혈당 시계열 데이터의 전처리는 당뇨병 관리, 특히 1형 당뇨병을 위한 데이터 기반 방법 개발에서 중요하지만 종종 간과되는 단계이다. 표준화된 전처리 워크플로와 평가 프로토콜의 부재는 재현성을 저해하고 연구 간 공정한 비교를 어렵게 만든다. 이러한 과제는 데이터 공유 제한으로 더욱 악화되는데, 개인정보 보호 및 라이선스 제약으로 인해 전처리된 의료 데이터셋의 재배포가 종종 불가능하기 때문이다. 이러한 한계를 해결하기 위해, 우리는 혈당 시계열 데이터에 대한 재현 가능한 실험을 위한 포괄적이고 확장 가능한 프레임워크인 GlucoTune을 제안한다. 이 프레임워크는 전처리부터 모델 평가까지 전체 실험 워크플로를 표준화하여 원본 데이터셋으로부터 직접 재현 가능한 실험을 가능하게 한다. 재현 가능한 전처리는 휴대 가능한 YAML 설정 파일로 정의된 구성 가능한 파이프라인을 통해 달성되며, 민감한 전처리 데이터를 배포하지 않고도 일관된 데이터 처리를 보장한다. 전처리를 넘어, GlucoTune은 혈당 예측 모델의 구현, 학습, 평가를 위한 통합 인터페이스를 제공한다. 이 프레임워크는 표준화된 래퍼를 통해 공개 데이터셋을 통합하고, 최신 혈당 예측 및 일반 시계열 예측(forecasting) 방법의 큐레이션된 컬렉션을 제공하면서, 추가 데이터셋, 전처리 전략, 예측 모델에도 쉽게 확장할 수 있다. 투명하고 일관된 평가를 촉진하기 위해, GlucoTune은 데이터셋, 전처리 구성, 예측 방법에 걸친 결과를 보고하는 벤치마킹 리더보드를 포함하여 실험 설정의 체계적 비교를 가능하게 한다. 우리는 포괄적인 실험을 통해 GlucoTune의 효과를 입증하고 사용자 연구에서 그 사용성을 평가한다.
1형 당뇨병(T1D)은 인슐린을 생산하는 췌장 베타 세포의 완전한 파괴가 특징인 만성적이며 생명을 위협하는 자가면역 질환이다. 강화학습(RL) 기반 인공 췌장 시스템(APS)은 인슐린 투여 자동화에서 유망함을 보여 왔지만, 그 '블랙박스' 특성 때문에 환자와 의사가 이를 완전히 신뢰하기 어렵다. 본 논문은 RL의 정밀도와 대규모 언어 모델(LLM)의 명확하고 인간과 유사한 추론을 결합하여 더 투명하고 신뢰할 수 있는 인슐린 펌프 컨트롤러를 만드는 유망한 접근법인 LLM-T1D를 제안한다. 전문 RL 시스템을 학습하고 그 지식을 파인튜닝된 LLaMA 3.1 8B 및 Qwen3 8B 모델로 증류함으로써, RL 시스템의 성능을 능가할 뿐만 아니라 평이하고 이해하기 쉬운 언어로 결정을 설명하는 컨트롤러를 개발했다. FDA 승인 UVA/Padova T1D 시뮬레이터에서 검증한 결과, LLM 컨트롤러는 우수한 혈당 제어(73.5% Time in Range)를 달성하는 동시에 환각(hallucination)에 대한 엄격한 형식적 안전성 검증을 유지했다.
Large language models (LLMs) can produce clinically fluent recommendations for type 2 diabetes while failing to satisfy guideline constraints or explicitly justify lifestyle-related glycemic claims. We present T2D-Bench, a reproducible benchmark and evidence-gated evaluation framework for testing whether LLM outputs satisfy explicit, graph-checkable evidence requirements. T2D-Bench is built on a multi-layer clinical-lifestyle knowledge graph that combines a biomedical spine (UMLS, DrugBank, SIDER), computable ADA Standards of Care rules, and lifestyle knowledge connected through a mechanistic bridge to glycemic laboratory effects. Across 100 structured vignettes spanning diagnosis, medication safety, and adversarial lifestyle conflicts, baseline outputs failed benchmark-defined evidence-path checks in 35% of cases for GPT-4o-mini and 33% for GPT-4o. The evidence gate detects unsupported omissions and uses constrained revision to bring outputs into verifier-level compliance with benchmark-defined evidence requirements. These results show that computable evidence constraints can make unsupported clinical omissions explicit, measurable, and correctable in diabetes-focused LLM outputs.
MetaboNet-Bench는 1형 당뇨 환자의 혈당·인슐린·탄수화물 섭취 등 다중 모달리티(multimodal) 데이터를 활용한 혈당 예측 알고리즘을 공정하게 비교할 수 있는 확장 가능한 오픈소스 벤치마크를 제안한다. MetaboNet의 13개 공개 데이터셋으로 최근 모델들을 평가한 결과, 추가 모달리티의 이득은 모델 복잡도에 따라 달라지며 RMSE·MARD 같은 전통 지표만으로는 임상적으로 중요한 구간의 성능 차이를 놓칠 수 있어 더 풍부한 임상 지표가 필요함을 보였다.
제2형 당뇨병(T2D) 환자의 개인화된 혈당 평가를 위해 웨어러블 센서 데이터와 구조화된 메타데이터를 통합하는 LLM 기반 프레임워크인 GlyLLM을 제안한다. 실험 결과, 제안된 모델은 AI-READI 데이터셋에서 기존 머신러닝 방법 대비 혈당 예측 RMSE와 당뇨병 분류 AUROC에서 각각 평균 13.66%, 13.08% 향상된 성능을 달성했다.