Biphasic Spectral Signatures Enable Non-Linear Glucose Estimation from Smartphone Photoplethysmography

당뇨병을 앓고 있는 수백만 명의 사람들에게 혈당을 체크하는 것은 손가락을 날카롭게 찌르고 피 한 방울을 떨어뜨리는 일상적인 의식입니다. 현대적인 기기들이 이 과정을 더 쉽게 만들었지만, 침습적인 검사에 대한 필요성은 광범위한 스크리닝과 지속적인 모니터링의 장벽으로 남아 있습니다. 과학자들은 피부를 뚫지 않고 혈당 수치를 측정하는 방법을 오랫동안 찾아왔으며, 대신 피부에서 반사되는 빛에 주목해 왔습니다. 혈액이 피부 바로 아래의 미세한 혈관을 통해 맥동할 때, 혈액은 빛을 흡수하고 반사하는 미묘한 방식을 보입니다. 스마트폰의 카메라는 이러한 미세하고 리드미컬한 색상의 변화를 감지할 수 있을 만큼 민감하며, 이 기술은 원격 광혈류 측정법(remote photoplethysmography)이라고 알려져 있습니다. 문제는 이러한 빛의 패턴과 혈당 사이의 연결이 단순한 직선 관계가 아니라는 점이었습니다. 고혈당 상태에 대한 신체의 반응은 시간이 지남에 따라 변하기 때문에, 표준적인 수학적 도구로는 노이즈 속에서 신뢰할 수 있는 신호를 찾아내기가 어려웠습니다.

한국의 연구진은 이제 단순한 평균치를 넘어 혈류 자체의 복잡한 리듬을 살펴보는 새로운 방식을 제시하며 이 신호를 읽어내는 데 성공했습니다. 일반 스마트폰으로 촬영한 사람의 얼굴 영상을 분석함으로써, 그들은 이전의 비침습적 시도들을 능가하는 정확도로 공복 혈당 수치를 추정할 수 있었습니다. 그들의 성공 비결은 단순히 혈액량의 변화를 보는 것이 아니라, 시간이 경과함에 따라 발생하는 변화의 특정 주파수를 조사한 데 있었습니다. 연구진은 혈당과 혈류 신호 사이의 관계가 직선이 아니라, 고혈당의 초기 단계와 더 심각한 후기 단계에서 신호가 다르게 작동하는 곡선 형태의 두 단계 패턴을 따른다는 것을 발견했습니다. 이 곡선 패턴을 인식할 수 있는 컴퓨터 모델을 사용함으로써, 연구진은 평균 오차율 8.40%를 달anim성했는데, 이는 기존 방식의 전형적인 오차율인 13~18%보다 크게 개선된 수치입니다.

연구에는 최소 8시간 동안 공복 상태를 유지한 100명의 참가자가 참여했습니다. 각 참가자는 스마트폰 카메라 앞에 얼굴을 위치시켰고, 카메라는 약 40초 동안 그들의 뺨을 녹화했습니다. 동시에, 표준 손가락 채혈 검사가 혈당의 기준 측정값을 제공했습니다. 연구진은 이후 영상을 처리하여 펄스 신호를 추출했고, 가공되지 않은 데이터를 혈류의 에너지가 다양한 진동 속도에 따라 어떻게 변하는지를 보여주는 시각적 지도로 변환했습니다. 이 지도는 혈당을 예측하는 데 가장 중요한 정보가 신호의 특정 저속 범위에 집중되어 있음을 드러냈습니다. 연구진이 정상 혈당을 가진 사람, 약간 높은 혈당을 가진 사람, 그리고 당뇨병 환자의 지도를 비교했을 때 뚜렷한 패턴이 나타났습니다. 해당 저속 범위에서의 신호 강도는 혈당이 약간 높을 때는 떨어졌다가, 혈당이 현저히 높을 때는 다시 상승하는 양상을 보였습니다.

신호가 내려갔다가 다시 올라가는 이 '이상성(biphasic)' 패턴은 왜 기존 방식들이 어려움을 겪었는지를 설명해 줍니다. 기존의 접근 방식들은 선형 모델에 의존하는 경우가 많았는데, 이 모델들은 혈당이 상승함에 따라 신호가 항상 올라가거나 혹은 항상 내려갈 것이라고 가정합니다. 하지만 신호가 실제로 굴곡을 그리며 내려갔다 올라가기 때문에, 선형 모델은 이 굴곡과 상승을 하나의 일관된 이야기로 보는 대신 서로 모순되는 노이즈로 인식하여 혼란을 겪게 됩니다. 새로운 방식은 복잡한 모양과 패턴을 인식하도록 설계된 인공지능의 일종인 컴팩트 신경망(compact neural network)을 사용하여 이 곡선 관계를 해석했습니다. 이 시스템은 초기 대사 변화와 관련된 하락과 혈관 경직도가 높아짐에 따라 발생하는 상승을 구분하는 법을 학습했습니다. 그 결과, 특히 조기 스크리닝이 가장 중요한 집단인 정상 또는 경계 혈당군에 대해 높은 정밀도로 혈당을 예측할 수 있는 모델을 구축했습니다.

연구진은 또한 개인의 과거 기록으로부터 학습함으로써 시스템을 개선할 수 있는지 테스트했습니다. 그들은 사용자가 보정(calibration)을 위해 단 5개의 과거 혈당 수치를 제공할 경우, 특히 보정 직후 며칠 동안 정확도가 더욱 향상된다는 것을 발견했습니다. 그러나 시스템은 이러한 개인 데이터 없이도 잘 작동했으며, 이는 사전 의료 기록이 없는 일반 인구 대상의 스크리닝에도 유용할 수 있음을 시사합니다. 연구는 모델이 단순히 훈련된 특정 인물들을 암기하는 것이 아니라, 새로운 사람들에게 적용되는 일반적인 규칙을 실제로 학습하고 있는지 확인하기 위해 교차 검증(cross-validation)이라는 방법을 사용하여 엄격하게 설계되었습니다. 모델은 다양한 연령과 성별에 걸쳐 일관되게 작동했으나, 매우 높은 혈당을 가진 소수의 참가자 그룹에 대해서는 다소 어려움을 보였는데, 저자들은 이를 데이터셋 내 해당 사례의 수가 적기 때문이라고 설명했습니다.

이러한 결과에도 불구하고, 저자들은 이 연구를 완성된 의료 기기가 아닌 기술적 개념 증명(proof of concept)으로 규정하며 주의를 기울였습니다. 본 연구는 공복 상태의 참가자들을 대상으로 통제된 환경에서 수행되었으며, 식사 중인 사람이나 지속적인 관찰에 대한 테스트는 이루어지지 않았습니다. 또한, 연구 집단이 단일 국가에서 선정되었으므로, 다른 피부 톤을 가진 사람이나 다른 환경에서의 성능은 아직 완전히 검증되지 않았습니다. 특정 빛 패턴과 혈관 경직도 같은 기저의 생물학적 변화 사이의 연결 고리는 기존 의학 문헌에 의해 뒷받받되고 있으나, 본 연구의 특정 그룹에서 직접 측정된 것은 아닙니다. 연구진은 관찰된 신호 변화가 혈당 수치가 혈류 역학 및 혈관 탄성에 변화를 주는 방식에 의해 발생할 가능성이 높다고 보고 있지만, 정확한 생물학적 메커니즘을 확인하기 위해서는 직접적인 혈관 측정이 포함된 향후 연구가 필요하다고 강조했습니다.

이러한 한계점에도 불구하고, 이 연구는 비침습적 건강 모니터링을 향한 여정에서 중요한 진전을 의미합니다. 단순한 시간 기반 측정을 넘어 신호의 주파수와 시간이 지남에 따라 어떻게 변하는지에 대한 상세한 분석으로 초점을 전환함으로써, 연구팀은 기존의 선형 방식들이 놓쳤던 데이터 속의 숨겨진 구조를 밝혀냈습니다. 혈류 신호에서 비선형적인 2단계 반응을 감지할 수 있다는 능력은 왜 이전의 시도들이 미흡했는지에 대한 타당한 설명을 제공하며, 향후 개선을 위한 명확한 경로를 제시합니다. 이 연구 결과는 적절한 계산 도구가 있다면 스마트폰 카메라가 이전에는 표준 분석으로는 보이지 않았던 미세한 생리적 변화를 포착할 수 있음을 시사하며, 보다 접근하기 쉽고 덜 침습적인 방식으로 대사 건강을 관리할 수 있는 길을 열어줍니다.