Deep Learning-Based Precise Prediction of Postprandial Glucose Response in Patients with Type 2 Diabetes = 2 형 당뇨병 환자의 식후 혈당 반응 딥러닝 기반 정밀 예측

다국어 초록 (Multilingual Abstract)

Background: Postprandial glycemic responses (PPGRs) show substantial inter-individual variability, limiting the effectiveness of conventional carbohydrate counting for diabetes management. This study developed the first comprehensive PPGR prediction model specifically for patients with established type 2 diabetes in the Korean population.

Methods: Eighty-eight Korean patients with type 2 diabetes (49 in development cohort, 39 in independent evaluation cohort) with mean diabetes duration of 14.5 years were enrolled. All participants underwent continuous glucose monitoring, detailed dietary assessment, gut microbiome profiling via 16S rRNA sequencing, and clinical evaluation. A supervised deep learning (deep neural network) model was developed integrating CGM data, meal composition, clinical parameters, microbiome profiles, and medication information. Model performance was evaluated using Pearson correlation coefficient and root mean squared error (RMSE), and compared with carbohydrate-only prediction. Feature ablation analysis was conducted to assess the relative importance of different feature groups, and subgroup analysis was conducted to assess carbohydrate responsivity.

Results: The integrated deep neural network achieved R = 0.620 for 2-hour PPGR prediction in the independent evaluation cohort, representing a 68% improvement over carbohydrate-only prediction (R = 0.368). Substantial inter-individual variability was identified, with 55.1% of patients in the development cohort classified as "low carbohydrate responsivity group" showing no significant correlation between carbohydrate intake and PPGR. The integrated model achieved greatest improvements in this low carbohydrate responsivity group (14.3-18.3% RMSE improvement vs 8.8-14.6% in high carbohydrate responsivity group). Feature ablation analysis revealed that CGM features had the most substantial impact, followed by meal composition, with gut microbiome contributing moderately.

Conclusions: Personalized PPGR prediction is feasible in patients with established type 2 diabetes and substantially outperforms conventional carbohydrate counting, particularly for patients unresponsive to traditional approaches. The moderate contribution of microbiome features suggests prioritizing CGM and dietary assessment for practical implementation. This disease-specific and population-specific model represents an important step toward precision nutrition for type 2 diabetes management.

국문 초록 (Abstract)

연구 배경: 식후 혈당 반응은 개인 간 상당한 변이를 보이며, 이는 당뇨병 관리를 위한 기존 탄수화물 계산법의 효과를 제한한다. 본 연구는 확립된 2형 당뇨병 환자를 대상으로 동아시아 인구에서 최초로 포괄적인 식후 혈당 반응 예측 모델을 개발하였다.

연구 방법: 평균 당뇨병 유병 기간 14.5년인 한국인 2형 당뇨병 환자 88명(개발 코호트 49명, 평가 코호트 39명)을 등록하였다. 모든 참여자는 연속혈당측정기 착용, 상세한 식사 기록, 16S rRNA 염기서열 분석을 통한 장내 미생물 프로파일링, 및 임상정보 수집을 하였다. 연속혈당측정 데이터, 식사 구성, 임상 지표, 미생물 프로파일, 약물 정보를 통합한 지도학습 방식의 심층 신경망(딥러닝) 모델을 개발하였다. 모델 성능은 피어슨 상관계수와 평균 제곱근 오차를 사용하여 평가하였으며, 탄수화물 단독 예측과 비교하였다. 서로 다른 특징 그룹의 상대적 중요도를 평가하기 위해 특징 제거 분석(feature ablation analysis)을 수행하였고, 탄수화물 반응성을 평가하기 위해 하위 그룹 분석을 실시하였다.

연구 결과: 심층 신경망 (deep neural network)은 평가 코호트에서 2시간 식후 혈당 반응 예측에 대해 R = 0.620을 달성하여, 탄수화물 단독 예측(R = 0.368)에 비해 68% 개선된 성능을 보였다. 상당한 개인 간 변이가 확인되었으며, 개발 코호트에서 55.1%의 환자가 탄수화물 섭취와 식후 혈당 반응 사이에 유의한 상관관계를 보이지 않는 "저 탄수화물 반응군"으로 분류되었다. 개발한 모델은 이 저 탄수화물 반응군에서 가장 큰 개선을 달성하였다(고 탄수화물 반응군의 8.8-14.6% 개선 대비 저 탄수화물 반응군에서 14.3-18.3%의 평균 제곱근 오차 개선). 특징 제거 분석 결과, 연속혈당측정 특징이 가장 큰 영향을 미쳤으며, 그 다음으로 식사 구성이 중요했고, 장내 미생물은 중등도의 기여를 보였다.

결론: 확립된 2형 당뇨병 환자에서 개인맞춤형 식후 혈당 반응 예측이 가능하며 기존 탄수화물 계산법을 상당히 능가하는 성능을 보였다. 특히 기존 접근법에 반응하지 않는 '저 탄수화물 반응군' 환자에서 더욱 효과적이었다. 장내 미생물의 중등도 기여도가 높지 않았으며, 이는 연속혈당측정과 상세한 식이 평가를 우선시해야 함을 시사한다. 개발한 당뇨병 특화 모델은 2형 당뇨병 관리를 위한 정밀 영양으로 나아가는 단계로 활용될 수 있을 것이다.

목차 (Table of Contents)

• Introduction 1
• Materials and Methods 9
• Results 29
• Discussion 72
• Conclusion 91
• Acknowledgement 92
• References 93
• Abstract (in Korean) 103