이 연구는 웨어러블 기기, 인구통계학적 정보, 그리고 일상적인 혈액 바이오마커 데이터를 활용하여 인슐린 저항성(IR)을 예측하는 새로운 프레임워크를 제시합니다. 특히, 웨어러블 파운데이션 모델(WFM)을 사용하여 예측 정확도를 크게 향상시켰으며, 예측 결과를 기반으로 개인화된 건강 조언을 제공하는 대규모 언어 모델(LLM) 에이전트(IR Agent)를 개발하여 당뇨병 예방 및 관리에 새로운 가능성을 열었습니다.

1. 인슐린 저항성의 이해와 조기 발견의 중요성 💡

전 세계적으로 당뇨병 환자 수는 2026년 현재 5억 3천 7백만 명에 달하며, 2030년에는 6억 4천 3백만 명으로 증가할 것으로 예상됩니다. 이 중 약 90%가 생활 습관과 밀접한 관련이 있는 제2형 당뇨병(T2D)이에요. 건강한 사람의 경우 췌장의 베타 세포에서 분비되는 인슐린이 혈액 속 포도당을 세포로 흡수시켜 혈당을 조절하는데요. 하지만 T2D 환자의 대부분은 인슐린 저항성(IR)이 생겨, 같은 혈당 강하 효과를 내기 위해 더 많은 인슐린을 생산해야 합니다. 시간이 지나면 췌장 베타 세포가 충분한 인슐린을 생산하지 못하게 되어 상대적 인슐린 결핍과 혈당 상승으로 이어지죠.

IR의 유병률은 일반 인구의 20~40%에 달하며, 이는 과도한 체중 (특히 내장지방), 신체 활동 부족, 유전적 요인 등으로 인해 발생할 수 있습니다. 장기간의 IR은 당뇨병 전증과 명백한 T2D, 그리고 지방간 질환(MASLD) 및 심혈관 질환(CVD)의 위험을 크게 높여요. 그렇기 때문에 IR을 조기에 발견하는 것은 매우 중요합니다! 🎯 조기에 IR을 파악하면 체중 감량, 규칙적인 운동, 건강한 식단 등 맞춤형 생활 습관 개선을 통해 IR을 개선하거나 심지어 되돌릴 수도 있답니다.

현재 IR을 평가하는 여러 방법이 있지만, 대부분 일상적으로 사용되기 어렵고 초기 단계의 IR을 감지하기에는 민감하지 않은 경우가 많아요. 예를 들어, 고인슐린혈증-정상혈당 클램프(hyperinsulinaemic euglycaemic clamp)는 IR 측정의 '골드 스탠다드'이지만, 연구 시설에서만 가능하고 비용과 시간이 많이 듭니다. HOMA-IR은 더 저렴하고 빠른 대안이지만, 여전히 임상 실험실 방문이 필요하죠. 하지만 스마트워치에서 얻는 생체 신호는 IR 예측에 도움을 줄 수 있어요. 높은 안정시 심박수(RHR)와 낮은 심박 변이도(HRV)가 IR과 관련이 있다는 연구 결과들이 있거든요.

이 연구에서는 이러한 한계점들을 극복하기 위해 소비자용 스마트워치에서 얻은 신호, 인구통계학적 정보, 그리고 일상적으로 측정되는 혈액 바이오마커를 활용하여 IR을 예측하는 방법을 제시합니다. 이 방법은 수백만 명에게 적용될 수 있는 잠재력을 가지고 있으며, IR의 광범위한 식별을 가능하게 할 거예요! 🚀

2. 연구 설계 및 참여자 특성 📊

연구팀은 "웨어러블 기반 대사 건강 연구(Wearables for Metabolic Health, WEAR-ME)"를 설계하고 미국 성인을 대상으로 참여자를 모집했습니다. 연구 참여자들은 구글 헬스 스터디(Google Health Studies, GHS) 애플리케이션을 통해 Fitbit 및 Google Pixel watch 같은 웨어러블 기기 데이터를 수집하고, 설문지를 작성하며, Quest Diagnostics를 통해 혈액 검사를 받았습니다.

IR을 정량화하기 위한 기준값으로는 HOMA-IR 지수를 사용했어요. HOMA-IR은 (공복 인슐린 × 공복 혈당) / 405 공식을 통해 계산됩니다. 연구에서는 HOMA-IR 수치를 기준으로 참여자들을 다음과 같이 분류했습니다.

• IR (Insulin Resistance): HOMA-IR > 2.9
• IS (Insulin Sensitivity): HOMA-IR < 1.5
• Impaired-IS (Impaired Insulin Sensitivity): 1.5 ≤ HOMA-IR ≤ 2.9

최종적으로 1,165명의 참여자가 분석에 포함되었는데, 이 중 459명은 IS, 406명은 Impaired-IS, 300명은 IR 그룹에 속했습니다. IR 그룹의 참여자들은 당뇨병, 심혈관 질환, 고지혈증, 고혈압 발생률이 더 높게 나타났어요.

연구팀은 IR 예측을 위해 딥러닝 프레임워크를 구축했습니다. 이 프레임워크는 웨어러블 데이터, 혈액 바이오마커, 인구통계학적 정보 등을 입력받아 HOMA-IR 값을 예측하고, 이 값을 기준으로 IR 여부를 분류합니다. 특히, 마스크드 오토인코더(MAE)를 통해 시계열 데이터에서 임베딩을 추출하고, 이를 여러 트리 기반 모델에 입력하여 HOMA-IR을 예측했어요.

3. IR과 생활 습관 및 혈액 바이오마커의 연관성 💖

연구 결과, HOMA-IR은 주요 생활 습관 요인 및 혈액 바이오마커와 유의미한 상관관계를 보였습니다.

• 양의 상관관계:
  • 공복 혈당 (r = 0.57, P < 0.001)
  • BMI (r = 0.43, P < 0.001)
  • HbA1c (r = 0.45, P < 0.001)
  • 트리글리세리드 (r = 0.40, P < 0.001)
  • 안정시 심박수(RHR) (r = 0.27, P < 0.001)
• 음의 상관관계:
  • 고밀도지단백(HDL) 콜레스테롤 (r = -0.30, P < 0.001)
  • 일일 걸음 수 (r = -0.25, P < 0.001)
  • 알부민/글로불린 비율 (r = -0.18, P < 0.001)
  • 심박 변이도(HRV) (r = -0.14, P < 0.001)

이는 웨어러블 기기나 혈액 바이오마커를 통해 HOMA-IR을 예측할 수 있음을 시사합니다. 특히, IR 그룹의 CRP 수치가 IS 그룹보다 유의미하게 높았어요 (2.8 mg/dL 대 0.6 mg/dL, P < 0.001).

비만과 IR의 관계도 명확히 드러났습니다. 비만 (BMI > 30)인 458명 중 205명 (45%)이 인슐린 저항성이 있었고, 정상 체중 (18.5 < BMI < 25)인 319명 중에서는 22명 (6.9%)만이 인슐린 저항성이었어요.

또한, IR과 당뇨병의 관계도 주목할 만합니다. 당뇨병 환자 (HbA1c > 6.5%) 34명 중 33명 (97%)이 IR 또는 Impaired-IS로 분류되었으며, 단 1명만이 IS였습니다. 특히, HbA1c 수치가 겉으로는 정상인 972명 중 196명 (20%)이 IR을 가지고 있다는 점은, 이들이 당뇨병 발병 위험이 높은 그룹이므로 맞춤형 생활 습관 개입을 통해 T2D 발병 과정을 되돌릴 수 있음을 강조합니다.

4. 웨어러블 기기 및 혈액 바이오마커를 이용한 IR 예측 ⌚🩸

연구팀은 웨어러블 기기 데이터, 인구통계학적 정보, 혈액 바이오마커를 조합하여 IR을 예측하는 다중 모달 모델을 개발했습니다. 이 모델은 먼저 HOMA-IR 값을 예측한 후, 이 값을 기준으로 IR 여부를 분류하는 방식으로 작동해요.

놀랍게도, 웨어러블 데이터, 인구통계학적 정보, 그리고 일상적으로 측정 가능한 혈액 바이오마커를 함께 사용했을 때 예측 정확도가 크게 향상되었습니다.

• 웨어러블 + 인구통계학적 정보만 사용했을 때: R² 값 0.212
• 여기에 공복 혈당을 추가했을 때: R² 값 0.435로 2배 이상 증가 📈, IR 환자 정확 식별율 17% 증가, 오탐(IR인데 IS로 잘못 분류)율 46% 감소
• 최적의 모델 (웨어러블 + 인구통계학적 정보 + 공복 혈당 + 지질 패널 + 대사 패널): R² 값 0.50

이는 단순히 공복 혈당만으로는 부족하며, 다른 생활 습관 요인들이 HOMA-IR 추정에 매우 중요하다는 점을 시사합니다. 모델은 또한 IR 분류에 있어서도 뛰어난 성능을 보였습니다.

• 웨어러블 + 인구통계학적 정보만 사용했을 때: AUROC = 0.70, 민감도 = 0.60, 특이도 = 0.80
• 여기에 공복 혈당을 추가했을 때: AUROC = 0.78, 민감도 = 0.73, 특이도 = 0.84
• 최적의 모델 (웨어러블 + 인구통계학적 정보 + 일상 혈액 바이오마커): AUROC = 0.80, 민감도 = 0.76, 특이도 = 0.84

이러한 결과는 여러 데이터 소스를 통합하는 것이 IR 예측 능력을 크게 향상시킨다는 것을 보여줍니다.

5. 웨어러블 파운데이션 모델(WFM)을 활용한 IR 예측 🧠

연구팀은 웨어러블 기기 데이터를 더 효과적으로 활용하기 위해 웨어러블 파운데이션 모델(WFM)이라는 접근 방식을 시도했습니다. WFM은 대규모의 레이블링되지 않은 웨어러블 데이터로부터 복잡한 고차원 특징 표현을 학습하는 모델이에요. 이러한 파운데이션 모델은 복잡한 시계열 데이터에서 견고한 특징을 학습하는 데 유용하게 사용됩니다.

WFM은 Fitbit 사용자의 4천만 시간 분량의 데이터를 활용하여 1분 해상도로 웨어러블 신호에서 특징을 추출하도록 사전 학습되었습니다. 각 참여자의 데이터는 일일 단위로 집계되어 단일 임베딩으로 변환되었고, 차원 축소 과정을 거쳐 IR 예측에 사용되었습니다.

WFM에서 파생된 특징 임베딩을 사용했을 때 IR 예측력이 더욱 향상되었습니다.

• WFM 기반 모델 (WFM 임베딩 + 인구통계학적 정보): AUROC = 0.82 (인구통계학적 정보만 사용했을 때 0.66에 비해 크게 개선)
• WFM 기반 최적 모델 (WFM 임베딩 + 인구통계학적 정보 + 공복 혈당 + 지질 패널): AUROC = 0.87 (웨어러블 데이터 없이 동일한 모델 사용 시 0.78에 비해 크게 개선)

SHAP 분석 결과에서도 WFM 기반 모델의 경우 웨어러블 데이터의 기여도가 82%로, 기존 기계 학습 모델의 43%보다 훨씬 높게 나타났습니다. 이는 WFM이 일상 활동, 수면, 생리적 리듬 등 IR에 중요한 복잡한 동적 상호작용을 포착하는 데 효과적임을 의미합니다.

6. 독립 코호트 검증 및 IR 에이전트 개발 🗣️

연구팀은 모델의 일반화 가능성을 확인하기 위해 독립적인 검증 코호트에서도 성능을 평가했습니다. 이 검증 코호트에는 72명의 참여자가 포함되었으며, 초기 코호트와 마찬가지로 HOMA-IR을 IR의 기준값으로 사용했습니다.

검증 결과, 웨어러블 데이터는 이전에 보지 못한 새로운 데이터에도 IR 예측에 상당한 가치를 제공한다는 것이 다시 한번 입증되었습니다.

• WFM 기반 모델 (WFM 임베딩 + 인구통계학적 정보): AUROC = 0.75 (인구통계학적 정보만 사용했을 때 0.66에 비해 개선)
• WFM 기반 최적 모델 (WFM 임베딩 + 인구통계학적 정보 + 공복 혈당 + 지질 패널): AUROC = 0.88 (웨어러블 데이터 없이 동일한 모델 사용 시 0.76에 비해 크게 개선)

이러한 결과는 WFM이 웨어러블 센서 데이터의 잠재력을 최대한 활용하여 대사 건강 평가에 강력하고 일반화 가능한 방법을 제공한다는 것을 보여줍니다.

나아가 연구팀은 예측된 IR 정보를 활용하여 사용자에게 개인화된 건강 조언을 제공하는 대규모 언어 모델(LLM) 에이전트인 IR 에이전트를 개발했습니다. 이 에이전트는 Gemini 2.0 Flash를 기반으로 하는 ReAct (Reasoning and Acting) 프레임워크를 사용합니다. IR 에이전트는 언어 이해 능력과 함께 웹 검색, 계산기, IR 예측 모델 사용 등의 외부 도구와 상호작용하여 사용자 질의에 대한 답변을 동적으로 계획하고, 실제 데이터와 검증 가능한 계산에 근거하여 답변을 제공합니다.

IR 에이전트의 효과를 평가하기 위해 5명의 내분비 전문의가 블라인드 방식으로 평가를 진행했습니다. 그 결과, IR 에이전트는 일반 LLM 모델보다 더 포괄적(80%), 신뢰할 수 있으며(92%), 개인화된(73.3%) 답변을 제공하는 것으로 나타났습니다. 또한, IR 에이전트의 답변은 사실적 정확도(79%)와 안전성(96%) 측면에서도 높은 평가를 받았습니다.

"IR 에이전트는 일반 LLM 모델보다 더 포괄적이고, 신뢰할 수 있으며, 개인화된 답변을 제공했습니다." 🗣️

7. 결론 🎉

이 연구는 웨어러블 기기, 인구통계학적 정보, 그리고 일상적인 혈액 바이오마커를 활용하여 인슐린 저항성을 예측하는 배포 가능한 종단 간(end-to-end) 모델을 처음으로 제시했습니다. 특히, 웨어러블 파운데이션 모델(WFM)을 통해 기존의 단순 집계 방식보다 훨씬 높은 예측 정확도를 달성했으며, 이 장점은 독립적인 검증 코호트에서도 유지되었습니다.

현재 미국 인구의 26%가 스마트워치를 소유하고 있으며, 15%가 매년 정기 검진을 받고 있습니다. 이러한 상황에서 웨어러블 기기와 혈액 바이오마커를 결합한 IR 예측 모델은 수백만 명에게 IR을 조기에 식별할 수 있는 확장 가능한 솔루션을 제공할 수 있습니다. 기존의 IR 진단 방법들이 비용과 시간 때문에 일상적으로 활용되기 어려웠던 점을 고려하면, 이 연구의 접근 방식은 의료 접근성을 크게 높일 잠재력이 있습니다.

또한, 연구팀은 IR 예측 모델을 활용하여 사용자에게 개인화된 건강 정보와 조언을 제공하는 IR 에이전트를 개발했습니다. 이 LLM 기반 에이전트는 내분비 전문의 평가를 통해 그 유용성과 안전성을 인정받았으며, 미래에는 이와 같은 AI 기반 건강 도우미가 당뇨병과 같은 만성 질환의 조기 예방 및 관리에 중요한 역할을 할 것으로 기대됩니다.

물론, 이 연구는 일부 제한점도 가지고 있습니다. 예를 들어, 분석에 포함된 참여자 중 완전한 데이터를 가진 비율이 25%에 불과했으며, 유전적 요인이나 미생물군집(마이크로바이옴)과 같은 중요한 IR 관련 데이터는 포함되지 않았습니다. 하지만 웨어러블 기기 사용의 확산과 지속적인 연구를 통해 이러한 한계점들을 극복하고, 더욱 정교하고 개인화된 IR 예측 및 관리 솔루션이 개발될 수 있을 것입니다.

궁극적으로 이 연구는 인슐린 저항성 조기 발견 및 관리에 있어 웨어러블 기술과 인공지능의 혁신적인 잠재력을 보여주며, 당뇨병과의 싸움에서 새로운 희망을 제시합니다! 💪