Hacker NewsAI · 머신러닝

1형 당뇨병 환자가 혈당 예측 모델 15개 비교 공개

원제 Show HN: I have trained 15 blood glucose forecasting models on my own data

101 포인트댓글 51
Key Point

1형 당뇨병 관리를 AI로 개선하려는 개인 연구자의 시도이자, 의료 시계열 예측 문제에서 경량 트랜스포머가 대규모 기초 모델·고전 방식과 어떻게 경쟁하는지를 실제 데이터로 보여준다.

핵심 요약

  • 1형 당뇨병 환자가 혈당을 2시간 앞서 예측하는 모델 15개를 직접 훈련·테스트한 결과를 GitHub에 공개했다.
  • 저자의 모델은 트랜스포머 기반 경량 모델(D16, 31k 파라미터)이며, DILATE와 MSE 손실 함수 두 가지 버전이 있고 합성 데이터로 사전 훈련 후 LoRA 어댑터로 미세 조정된다.
  • 저자 개인 데이터(35일, 9764개 예측)에서는 XGBoost와 LightGBM(RMSE 22.4 mg/dL at 60min)에 이어 D16 DILATE+LoRA가 3위(22.8)였고, 통계적으로 최고 성능 모델과 구별되지 않았다.
  • 공개 데이터셋 MetaboNet(279명, 264,899개 예측)에서는 D16 DILATE+LoRA가 9위(RMSE 34.6 at 60min)지만, 90분 지점에서 모든 모델 중 가장 낮은 RMSE(20.6)를 기록했다.
  • LoRA 어댑터는 60분 예측에서 양쪽 데이터셋의 성능을 크게 향상시켰으나, MetaboNet 120분 예측에서는 D16 DILATE 성능을 악화시켰다(48.0→50.4).
  • 저자 데이터에서는 XGBoost 대비 LoRA 모델이 저혈당(60 mg/dL 미만) 반응 시간을 40-50분 단축했고 저혈당 포착률이 40-47%로 XGBoost의 28% 대비 높았다.
  • MetaboNet에서는 모든 저RMSE 모델이 저혈당을 거의 놓쳤으나(XGBoost 0%, T1DMAI 6-8%), 선형 외삽은 58%를 포착했다.
  • 기초 모델(Chronos-Bolt, Chronos-2, TimesFM 2.5)은 제로샷 상태에서 미세 조정 Chronos-Bolt보다 뒤떨어졌다.
  • 저자는 T1DMDROID 앱으로 모델을 휴대폰에서 실행하고 T1DMSIM으로 합성 CGM 데이터를 생성하는 보조 도구를 제공한다.
  • 모델은 의료 기기가 아니며 연구용일 뿐이고, 임상 검증·규제 승인이 없으며 혈당 관리나 인슐린 용량 결정에 사용될 수 없다.
  • 저자 데이터는 단일 피험자 35일 분량이고 MetaboNet 테스트는 폐쇄형 펌프 환자가 대부분이어서 모델이 미래 인슐린을 보는 조건(비블라인드)에서만 학습되었다.
  • 저혈당은 양쪽 데이터셋 모두 희귀하고(저자 데이터 292개, MetaboNet 8347개), 모델 성능 비교에는 데이터 특성 차이(혈당 범위 75-89%, CV 28-40%)가 큰 영향을 미친다.
AI 요약 안내

AI가 한국어로 정리한 내용입니다. 정확한 정보는 원문을 확인해 주세요.

요약 원칙 ↗