 실제 측정된 GLU는 프로그래밍된 설정값과 지속적으로 편차를 보였다. 예를 들어, 복합 프로파일에서 프로그래밍된 18 mmol/L 플래토에 도달하지 못하고 평균 측정값이 16.20 mmol/L로 나타났다. 저혈당 실행 시, 임계값 통과 시간은 유사했음에도 불구하고 3.0 mmol/L 미만으로 유지되는 시간은 15.2~72.6분으로 크게 달랐다.
센서 특성 분석: 두 가지 개념 증명(PoC) 센서(CGM-A 및 CGM-B)는 표준 지표로는 완전히 구별할 수 없는 뚜렷한 동적 거동을 보였다:
- CGM-A는 음의 편차(negative bias)와 상당한 진폭 압축( $K_A \approx 0.65$ ) 및 속도 감쇄( $K_{up} \approx 0.63$ )를 보였다. 높은 MARD(33.70%)에도 불구하고, 프로파일의 정규화된 형태는 잘 유지하였다(낮은 정규화된 RMSE).
- CGM-B는 양의 편차(positive bias)와 진폭 증폭( $K_A \approx 1.13–1.23$ ) 및 속도 증폭( $K_{up} \approx 1.27–1.56$ )을 보였다. 더 낮은 MARD(11.49%)를 가졌으나, CGM-A보다 5~10배 더 큰 히스테리시스 루프 면적과 더 큰 동적 왜곡을 나타냈다.
분해의 유용성: 본 연구는 절대적 오차가 더 작은 센서(CGM-B)가 오히려 절대적 오차가 더 큰 센서(CGM-A)보다 동적 충실도(fidelity)가 떨어질 수 있음을 입증하였다(더 높은 히스테리시스 및 형태 왜곡). 제안된 지표들은 이러한 오차 원인을 성공적으로 분리해 냈다.

의의 및 주장
저자들은 본 연구의 주요 기여가 프로그래밍된 궤적이 아닌 측정된 혈당 프로파일을 참조 표준으로 사용하는 엄격한 분석 계층을 구축했다는 점이라고 주장한다. 이는 플랫폼 생성 오류와 센서 응답 오류의 혼동을 방지한다.

연구는 진폭, 속도, 형태 및 히스테리시스 성분으로 동적 오차를 분해하는 것이 MARD나 상관계수만으로는 보이지 않는 CGM 시스템 간의 결정적인 차이를 드러낸다고 단언한다. 특히 저자들은 다음과 같이 언급한다:

MARD의 불충분함: 높은 상관관계나 낮은 MARD가 반드시 정확한 추세 재현이나 히스테리시스의 부재를 보장하지 않는다.
플랫폼 검증의 필수성: "프로그래밍된 궤적"은 제어 설정값으로 취급되어야 하며, "측정된 혈당"이 진정한 참조값이 되어야 한다.
임상적 관련성: AID 시스템은 투여 결정을 위해 추세 데이터에 의존하므로, 급격한 혈당 변화 시 발생할 수 있는 투여 오류를 이해하기 위해서는 진폭 압축, 속도 지연 및 히스테리시스를 정량화하는 능력이 필수적이다.

저자들은 이러한 지표들이 아직 규범적 수용 기준(normative acceptance criteria)은 아니지만, 단일 적분 지표에서 다차원 성능 프로파일로 넘어가는 차세대 CGM 평가를 위한 필수적인 기술적 프레임워크를 제공한다고 결론짓는다. 본 연구는 개발, 비교 기술 평가 및 동적 오차의 근본 원인 분석을 지원할 수 있는 표준화된 벤치 테스트 접근법의 개념 증명으로서 이 연구를 위치시킨다.

유사한 논문