2015년에 이스라엘 그룹에서 동일한 음식을 섭취해도 개인마다 식후혈당 반응(postprandial glycemic response)이다르다는 점을 보여주었고, 장내미생물·생활습관·신체정보 등을 통합한 AI 알고리즘이 개인별 혈당 반응을 예측할수 있음을 보고하였다(1). 

또한 CGM 사용하는 환경에서, 식이 데이데이 수집되었을 때 식후 혈당 예측 후 이를 기반한intervention을 통해 혈당 개선이 가능함을 처음 제시하였다.

최근 디지털 헬스 연구들은 이러한 personalizednutrition 개념을 실제 임상 환경으로 확장하고 있다.Stanford/January AI 그룹은 CGM, 활동량, 식사 기록을 통합한 모바일 플랫폼을 이용해 2,000명 이상의 사용자를 분석하였고, AI 기반 personalized recommendation이glycemic variability, time in range (TIR), 체중 감소에 긍정적 영향을 줄 수 있음을 보고하였다(2).

특히 단순히 음식 기록만 하는 것이 아니라 CGM 데이터와 연결된 personalized feedback이 제공될 때 의미 있는 행동 변화가 나타났다. 연구에서는 carbohydrate·sugar 섭취 감소와 함께 fiber 및 protein 비율 증가가 동반되었고, 이러한 변화가 혈당 개선과 연결되었다. 

흥미로운 점은 최근 연구들이 ‘AI 자체’ 보다도 환자의 engagement와 education의중요성을 반복적으로 강조한다는 것이다.January AI 후속 연구에서는 앱 사용도가 높은 ‘poweruser’에서 TIR 및 체중 감소 효과가 더 크게 나타났으며, 이는 디지털 플랫폼의 효과가 결국 환자의 지속적인 참여 여부에 달려 있음을 보여준다(3). 또한 단순 CGM 착용만으로는충분하지 않고, AI가 생성한 personalized recommendation이 추가적인 혈당 개선 효과를 가져왔다는 점도 보고하였다.

반면 CGM과 식이 교육을 결합한 최근 randomized trial들은 또 다른 중요한 메시지를 제시한다. UNITE 연구에서는 CGM 사용 시 nutrition-focused approach를 제공한 군과 self-directed approach를 비교하였는데, 두 군 모두 TIR개선 효과는 있었지만 단순한 식이 교육만 으로는 군 간 차이가 크지 않았다. 다만 nutrition-focused 군에서는 환자들의 ‘CGM 데이터를 활용해 음식 선택을 할 수 있다는 자신감(self-efficacy)’이 유의하게 증가하였다(4).
 

따라서 단순한 CGM 사용보다 보다 반복적이고 체계적인 nutrition-focused feedback이 추가되어야 실제 행동 변화가 극대화 될 수 있다. 또 다른 IGNITE 연구에서는ketogenic diet 기반 remote care program에서 CGM군과fingerstick SMBG군을 비교하였는데, 의외로 두 군 모두 매우 유사한 수준의 TIR 및 HbA1c 개선을 보였다(5). 즉 결국 핵심은 센서 자체보다도 이를 어떻게 해석하고 행동 변화로 연결하는지에 있다.

실제 임상현장 에서도 비슷한 경험을 하게 된다. 단순히CGM을 처방하거나 음식 사진을 기록하게 하는 것 만으로는 환자의 생활 습관 변화가 오래 지속되지 않는다. 환자들은 많은 데이터를 생성하지만 이를 스스로 해석하기는 쉽지 않다. 특히 왜 특정 음식에서 혈당이 오르는지, 어떤 식사 패턴이 자신의 혈당에 더 유리한 지를 이해하지 못하면 행동 변화로 이어지기 어렵다. 결국 CGM 데이터는 교육 도구로 활용될 때 가장 큰 가치를 가진다.
 

이러한 측면에서 AI는 향후 매우 중요한 역할을 할 가능성이 크다. 이미 여러 연구에서 AI는 개인의 식사·활동·수면 패턴과 CGM 데이터를 통합하여 향후 혈당 반응을 예측하고, 환자별 생활습관 개선을 추천하는 방향으로 발전하고 있다. 앞으로는 단순 calorie counting이나 carbohydrate
restriction을 넘어 환자 개인의 혈당 반응과 생활 패턴을 반영한 truly personalized nutrition 시대가 열릴 가능성이
높다.
다만 이러한 기술이 실제 임상에서 의미를 가지기 위해서는 여전히 의료진의 역할이 중요하다. AI가 생성한 recommendation 역시 결국 환자의 임상 상태와 생활환경 속에서 해석되어야 하며, 환자와의 지속적인communication과 education 없이는 장기적인 행동 변화로 이어지기 어렵다.

따라서 향후 CGM 기반 digital health는AI가 의료진을 대체하는 방향보다는, 방대한 라이프로그 데이터를 효율적으로 분석하고 환자 맞춤형 피드백을 제공함으로써 의료진의 교육과 코칭을 보조하는 방향으로 발전할 가능성이 높다. 결국 CGM과 식이 데이터의 통합은 단순한 데이터 수집 자체보다 환자의 행동 변화를 유도할 수 있는personalized feedback system으로 연결될 때 비로소 임상적 의미를 가진다. 앞으로 AI 기반 digital health는 이러한personalized diabetes care를 실현하는 핵심 도구가 될 것으로 기대된다.