Dexcom 센서는 학위기간 동안 많이 써봤는데 Abbott 센서는 처음 써보네요. 
2주동안 Abbott freestyle libre 센서를 달고, 건강관리 목적 + 다이어트 목적으로 혈당관리를 해보려고 합니다.
 
같은 음식을 먹어도 사람마다 혈당반응이 다르며, 동일한 음식 동일한 사람에서도 상황에 따라 혈당반응이 다르게 나타납니다. 스트레스에도 반응은 크게 달라지며, 수면량, 컨디션, 식사시간, 음식조합, 섭취순서에 따라서도 달라집니다. 때문에, 내 몸에 맞는 혈당관리는 상당한 human feedback을 필요로합니다. 당대사가 원활한 건강한 사람에게도 혈당관리는 쉽지않은 일이며, 당뇨병환자분이나 당뇨전단계인 분들껜 이 과정이 몇배는 더 어렵습니다. 
 

1일차
센서 착용 1~2일동안은 부정확하며, libre의 경우 대체로 혈당값이 낮게 측정되었습니다.
점심으로 (마랴상궈/계란볶음밥/즈마장/제로콜라) 를 먹었으나, 유의하게 측정되진 않은것 같습니다. 저녁에는 (서브웨이 참치샐러드, 제로콜라) 를 먹었는데 마찬가지로 측정이 잘 안된듯합니다. 혈당 측정을 핑계로 남은 (마라샹궈/계란볶음밥/즈마장/제로콜라) 를 야식으로 먹었는데 혈당 반응이 측정되기 시작하였습니다.
 

2일차
오전부터 어느정도 제대로 측정되기 시작했습니다. 출근을 해 (아메리카노)를 늘 마시는데, 혈당에 영향은 전혀 없습니다. 여러번 확인했기때문에 이후 부턴 아메리카노는 기록하지 않으려고 합니다. 점심으론 (닭가슴살 콥샐러드/오리엔탈 드레싱/제로콜라) 를 먹었고, 간식으로 (하루견과), 저녁으로는 (닭가슴살 바질샐러드/오리엔탈 드레싱/주말에먹고남은 핫윙)을 먹었습니다. 초록 음식을 먼저먹으면 혈당스파이크를 낮출 수 있기에 핫윙을 먹기에 앞서 샐러드를 먼저 먹었습니다. 
 

3일차
수면부족(4시간 미만)으로 아침에 피로가 심했고 몸이 찌뿌둥했습니다.  샤워를 하면서부터 아무것도 먹지 않았는데, 혈당이 오르기 시작했습니다. 점심으로 (불고기 샐러드/발사믹 드레싱/제로사이다)를 먹었는데 샐러드치곤 혈당이 많이 솟았습니다. 피로가 조금씩 풀려서인지 기저 혈당이 서서히 낮아졌습니다. 저녁엔 동료들과 회식이 있어는데 (크림 떡볶이)를 포함한 술안주를 먹어 나름 양조절을 했음에도 혈당이 치솟았습니다. 많이 마시진 않았지만 (생맥주) 때문인지 저녁엔 혈당이 기저보다 더 낮게 떨어졌습니다.
 

4일차
(사세버팔로윙)이라고 유명한 간식이 있는데, 나름 튀김옷이 없어 혈당 반응이 낮을거라 생각하고 밤에 에어프라이어에 구워먹었습니다. 하지만 급격히 치솟았는데 돌이켜보면 생각보다 단맛이 컷던것 같기도 합니다. 야식을 먹고자서인지 밤사이 기저가 높아졌습니다. 점심으론 (베이컨 샐러드/발사믹 드레싱/제로콜라)를 먹었는데 이번에도 생각보다 상승이 컸습니다. 회사 (발사믹 드레싱)이 당류가 높은것 같기도 하여 다음엔 오리엔탈로 다시 시도해보고자 합니다. 오후 간식으로 (하루견과)를 먹었으며, 저녁으론 (콩불고기 타코 샐러드/환타제로) 를 먹었습니다. 샐러드라 양도 적은데 식사직후 혈당 상승이 매우 빨랐으며 피크가 140mg/dL을 넘겨 놀랐습니다.  
 

5일차
어제 한 의심대로 발사믹 드레싱을 오리엔탈 드레싱으로 바꿔서 (치킨텐더 샐러드/오리엔탈 드레싱/제로콜라)를 점심에 먹었는데, 여전히 혈당 스파이크가 생겼습니다. 의심가는 부분으로는 샐러드 들어있는 삶은강낭콩과 캔옥수수인데, 강낭콩이 일반적으로 혈당지수가 낮다고는 하지만 삶는 조리과정을 거친 강낭콩이 저한테는 흡수율을 올린게 아닐까 싶었습니다. 간식으로는 닭고기육포를 먹었는데 아주 서서히 혈당을 올려 견과류나 맛밤보다 애용해야겠단 생각이 들었습니다. 저녁엔 (불고기 파스타 샐러드/오리엔탈 드레싱/제로펩시)를 먹었는데 파스타를 일단 뺐고 이번엔 의심가던 강낭콩과 옥수수를 뺐더니 초기 혈당 상승이 낮긴 했습니다. 내일은 점심에 이렇게 먹어보고 재료때문인지 첫끼이기 때문인지 좀더 지켜보려고 합니다. 야식으로는 센서가 부정한 1~2일차에 혈당을 거의 안올렸던 메뉴인 (마라샹궈/계란볶음밥/즈마장/제로콜라)를 다시 먹어봤는데 재밌게도 지방이 많은 음식들이라 그런지 나름 센서가 정확해진 이번에도 혈당반응이 완만했습니다.  
 

6일차
늘 그렇듯이 아침은 먹지않고 커피만 마셨고 점심을 첫끼로 (두부스테이크 샐러드/오리엔탈 드레싱/제로사이다)를 먹었습니다. 40mg/dL정도 혈당이 빠르게 오르는걸 보니, 아무리 샐러드라도 섭취 속도를 늦추거나 단백질위주의 섭취가 아니면 초기의 빠른 혈당상승은 늘 생기는것 같단 생각이 듭니다. 다음주엔 첫끼를 아침에 간단하게라도 먹어 대사과정의 사이클을 일찍 시작해보는 실험을 해보려고 합니다. 이날은 멀리 걸어다녀올 일이 있어 기력이 빨리 없어져서 한달간 참던 와클이라는 갈릭시즈닝된 딱딱한 과자를 간식으로 먹었습니다. 정말 작은 봉지였는데 혈당이 70 mg/dL나 치솟는걸 보고 만족도 대비 너무 큰 손해가 아닌가 생각이 들었습니다. 저녁으론 (버섯가지 샐러드/오리엔탈 드레싱/제로콜라)를 먹었는데 기름에 볶은 음식이기도하고 일하면서 천천히 먹어서 그런지 아주 이상적인 혈당반응을 보여주었습니다. 집에 와서는 불금이기도해서 먹고싶던 음식들을 폭식했습니다. 구질구질하게 핑계를 대보자면, 예전 학위과정 동안 살이 찐 주범이기도 한 폭식 습관의 경우엔 혈당이 어떻게 되나 궁금하기도 했습니다. 그래서 (마라샹궈/계란볶음밥/즈마장/찡따오 생맥주/짜파구리/굽네 고추바사삭순살/고블링마블링 소스)를 펼쳐두고 배 차는 만큼 먹었고 결과적으로 역대급 최악의 혈당반응을 볼 수 있었습니다. 혈당은 70mg/dL 증가 후 이게 3시간 넘게 지속됐습니다. 탄수에 의한 초기 상승과 기름진 음식에 의한 후속 지속이 총동원된 반응입니다. 긍정적인 점은 그래도 초기 스파이크가 150mg/dL를 넘지 않았다는 점인데, 이는 그 와중에 당류가 큰 음식은 나중에 먹기도 했고 제 췌장이 한심한 주인 대신 노력해서 그렇지 않을까 싶습니다. 하지만 이 반응을 한 번 본 이상 다음부턴 폭식이 끌려도 주저하게 될것 같습니다.  
 

7일차
혈당관리나 꽤 괜찮았던 하루입니다. 우선, 오전 느즈막히 일어나 아메리카노를 마셨습니다. 할걸 하다보니 점심시간을 놓쳐서 3시쯤 나가서 (서브웨이 참치샐러드/핫칠리/제로콜라)를 사와서 먹었습니다. 회사에서 먹던 샐러드랑 다르게 혈당반응이 매우 안정적이었습니다. 드레싱의 차이인가 싶기도 해서 다음주엔 이것저것 실험을  해봐야 뭐가 원인인지 알것 같습니다. 저녁으로는 남은 굽네 고추바사삭을 먹을 계획이었기에, 20분 전에 미리 (서브웨이 베지 샐러드/제로콜라)를 먹었고 이후에 (굽네 고추바사삭/고블링 소스/마블링 소스)를 먹었습니다. 소스를 작정하고 많이 찍어먹었음에도 20분 전에 먹은 샐러드 덕분인지 초기 혈당 상승이 완만한 편이었고 피크도 120mg/dL을 넘지 않았습니다. 센서가 부정확했던 초기를 제외하면 처음으로 목표 범위안에 100%로 들어왔던 날이라 기분이 좋습니다.
 

8일차
약속이 있었던 하루입니다. 보통 점심 저녁 사이에 카페를 가는 등 계속 뭘 먹기때문에 혈당이 어떻게 될지 궁금했습니다. 늘 궁금했던 떡볶이에 대한 혈당반응을 테스트 해보기로 했습니다. 점심으로는 두끼를 가서 (즉석떡볶이/탄산수/치킨마요/고구마튀김/두부튀김/치킨텐더/바닐라아이스크림)을 먹었습니다. 먹자마자 치솟은 혈당은 170mg/dL를 넘겨 센서 부착 후 가장 높은 값을 기록했습니다. 역시 혈당에 안좋기로 악명높은 떡볶이 다운 결과였습니다. 밥 먹은 직후 카페를 가서 (코코넛 라떼/아이스아메리카노/드립커피)를 먹었더니 떨어지던 혈당이 다시 올라 작은 혈당 봉오리가 생겼습니다. 이후 7시까진 계속 카페에 있었는데 점심의 폭식과 라떼 때문에 혈당이 요동 쳤습니다. 저녁으로는 해산물 뷔페를 가서 (랍스터/스프/육회/스시/회/주스/갈비/얼그레이케이스/홍차) 등을 마구 먹었습니다. 그래도 단백질 위주의 식단인데다, 점심의 후폭풍으로 아직 체네 인슐린이 높은것 같기도 했고, 처음 와보는 뷔페에 신나 요리를 고르러 다니느라 생각보단 천천히 먹어 스파이크는 낮았습니다. 그래도 혈당은 계속 요동쳤습니다. 집에와서 하이볼과 도넛을 먹었는데 처음 겪는 그래프가 나왔고 이건 다음으로..
 

9일차
전날 뷔페를 다녀와서 밤에 (하이볼/던킨도넛 라즈베리 필드)를 먹고 잤습니다. 12시 이전에 먹었음에도 바로 혈당이 오르진 않았고 자는 동안인 새벽 3시쯤 혈당이 연이어 두 번이나 피크를 찍었습니다. 거기다 새벽 내내 높은 혈당을 유지했으며, 아침 9시가 돼서야 혈당이 돌아오는 대참사가 벌어졌습니다. 폭식에 폭식에 폭식에 이은 음주는 혈당대사에 큰 혼란을 주며 수면의 질을 크게 떨어트린다는걸 직접 보았습니다. 앞으로 음주를 한다면 가급적 저녁식사 시간에 하고 자기전에는 혈당이 안정해지도록 해야겠단 생각이 들었습니다. 점심으론 테스트해보고싶던 라면류를 먹어보았습니다. 이 때, (서브웨이 참치 샐러드/제로콜라)를 20분 전에 먼저 먹은 후 (진짬뽕/제로콜라)를 먹었는데, 그래서인지 흔히 다른 사람들에게서 보던 큰 스파이크는 안생겼습니다. 다만 혈당이 떨어졌다가 아무것도 먹지 않았는데도 다시 상승을 했고 저녁으로 또다시 (서브웨이 참치 샐러드/제로콜라)를 먹었는데 아무런 혈당반응이 없었습니다. 이렇게 식사의 시간에 따른 조합에 따라서도 반응이 극명하게 달라지는걸 보면서 혈당관리가 참 어렵다는 생각이 들었습니다. 기분전환으로 40분간 빠르게 걷고 온 뒤, 야식으로는 (던킨 글레이즈 도넛/던킨 바바리안 필드/아메리카노)를 먹었는데 식전이지만 운동의 효과가 조금은 남았는지 아니면 원래 도넛이 저한텐 반응이 크진 않은건지 생각보단 피크가 높지 않았습니다. 아직 냉동실에 2개가 남아있으니 다음에 테스트 해보아야겠습니다.
 

10일차
신경쓰이는게 많아서인지 밤사이 그리고 기상후에도 공복혈당이 계속 상승했습니다. 오후 약속까지 시간이 부족해 점심으로 (던킨 바바리안 필드) 1개 반을 서둘러 먹었는데, 당류와 저조한 컨디션으로 인한 저항성이 결합되어 혈당이 두끼떡볶이 사태때보다 더 높은 최고기록 184mg/dL를 찍었습니다. 저녁으로는 지코바를 먹기로 해서 20분전에 미리 (서브웨이 베지 샐러드/제로콜라)를 먹었고 지코바 역시 채소를 더해 (지코바 순살/깻잎/생와사비/제로사이다)의 조합으로 먹었습니다. 샐러드와 채소의 힘으로 지코바의 달달한 양념에도 혈당의 상승폭이 적었습니다. 식후엔 한시간 쯤 지나 오늘도 40분 정도 경보를 다녀왔습니다.
 

11일차
오늘도 역시나 기상 후 공복혈당이 올랐습니다. 점심으로 예상치 못하게 회식이 생겼고, (갈비탕_당면x/보쌈 김치/흰쌀밥 조금)을 먹었습니다. 탄수화물을 거의 안먹은데다 맑은 국물이라 그런지 혈당이 정말 미미하게 올랐다 떨어졌습니다. 보쌈김치가 달달한데도 당에는 큰 영향을 주지않았습니다. 오후부턴 몸에 힘이 없었고 혈당은 서서히 떨어졌습니다. 저녁으론 (샐러드_드레싱x/치킨텐더/제로콜라)를 먹었고 다 먹은 후에 어제 먹고 남은 (지코바 순살/깻잎/생와사비)를 먹어 비교적 낮은 피크가 생겼습니다. 그리고 영화를 보러가 (어니언 팝콘/제로콜라)를 먹어서 추가 상승 피크가 생겼는데 이 부분은 이미 분비된 인슐린에 의해 빠르게 떨어진것 같고, 저녁으로 먹었던 기름진 음식 때문인지 혈당이 조금 더 지속되다 천천히 떨어졌습니다.
 

12일차
오늘은 회사 샐러드 종류가 마음에 안들어 (샐러드/콩불고기 볶음밥/감자 코로케 /제로콜라)메뉴를 선택했습니다. 샐러드를 먹어도 늘 혈당이 빠르게 올랐기에, 이번에는 드레싱을 안뿌리고 먹어보자 싶었으나 볶음밥때문인지 혈당은 높게 올랐습니다. 감자고로케를 샐러드와 밥을 다 먹고 먹었더니 작은 피크가 뒤따라 왔습니다. 12일차가 되니 공복혈당의 패턴이 보였는데 아침 기상 직후 공복혈당이 전반적으로 상승하고, 오후엔 공복혈당이 서서히 떨어지는것 같습니다. 늘 퇴근할때쯤 되면 온 몸에 힘이 없는게 이 때문인것 같기도 해서 적절한 간식을 먹어보는것도 좋겠단 생각이 듭니다. 저녁으론 점심에 제대로 못했던 회사 당류 드레싱을 제외하는 실험을 다시 해보았습니다. 회사 샐러드 코너에 샐러드&샌드위치 세트만 있었기에 서브웨이에서 추가 샐러드를 사와 (스테이크 샐러드/서브웨이 참치 샐러드/핫칠리 소스/제로콜라)를 먹었습니다. 서브웨이 핫칠리는 제게 혈당반응이 좋은 소스(당류 5.3g)라 애용하는데, 회사의 당류 드레싱 없이 먹었더니 혈당이 조금만 오르는걸 볼 수 있었습니다. 내일은 일반 샐러드에 드레싱의 당류를 보고 적절한걸 골라 실험해볼 계획입니다. 
 

13일차
오늘은 점심으로 (베이컨 샐러드/오리엔탈 드레싱 0.5봉/제로콜라)를 먹었습니다. 드레싱의 양을 반으로 줄여보았는데 점심치고는 혈당이 조금만 올라서 확실히 드레싱이 혈당 상승에 영향을 꽤 주는걸 알게됐습니다. 3시쯤 배가고파 간식으로는 (닭가슴살 핫바/제로콜라)를 먹었는데, 당류가 거의 없는 핫바라 그런지 혈당변화가 미미했습니다. 이후 퇴근시간이 가까워질수록 혈당이  떨어져 몸에 힘이 안났습니다. 퇴근후 저녁으로는 제게 있어 폭식을 해도 혈당을 생각보다 적게 올리는 (마라샹궈/즈마장/계란볶음밥/제로콜라)를 먹기로 했는데, 이번엔 몇주째 먹고싶던 (꿔바로우)를 못참고 함께 먹었습니다. 대신 밥 먹은 직후 산책을 나갔더니 혈당이 150mg/dL를 넘지 않은 채로 빠르게 정상 범위까지 떨어졌으나, 먹은 양이 많기도 하거니와 기름진 음식이라 산책으로 떨어졌던 혈당은 이내 다시 128mg/dL까지 올라갔습니다. 요즘엔 시간이 부족하지만 다음엔 폭식을 한 날엔 좀더 오래 유산소 운동을 해야겠단 생각이 들었습니다.
 

14일차
2주 정도 센서를 달고 있으니, 늘 먹는 샐러드 및 자주 먹는 음식들에 대한 혈당반응과 하루 시간에 따른 혈당 변화에 대해선 어느정도 패턴을 알게된것 같습니다. 점심으로는 (불고기 샐러드/오리엔탈 드레싱 0.5봉/제로콜라)를 먹었는데 어제와 같이 드레싱을 조절하니 혈당의 상승폭 22mg/dL로 안정적이었습니다. 센서를 땐 이후에도 드레싱은 이정도 양만 넣어 먹을 계획입니다. 역시나 퇴근이 가까워질수록 공복 혈당은 떨어졌습니다. 앞으로는 저녁에도 힘을 내기 위해 오후 3시쯤 당류가 낮은 적당한 간식을 먹을까 싶습니다. 오늘은 오랜만에 고향에 내려가 부모님과 저녁을 먹었습니다. 기차역에서 (반월당 닭강정)을 사서 갔고, 부모님께서도 제가 좋아하는것들을 잔뜩 주셨는데 (레토르트 닭강정/삼겹살/완두콩 조림/비빔냉면/제로사이다)를 배 터질때까지 먹었습니다. 결과적으로 센서가 종료 되는 시점에 강한 상승 화살표를 보며 2주간의 혈당측정을 마무리 했습니다. 

Author : Thomas Martens, Roy W. Beck, Ryan Bailey, et al.
Paper Link : https://doi.org/10.1001/jama.2021.7444 

• 미국당뇨병학회(ADA)가 제1형 당뇨병환자들에게 연속혈당측정기(CGM; Continuous Glucose Monitoring)의 사용을 권고 하고 있으나, 제2형 당뇨병환자의 CGM사용과 그 효과에 대한 연구는 별로 이루어지지 않음
• 이에, 제2형 당뇨병 성인 환자 중 기저 인슐린치료를 진행중인 환자들을 대상으로 CGM의 효과를 분석하고자한 임상연구
• 총 175명의 환자 중 2:1의 비율로 CGM 사용 환자(n=116)와 채혈측정기 사용 환자(n=59)를 랜덤하게 배정함
• CGM은 Dexcom사의 G6모델
• 8개월 동안의 HbA1c가 CGM 군은 -1.1%, 채혈측정기 군은 -0.6%로, 혈당관리에 있어 CGM의 사용이 유의한 효과가 있는것을 확인함

개인적인 Discussion

• CGM 사용 군에서도 1/3은 8%이상의 높은 HbA1c를 보여주었다.
• 이는 단순히 자주 측정을 하는것에 더해, 적극적인 치료의 추천/개입/관리가 필요하다는것을 시사한다.
• 무엇보다, CGM의 사용을 적극 권장하기엔 현실적으로 CGM의 가격이 상당히 매우 정말 높으며, 센서를 부착한 생활에서 오는 불편함도 무시할 수 없다. 
• 때문에, EHR정보 혹은 채혈측정 정보만으로도 좀더 혈당관리의 효과를 높힐수 있는 AI기반의 치료개입&관리추천 연구가 필요한것 같다.

스마트폰으로 제어 가능한 제품들 출시

애플의 아이폰이 출시된지 10여년이 지났지만, 스마트폰을 사용하여 제어 가능한 동시에 FDA승인을 받은 당뇨병 의료기기의 상용화는 환자들의 큰 니즈에도 좀처럼 이루어지지 않았습니다. 하지만 2020년부터 이러한 스마트폰 기반의 제어 기능은 상용 제품들에서 하나둘 보이기 시작했습니다.

Tandem Diabetes Care

스마트폰 기반 식사인슐린 주입 (mobile bolusing): Tandem  Diabetes Care는 2020년말 모바일 식사인슐린 제어가 가능한 t:connect app 앱 기능을 FDA에 승인 신청하였습니다.

실제로 Tandem Diabetes의 CEO John Sheridan은 2020년 11월에 "모바일 앱으로 식사인슐린을 주입가능하게 된다면, 사용자들이 집 밖에선 펌프를 꺼낼 필요가 없어질것" 이라고 이야기 했으며, 이는 Tandem의 2012년 t:slim 출시 후 첫번째 새로운 폼팩터인 t:sport 미니 펌프의 출시예정 소식과 함께 더욱 기대가 되고 있습니다.

t:sport 미니 펌프: Tandem  Diabetes Care는 스크린이 없으며 기존 t:slim x2의 절반 크기인 패치형 펌프 t:sport를 출시할 예정입니다. 원래 계획은 2020년에 FDA에 승인을 신청하는것이었지만 코로나19로 인해 임상시험과 신청이 늦어졌습니다. 아마도 2021년 초에 신청할것으로 예상되며 하반기에는 출시를 할것으로 기대됩니다.

Control-IQ 알고리즘: Tandem 의 하이브리드 인공췌장 알고리즘인 Control-IQ또한 2021년중에 개인화 측면에서 좀더 향상된 업데이트를 할것으로 기대되고 있습니다.

Insulet Corp

Omnipod 5 (Omnipod Horizon): Tandem사의 Control-IQ와 같이 Omnipod 5 역시 인공췌장시스템으로서 기존의 PDM기기 없이 스마트폰과 CGM과 Omnipod을 통해 자동화된 인슐린 주입을 합니다. CGM은 우선 Dexcom CGM과 연동이 가능하며 추후에 Abbott사의 FreeStyle Libre와도 연동될 예정입니다. Omnipod5 역시 2020년에 승인을 신청하기로 했지만 코로나19로 연기가 됐으며, 최근 pivotal 시험을 마치고 FDA 승인 신청 준비를 마무리 중이라고 합니다. 아마도 2021년 상반기에 출시할것으로 기대되고 있습니다.

새로운 인슐린 펌프와 CGM 출시

위 제품들 외에도 인슐린 펌프와 CGM에서의 새로운 제품도 출시예정입니다. 물론 아직은 스마트폰을 사용한 제어가 불가능하지만, Tandem과 Insulet의 FDA의 승인후엔 이 제품들 역시 스마트폰 기반의 제어가 좀더 보편화될것으로 예상됩니다.

Medtronic Diabetes

MiniMed 780G: 향상된 하이브리드형 폐루프 (AHCL) 시스템으로 불리는 Medtronic사의 차세대 제품 MiniMed 780G가 출시예정입니다.  첫 하이브리드 인공췌장인 670G과 추후의 기술업데이트를 위해 블루투스 기능이 내장된 770G에 이은 제품입니다. 780G는 다음의 몇가지 특징이 있습니다.

• 새로운 차세대 CGM인 Zeus CGM 센서와 함께 연동될 예정으로, 이 센서는 첫 채혈 보정이후엔 7일의 사용기간동안 채혈이 전혀 필요 없는 제품입니다. 
• 매 5분마다 자동 식사 인슐린 보정기능을 제공합니다
• 목표혈당이 120 mg/dL으로 고정된 670G와 달리  100 에서 120 mg/dL 사이에서 조정가능합니다.
• 기존 상용 시스템과는 다른 인슐린 활성 시간을 제공합니다. 
• Tandem t:slim X2와 같이 블루투스로 소프트웨어 업데이트가 가능하여 새로 제품을 살 필요가 없습니다.

Medtronic은 본 시스템이 2살 이상부터 사용가능하도록 FDA에 요청할 계획이며, 2021년 2월에 승인신청을 할것이라고 합니다. 승인기간에 따라 올해 안해는 상용화가 가능할지도 모르겠습니다.

Dexcom

G7 CGM: 기존의 CGM 폼팩터에서 크게 바뀐 센서와 트랜스미터가 통합된 디자인의 CGM을 출시할 예정입니다. Dexcom은 2021년 초에는 FDA에 승인을 신청할 예정이라고 하며 늦어도 올해 안에는 출시를 진행할 계획이라고 합니다. 특히나 최근 제품의 프로토타입이 공개되어서 많은 유저들을 흥분케 만들었습니다.

G7의 알려진 특징은 다음과 같습니다.

• 모듈이 없는 완전 1회용 구조
• G6의 10일에서 더 길어진 14~15일의 사용기간
• G6 대비 60% 얇은 두께
• 복약/주입 결정 서포트. Dexcom사가 2018년에 Virginia 대학교 출신의 인공췌장 알고리즘 개발 스타트업인 TypeZero Technologies를 인수함에 따라, G7부터는 이러한 환자의 건강관련 의사결정을 돕는 소프트웨어가 제공될수 있다고합니다. 이는 제1형 제2형 당뇨병 뿐만아니라 당뇨병이 아닌 사람을 위한 CGM의 확장이라는 회사의 목표를 촉진할것입니다.
• 환자의 당뇨병 유형 혹은 사용자에 따라 다른 버전의 기기

Abbott

FreeStyle Libre 3: 스캔이 필요했던 이전 버전과 달리 CGM 기능을 완전히 탑재한 Libre 3에 대한 기대도 큽니다. 특히나 쿼터동전 2개 두께인 이전 버전에 비해 훨신 얇아진 패니동전 2개 두께로 얇아집니다. Abbott에 따르면 크기는 70% 줄어들었고 플라스틱은 41% 적게 사용한다고 한다고 합니다. 상용화를 위한 FDA승인 신청은 아마도 2021년 중에 이루어질것으로 예상됩니다.

WaveForm

Cascade CGM: 2019년 유럽 CE승인을 받은 CGM인 WaveForm사의 Cascade CGM이 FDA 승인신청을 준비중입니다. 기존의 CGM들과 같은 측정방식 및 폼팩터를 가지고 있으나 정확도는 상대적으로 떨어지는 편이며, 15일의 사용기간 그리고 충전식 트랜스미터라는 특징을 가집니다. 2021년 중에 승인 신청을 계획중이며 연중 미국 출시를 목표로 하고 있습니다.

삼성전자

갤럭시 워치4: 삼성전자가 올 하반기에 선보일 스마트워치 신제품인 '갤럭시 워치4'에 혈당측정기능을 탑재한다고 합니다. 삼성전자가 보유한 광학센서를 사용한 라만분광법에 기반의 비침습식 혈당측정 기술은 앞서 MIT 연구팀과 공동연구로 국제 학술지 'Science Advances'에 게재된 바 있습니다. 비침습식 혈당 측정으로는 상당히 높은 정확도를 보이지만 침습형 혈당 측정과 비교하면 정확도가 떨어질 수 밖에 없으므로 실제 갤럭시 워치4 탑재 시 어떤식의 사용이 추천 될지 기대되고 있습니다. 물론 식약처의 허가 역시 관건입니다. 삼성전자 뿐만 아니라 애플 역시 올해 선보일 '애플워치7'에 무채혈 혈당 측정 기능을 적용할 예정이라는 추측이 있으며, 이 외에도 필로시스헬스케어, 퀀터 오퍼레이션 등 여러 회사에서 당뇨병 관리의 숙원인 비침습식 혈당측정 기기의 초기 제품을 출시 및 준비 중에 있습니다.

커넥티드 인슐린 펜 출시

2020년 Companion Medical사의 커넥티드 인슐린펜 제품인 InPen이 출시된 이후, 데이터 연결 기능이 있는 새로운 스마트 인슐린 펜들의 출시가 활발해 지고 있습니다. 

Bigfoot Biomedical

Bigfoot Unity: DIY 운동에서 출발한 closed loop 테크 스타트업인 Bigfoot Biomedical이 그 첫번째 제품으로서 인슐린 펌프가 아닌 커넥티드 인슐린펜을 출시한다고 합니다.  FreeStyle Libre와 연동되어 자동적으로 인슐린 주입량을 계산해주는 Bigfoot Unity 시스템은 2020년 중반에 FDA에 승인신청을 했습니다. Asante사의 Snap 인슐린 펌프를 인수한 Bigfoot사는 최종적으로 인슐린 펌프 기반의 closed loop 시스템인 Bigfoot Autonomy의 출시를 목표로 하고 있으며 이는 아마도 내년 혹은 내후년이 될것으로 예상됩니다.

Eli lLilly

커넥티드 펜: 거대 제약업체인 Lilly 역시 새로운 커넥티드 스마트펜을 2021년 하반기에 출시예정이라고 합니다. 이 커넥티드 펜은 미리 인슐린이 채워져 있는 1회용 인슐린 펜이며 Lily사의 새로운 펜 기반 디지털 플랫폼을 이끌 예정입니다. 연결될 CGM은 Dexcom 사의 CGM이며 추후에 다른 CGM 개발사와도 파트너쉽도 맺을 가능성이 있습니다.

Novo Nordisk

Novo 스마트 인슐린펜: Novo Nordisk사의 새로운 스마트팬 NovoPen6와 아동용 Echo Plus 모델도 기대됩니다. 이 제품들은 유럽승인을 받았고 2020년 유럽에서의 출시를 예상했으나 현재로서는 2021년으로 모두 미뤄진것으로 보입니다. 

그 외 기대되는 당뇨병 관련 기술

위의 상대적으로 이름이 있는 기업들의 제품 외에도 올해 기대되는 다른 기술들이 있습니다.

Tidepool

Tidepool Loop: 비영리 오픈소스 단체인 Tidepool이 DIY 및 FDA의 관리하의 상용화 측면에서 closed loop시스템을 만들고 있습니다. 유저들이 직접 만든 DIY 시스템에 기반하여 Tidepool Loop 모바일 앱은 Dexcom사의 CGM과 Insulet사의 Omnipod 패치펌프와 연동될 예정이며 우선은 iOS에서 사용가능하도록 출시될 예정입니다. Tidepool은 2020년 12월에 FDA에 승인신청을 제출했으며 2021년에는 승인이 될것으로 기대가 됩니다. 

Zealand Pharma

HypoPal Rescue Pen: 이중호르몬 펌프로 유명한 BetaBionics사의 파트너쉽 제약회사로 알려진 Zealand Pharma가 만든 HypoPal Rescue Pen이 2021년 3월 27일 FDA의 승인을 받을것으로 예상됩니다. 이 회사는 2020년 5월 새로운 안정한 액상형 글루카곤인 dasiglucagon의 사용 승인을 신청한 바 있으며, 이는 Eli Lilly사와 Xeris Pharmaceuticals에 이어 세번째 즉시 사용가능한 글루카곤 펜이 될 예정입니다. 임상연구에서 10~15분의 혈당 정상화라는 좋은 효과를 보임에 따라 해당 약제의 승인은 Beta Bionics사의 이중호르몬 기반 인공췌장 시스템인 iLet에 대한 기대도 갖게 합니다.

MannKind Corp.

BluHale: 호흡형 인슐린인 Affrezza의 제조사로 알려진 Mannkind Corp사는 사용자를 위한 블루투스 연결버전의 Affrezadls BluHale을 출시합니다. 이미 의료진을 위한 BluHale Pro를 출시한 바 있으며 안드로이드, 아이폰, 마이크로소프트 사의 제품과 블루투스 통신으로 연동되어 Afrezza가 적절히 흡입되었는지를 알려주면서 사용 데이터를 저장 및 공유합니다. MannKind사는 올해 FDA에 승인 신청을 할 예정이라고 하며 마찬가지로 출시를 기대한다고 전했습니다.   

*본 글은 아래 healthline의 기사를 토대로 작성되었습니다.

www.healthline.com/diabetesmine/new-diabetes-technology-coming-in-2021?fbclid=IwAR1onCAAPje404FZEysLCl-cfsKbreRM6eVw6oaZmWX6doiBcIxYjMbvZfk#More-new-insulin-pumps-and-CGMs

Author : Andrew C. Miller, Nicholas J. Foti, Emily Fox
Paper Link : https://arxiv.org/abs/2008.02852

애플의 혈당예측 논문

Author : Matthew Botvinick, Jane X. Wang, Will Dabney, Kevin J. Miller, Zeb Kurth-Nelson
Paper Link : https://doi.org/10.1016/j.neuron.2020.06.014

0. ABSTRACT

• 최근 몇 년간 뇌 기능 모델(i.e. vision, audition, motor control, navigation, cognitive control)에 근간한 딥러닝에 대한 연구 크게 급증함
• 하지만 그 중 Supervised Learning(SL)을 활용한 개념적 접근은 과거에 이미 많이 논의되어온 부분이며, 컴퓨팅 성능 및 데이터의 향상으로 재조명 받는 것
• 이에 여기선 신경과학자들에게 생소하지만 신경과학과 매우 긴밀한 연관성을 가지고 있는 Deep RL에 대해 리뷰하고 open challenge들에 대해 논의하고자 함
• 물론 RL역시 신경과학 연구에 영향을 많이 주어왔지만, 딥러닝과 결합되어 실질적인 결과를 보여주며 열매를 맺기 시작한건 불과 몇 년 안됨.
• 이러한 성과들은 뇌b의 주요 기능에 대해 흥미로운 접근을 가능하게 하면서 신경과학에서 아직 밝혀지지 않은 부분에 대한 더 많은 연구기회를 제공함 

1. AN INTRODUCTION TO DEEP RL 

• (이 챕터는 RL의 복잡한 문제에 대한 한계를 딥러닝이 해결했다는 내용으로, 신경과학자를 대상으로한 Deep RL의 보편적 설명에 해당하여 정리는 생략)
• Deep RL을 quantom jump하게 한 DQN알고리즘은, 의의가 그 성능보다 RL문제를 SL화 하여 얻은 안정성에 있음을 강조

2. DEEP RL AND NEUROSCIENCE 

• Deep neural network(DNN)이 실제 신경의 representation에 대한 매우 좋은 모델이라는 것은 Convolution Network를 통해 이미 증명됨
• 하지만 이러한 신경의 모델링을 통한 연구는 지금까지 대부분 SL을 사용하였기 때문에, 생물의 sensory-motor loop에서의 동기 및 목적 지향적 행동을 이해하는것과는 거리가 있음
• 반면 RL은 생물의 학습과 결정에 대한 신경학적 메커니즘에 있어 강력한 이론을 제공:
  1. Reward-prediction error (RPE)로서의 도파민 뉴런의 활성을 설명 
  2. 보상기반의 학습과 의사결정에 있어서 뇌 구조에 따른 역할을 설명
• 딥러닝에선 representation이 어떻게 학습되는지가 중요하며, RL에선 보상이 학습을 어떻게 가이드 하는지가 중요
• 하지만 Deep RL에서는 딥러닝과 RL 두 분야의 단순한 결합 이상의 현상을 확인 가능하며, 신경과학에 있어 새로운 원리, 가설, 및 모델을 제공함 

3. VANGUARD STUDIES (선행연구)

• 많은 연구들이 deep RL을 신경학적 관점에서 설명하고 있지만, 실제 신경 데이터에 deep RL을 적용한 경우는 거의 없으며 시작된지 불과 2~3년 남짓 되는 분야임
• 일부 연구에서는 기존의 딥러닝 혹은 SL을 활용한 신경과학적 연구 접근법을 그대로 RL을 사용한 신경과학 연구에 적용함
  - Song et al. (2017) 에서는 recurrent deep RL 을 실제 신경과학에서 사용된 task에 대해 학습했을 때, 신경망의 unit에서 보이는 활성 패턴이 실제 원숭이 실험에서의 dorsolateral prefrontal, orbitofrontal 및 parietal cortex에서의 패턴과 연관성이 있음을 확인
  - Banio et al.(2018) 에서는 SL과 deep RL을 결합하여 entorhinal cortext에서 발견되는 그리드형 표현이 rat의 navigation 능력을 어떻게 향상시키는지를 보여줌  
• 앞서 강조한 바와 같이 deep RL에선 딥러닝과 RL 각각의 기존 특징 이상의 현상(ex. Meta-learning)이 나타나며, 이를 신경과학에 적용한 연구들이 최근 이루어짐
  - Wang et al. (2018) 에서는 RNN에 기반한 deep RL이 네트워크의 파라메터 업데이트 없이 뉴런의 activation 변화 만으로도, 새로운 task에 빠르게 적응하는 Meta-RL의 특징을 지니는것을 확인하였음. 즉, 네트워크 파라메터 수준의 'Slow RL'기반 학습만으로도 hiddend state에 의한 네트워크 activation에 의한 빠른 적응을 의미하는 'Fast RL'이 가능한 activation역학을 습득할 수 있으며, 이는 신경과학에서의 강화학습 역시 신경의 활성기반 working memory가 뒷받침한다는 사실 (Collins and Frank, 2012) 과 유사함. 또한 이러한 mera-RL 효과가 이전 신경과학 연구에서의 도파민과 prefrontal cortext에 대한 발견들을 어떻게 설명하는지를 보여줌 

4. TOPICS FOR NEXT-STEP REASEARCH

• 작성중

4.1. REPRESENTATION LEARNING

4.2. MODEL-BASED RL

4.3. MEMORY

4.4. EXPLORATION

4.5. COGNITIVE CONTROL AND ACTION HIERARCHIES

4.6. SOCIAL COGNITION

5. CHALLENGES AND CAVEATS

Author : Nichole S. Tyler*, Clara M. Mosquera-Lopez, Leah M. Wilson, Robert H. Dodier, Deborah L. Branigan, Virginia B. Gabo, Florian H. Guillot, Wade W. Hilts, Joseph El Youssef, Jessica R. Castle & Peter G. Jacobs  
Paper Link : https://www.nature.com/articles/s42255-020-0212-y

Author : Josh Merel*, Diego Aldarondo* , Jesse Marshall*, Yuval Tassa, Greg Wayne, Bence Olveczky 
Paper Link : https://openreview.net/pdf?id=SyxrxR4KPS

0. ABSTRACT

• 신경과학과 딥러닝은 감각과 인지시스템에 대한 실제 신경망과 인공신경망의 이해를 도우며 상호 생산적인 발전을 해옴
• 이 연구에선, embodied control에 대한 운동신경의 활성을 연구하기위한 플랫폼으로서 인공신경망을 내제한 가상의 Rat을 개발함
• 가상의 rat은 강화학습을 통해 여러 task를 학습
• 학습된 인공신경망에 신경과학에서의 사용되는 신경행동학적 분석을 통해 목적과 행동에 따른 운동신경의 활성의 연관성을 설명함
• 학습된 모델은 task 특화된 행동전략과 공통된 행동전략의 두가지 class로 구분되는것을 발견했으며, 이는 실제 신경의 sequential activity와 subpopulation에 해당한다고 볼 수 있음 
• 이 가상 rat모델은 Deep RL과 motor neuroscience을 결합하는 연구를 위한 토대가 됨

1. INTRODUCTION

• 포유류는  동일한 general neural network를 사용해서 넓고 다양한 task를 해결가능한 generalist
• 동물이 생물학적 지능으로 푸는 문제를 연구자들이 인공 모델로 해결하고자 할때, 신경생물학적 회로의 기능에서 많은 영감을 받음 (ex. vision, audition, navigation, locomotion, reaching movement)
• 하지만 지금까지 동물의 복잡한 embodied control을 모두 고려하여 물리적 환경에서의 문제를 풀려한 시도는 전무
• Embodied control 모델을 개발하는것은 motor neuroscience의 이해와 AI연구 모두에 가치 있음
• 이에, 이 연구에서는 체성 감각/운동 기능이 내제된 가상 rat을 개발하고 행동심리학 기반 인공지능인 RL을 적용하여 multi-task를 학습시킴
• 이를통해 multi-task의 context에 따른 행동의 연속적 변화를 확인하고 이를 신경과학자들이 이해할 수 있는지의 관점에서 접근하고자 함

2. APROACH

2.1 VIRTUAL RODENT BODY

• Virtual rat은 실제 rat을 토대로 만들어짐
• 2마리의 rat을 해부하여 31개의 구획으로 나누어 그 질량을 측정하고, 7마리를 마취해 34가지 사지 부위의 길이를 측정하여 평균값을 도출
• 최종적으로 만들어진 virtual rat은 다수의 기관 및 관절과 이를 움직이는 근육으로 구성되며, 38개의 degrees of freedom을 가짐
• 머리에 RGB카메라(64x64 pixels)이 있어 1인칭 시야를 가지며, input으로서의 체성 감각으로는 다음과 같은 다양한 요소가 있음
  • Internal joint angles and angular velocities, the positions and velocities of the tendons that provide actuation, egocentric vectors from the root (pelvis) of the body to the positions of the head and paws, a vestibular-like upright orientation vector, touch or contact sensors in the paws, as well as egocentric acceleration, velocity, and 3D angular velocity of the root.
• 모델은 MuJoCo를 사용해 구현됐으며, DeepMind Control Suit에서 확인 가능 (https://github.com/deepmind/dm_control)

2.2 VIRTUAL RODENT TASKS

• Virtual rat이 학습할 4가지 multi-task는 다음과 같음
  (1) 앞으로 달리며 gap을 뛰어넘기 (Reward: target velocity)
  (2) 미로에서 파란구슬 모으기 (Reward: sparse target)
  (3) 언덕지형을 가로질러 구렁 탈출하기 (Reward: distance from center)
  (4) 정해진 시간 간격으로 노란공 두번 터치하기 (Reward: sparse targets)
• 강화학습을 적용함에 따라, rat은 reward를 최대화 하는 방향으로 task 학습

2.3 TRAINING A MULTI-TASK POLICY

• Multi-task를 수행하기위해 분산학습 RL알고리즘인 IMPALA setup (Espeholt et al., 2018)을 사용
• Actor를 학습하기위한 RL알고리즘으론 MPO (Abdolmaleki et al., 2018)를 사용
• Virtual rat agent의 neural netwrok 아키텍쳐는 다음과 같음

• 시각정보와 체성감각을 압축해주는 encoder가 있고, 압축된 정보를 LSTM을 거쳐 value function과 policy를위한 hidden state 도출
• Policy는 hidden state와 압축된 정보, 그리고 체성감각신호를 입력으로 받아 stochastic motor action 결정
• 단, 구렁탈출 task는 multi-task에선 학습이 잘 되지 않아 따로 teacher agent를 학습 시킨후 Kickstarting (Schmitt et al., 2018)으로 다시 multi-task를 학습시는 knowledge transfer 접근을 사용
• 학습 결과 4가지 task를 해결가능한 단일 neural network가 구해짐
• 각 task에 대한 학습된 rat의 움직임 영상 (video 1, 2, 3, 4)

3. ANALYSIS (본격적인 Neuroscience 파트)

• Virtual rat의 학습된 인공 신경망의 활성이 multi-task를 풀때 어떻게 나타나는지를 neuroscience에서 사용되는 방식으로 분석
• 생물학적 신경망이 어떻게 단일 운동을 조절하고 선택지의 메커니즘은 근력 및 행동요소 측면이나 내제된 신경역학적인 측면으로 분석되어 왔으나, multi-task을 위한 일반화에 대한 분석은 없음
• 이에, 가상 rat과 실제 rat의 운동에 내제된 매커니즘에 대한 통찰을 얻기위해, 가상의 쥐가 다른 행동을 할때 인공신경망의 각 레이어가 어떻게 인코딩되고 생성되는지를 실험함
• task마다 25번씩 반복시행하며, 가상 rat의 운동/관절각도/힘/체성감삭/LSTM 단일cell 활성도/policy 레이어별 활성도를 측정

3.1 VIRTUAL RODENTS EXHIBIT BEHAVIORAL FLEXIBILITY

• 전신 자세를 설명하기위해서 관절각 15개, 관절위치 15개의 총 30개 dimension의 top priciple component (eigenposture) 정의
• 전신 움직임을 설명하기 위해서 각 eigenposture에 대해 Morlet wavelet transform 수행 후 총 30개 dimension의 top priciple component 정의
• 움직임의 속도를 구분하고자 Wavelet frequency는 1. Intermediate (1~25 Hz), 2. Slow (0.3~5 Hz), 3. Fast (5~25 Hz)의 3가지 set을 사용
• Behavioral embedding에서의 효과적인 구분을 위해 자세와 움직임의 component를 합쳐 총 60개의 feature에 대해 tSNE 분석 수행
• 이 feature들에 대한 top 2 principle component에 대해 4개 task의 각 cluster가 어떻게 이루어 지나 확인한 결과 low level의 feature는 모든 task의 구분 없이 유사하게 나타났고 high level의 feature는 task에 따라 구분이 되는것을 확인
• tSNE 분석결과, rat의 행동에 따라 tSNE map에서 서로 잘 구분되는것을 확인 

• 이 분석 결과로부터 인공신경망이 서로 다른 task에 대해 선택적으로 공통된 움직임과 차별되는 움직임을 선택하는 행동의 유연성을 학습하는것을 확인함

3.2 NETWORKS PRIMARILY REFELCT BEHAVIORS, NOT FORCES

• Rat의 행동에 따른 인공신경망의 활성 패턴을 분석함
• 학습된 신경망 layer에 대한 Welch's Power Spectrum Estimation 결과 core network는 task context와 reward를 나타내는 1~10초의 timescale을 보여준 반면, policy network는 행동의 feature를 나타내는 1초 이하의 timescale을 보여줌
• 각각의 layer가 행동의 어떤 feature를 representation으로 encoding하는지 정량화하기위해 Representational similarity analysis (RSA) 사용
• RSA는 서로 다른 자극에 대한 neural population이 보여주는 representation을 비교하는 방법으로, Khaligh-Razavi & Kriegeskorte (2014) 에서는 CNN이 실제 시각신경과 거의 유사한 RSA 패턴을 보여주는것으로 인공신경망이 실제 신경과 기능적으로 비슷하게 동작하는것을 보여준 바 있음 (자세한 것은 RSA 저자 강의 참고)
• RSA 분석 결과 policy는 layer에 걸처 빠른 주기의 움직임을 많이 encoding하는 반면, core는 움직임 정보는 다소 낮게 가지고 포함하면서도 그 중 느린 주기의 움직임을 상대적으로 높게 encoding하는 등, 서로 다르게 행동 정보를 representation하는것을 확인
• 결과적으로 policy와 core 모두 force와 joint angle과 같은 low-level motor feature보다 행동 자체를 encoding함.

3.3 BEHAVIORAL REPRESENTATIONS ARE SHARED ACROSS TASKS

• 학습된 neural network가 task에 따라 행동을 생성함에 있어 어떻게 neural representation을 사용하는지를 테스트
• Core와 policy network의 활성을 2-dim multidimensional scaling (MDS) 으로 embedding한 결과 policy는 task에 걸쳐 latent activity가 겹치는 부분이 있는 반면 core는 task에 따라 완전히 분리된 latent activity를 보여줌
• 이는 행동의 특정 representation은 task에 걸쳐 재사용되는것을 의미
• 공통적으로 재사용되는 행동을 task에 대해 RSA한 결과 task사이에 사용하는 행동의 유사성이 서로 다르게 나타남
• 또한 policy의 레이어 개수가 작을수록 computational capacity가 줄어들어 rat이 공통된 행동에 대한 의존성이 올라가는것을 확인

3.4 NEURAL POPULATION DYNAMICS ARE SYNCHRONIZED WITH BEHAVIOR

• RSA가 task에 따른 core와 policy의 활성을 representation 측면에서 분석했다면, 이번엔 시간축에서 각 네트워크가 어떻게 활성화 되는지를 확인
• Two-tap task에서 준비자세부터 두 번째 탭핑에 이르는 동안의 각 layer의 활성을 정규화한 결과 시간에 따른 연속된 뉴런의 활성화를 확인함 (video)

• Task를 수행하는 동안 core network와 policy network 뉴런의 활성을 구조적으로 정량화 하기위해, PCA를 사용하여 차원을 축소한 뒤 각 bin에 해당하는 뉴런 활성의 gradient를 계산하여 vector field로 표현
• Core와 policy 모두의 vector field에서 회전하는 특성이 관측됨에 따라, 회전 패턴을 추출하기위해 jPCA 적용
• jPCA는 (Churchland et al., Nature, 2020) 에서 동물의 motor cortex가 reaching task를 할때 뉴런의 활성이 진동하는 특징을 발견하고, 이를 분석하고자 뉴런 활성에서의 latent rotational dynamics를 추출하도록 고안된 방법  
• 분석 결과 core network와 policy network 모두 다른 행동에 따라 다른 주파수를 가진 뚜렷한 회전 특성을 나타냄
• 앞서 분석한바와 같이 core가 policy보다 더 낮은 느린 주파수를 가지는것 또환 일관되게 확인됨 
• 회전의 속도특성은 core에서는 reward와, policy에서는 행동 phase에 연관됨 (task 예시: gap, maze, escape, two-tap) 

3.5 NEURAL PERTURBATIONS CORROBORATE DISTINCT ROLES ACROSS LAYERS

• 지금까지 분석을 바탕으로 도출된 core network와 policy network의 역할을 검증하고자 신경을 ablation 및 stimuatation 하는 실험을 수행
• poilicy와 core의 뉴런중 평균 이하의 활성화를 나타내는것을 각각 비활성화
• task의 수행 결과 policy를 비활성화 할 경우 목표를 향한 행동의 이상 (ex. 잘못된 점프) 을 보였고, core를 비활성화 할 경우 목표에 이상이 생긴듯한 행동 (ex. 목표를 놓침) 을 때때로 보임  
• 반대로 task수행시 발생하는 신호로 policy를 자극할 경우 tapping을 위해 하는 회전을 불필요하게 한번 더 하는것을 보였으며, core를 자극할 경우 공을 찾는 듯한 행동을 산발적으로 보임

4. DISCUSSION

• 신경을 reverse enigeering 하는 것은 많은 신경과학자 및 인공지능 연구자들의 목표
• 본 연구와 같이 가상 신경망을 사용할 경우 기존 neurosceince에선 어려웠던 정확한 신경 활성화의 관찰이 가능해지며, 이론에 대한 시험이 보다 용이해짐
• 연구를 통해 발견한 몇 특징은 기존의 실제 동물실험에서 관측된 것과 일치
• 행동발생의 신경 매커니즘을 이해하기위한 가상 모델을 향한은 긍적적인 초기 단계이긴 하지만, 실제 rat에 비해 매우 단순한 운동 및 감각 신경의 구조를 가지는 한계를 지니며 인지에 기반한 행동이 아니라는 한계가 있음
• 신경 아키텍처와 훈련 과정이 biologically-inspired design이라면 실제 신경망과의 비교가 더욱 용이할 것
• 이는 현재로선 파악하기 어려운 행동 생성의 요소를 돕는 한편 더욱 현실적인 움직임을 같은 인공 신경 아키텍쳐의 개발을 가능하게 할 것임

개인적인 의견

• 마지막 discussion처럼 인공신경망의 구조가 실제 신경망의 구조를 반영하지 않은게 아쉬움
• Neuroscience의 분석방법을 사용하여 학습된 neural network를 해석 하고자 한다면, multi-task를 단순히 enginieering측면의 RNN의 blackbox타입이 아니라 실제 생물의 multi-task learning 접근을 좀더 반영하면 어땠을까.
• 마지막 비활성화/자극 실험은 영상을 봐도 논문의 설명처럼 두 network의 역할이 구분 되는건지 잘 모르겠다.
• 그래도 재밌는 부분이 많고 현재로선 미지의 영역인 많은 신경 아키텍쳐에 대한 연구에 도움을 줄 가능성이 보이는 논문

캐나다 연구그룹이 어제 이종호르몬 인공췌장 연구를 ‘Diabetes care (IF=13.4)’ 에 publish 했다.

https://doi.org/10.2337/dc19-1922

이종호르몬이라는 타이틀이긴 하지만 흔히 아는 insulin-glucagon (ex, Betabionics https://www.betabionics.com/) 이 아닌 (rapid) insulin-pramlintide의 이종호르몬이다.

Randomized crossover inpatient study로 단일 인슐린만 사용했을 때 대비 time-in-range가 74%->84%로 증가했다. 다만 저혈당 빈도도 같이 상승했다는 점과 위장 쪽 증상을 동반한다는 점이 아쉽다.

Pramlintide는 베타세포에서 인슐린과 함께 분비되는 amylin의 anlogue로서 제 1형 당뇨병환자에선 분비되지 않는다. 효능으로는

Ÿ   소화흡수 속도 제한 & 포만감 형성 & 체중감량

Ÿ   식후 과도한 글루카곤 분비의 억제

Ÿ   식후 1st phase 분비에 대한 반응 threshold 증가

정도가 있다.

식후 혈당조절에 있어 Glucagon 외의 약물을 사용한 이종호르몬 치료라 색다르며, 당뇨병 치료에 있어 다양한 약물 및 intervention 방법을 고려해야한다는 생각이 든다.

https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2751944

JAMA Internal Medicine (IF=20.768)는 20년 1월호에서 미국 Medicare 프로그램 약물처방 파트 (Part D) 의 2012년~2017년 사이의 고혈당 치료에 대한 동향을 발표하였다.

• 2017년엔 당뇨병관련 지출이 총 220억 달러로 2012년 보다 144% 증가
• 6년간의 당뇨병 치료 비용으로 총 $940억 지출. 이중 인슐린 비용은 $600억 (analog $550억, human $50억)
• 2015년 이후엔 지속성 인슐린의 사용이 줄어들어 전체 analog 인슐린 증가세 감소
• 비인슐린 치료법은 2017년에 $87억으로 2012년의 $31억 대비 135% 증가
• 가장 지출이 큰 비인슐린 요법은 dipeptidyl peptidase-4 inhibitors (DPP-4i) 로 $15억에서 $39억로 156% 증가
• 두번째 지출이 큰 비인슐린 요법은 glucagon-like peptide-1 receptor agonists (GLP-1RA) 과 the sodium-glucose cotransporter-2 inhibitors (SGLT2i)
• 특히 GLP-1RA는 $3억7400만 에서 $26억 으로 증가
• SGLT2i는 2014년 $1억4천5백만 에서 $12억 으로 증가 

• 6년간 anlog 인슐린 처방은 36% 증가했으나 human 인슐린 처방은 17% 감소
• 6년간 가장 일반적으로 처방된 요법은 metaformin (1억6천3백만 건, 처방 당 $17)
• Sulfonylureas 는 9천5백만 건, 처방당 $14
• Amylin anlog는 가장 적게 처방됐지만 처방당 비용은 가장 높음
• Thiazolidinediones의 지출의 경우 처방당 비용이 낮아져 6년간 총 지출이 93% 감소

Discussion & Conclusion

당뇨병 관련 메디케어 지출이 급속히 증가하고 있으며, 주 요인은 인슐린 비용이다. 

인슐린 증가세는 둔화되는 반면 새로운 DPP-4i, GLP-1RA, and SGLT2i 와 같은 새로운 치료법이 증가 중에 있다.

DPP-4i는 혈당조절에만 효능이 있을 뿐 아직 심혈관계에 대한 이점은 밝혀지지 않았음에도 가장 지출이 큰 항목이다.

문제는 지출이 늘어났음에도 불구하고 혈당조절 수준은 향상되지 않았다는 점이다 (Dennis  JM et al. 2019)

또한 심혈관계에도 이익인 SGLT2i 나 GLP-1RA와 같은 치료의 증가가 합병증을 막아주고 지출을 줄여줄진 불분명하다.

미국 내 당뇨병 유병률이 높게 유지될것으로 전망됨에 따라, 당뇨병 치료제의 비용은 치료법의 제공과 준수에  영향을 미칠것으로 예상된다. 추후의 연구에서는 당뇨병 관리 관련 health system의 비용을 고려하여 현재의 지출에 대한 더 세분화화된 조사가 필요하다.

Tandem Diabetes Care

Control-IQ: 작년 연말에 FDA 승인을 받은 가장 진보된 closed-loop 인공췌장 시스템이 2020년 1월 중에 출시 되었으며 미국 내 몇몇 환자들은 사용중에 있습니다. 현재 모든 기능이 다 오픈된건 아니며 2020년 중반부터 하나씩 추가 공개를 하여 스마트폰 앱으로 완전히 제어가능한 t:slim X2 펌프 시스템을 제공할 계획이라 합니다. 기존에 t:slim X2 펌프로 Basal-IQ를 사용하는 환자라면 새로운 펌프의 구매없이 소프트웨어 업데이트 만으로도 사용이 가능합니다.

t:sport mini-pump: Tandem의 새로운 패치형 펌프에 대한 FDA 신청을 2020년 중순에 신청할 예정입니다. 기존 펌프에서 화면을 빼 1/2의 크기이며 튜브가 짧아 이름에 걸맞는 sporty한 형태입니다. Control-IQ의 승인으로 탄력받아 긍정적인 결과가 예상됩니다.

Insulet OmpiPod

Omnipod Horizon: Omnipod 기반의 공식적인 closed-loop 인공췌장 시스템이 출시됩니다. 이미 작년에 스마트폰 기반의 Omnipod DASH 앱을 출시한바 있으며, Do-It-Yourself 로 비영리 인공췌장 시스템의 사용에도 협력한 Insulet인 만큼 올해는 공식적인 제품으로서 Omnipod Horizon의 출시가 더욱 기대됩니다.

Medtronic Diabetes

Advanced Hybrid Closed Loop (AHCL, 혹은 Minimed 780G): Medtronic의 최신 하이브리드 인공췌장 시스템인 670G에 이어 차세대 인공췌장인 Minimed 780G를 지난해 미국 당뇨병 학회 (ADA)에서 발표한 바 있습니다. 기존 670G의 목표혈당값이 120mg/dl에 71% 정상혈당이 었다면 780G는 100mg/dl 목표에 80% 라는 파격적인 목표를 내세웠습니다. 다른 특이점으론 블루투스(BLE)를 탑재하여 소프트웨어 업데이트가 쉬워진다는 점입니다. 회사가 2020년 4월에 목표했던 출시는 pivotal 임상시험의 종료가 올해 중반에도 어려울듯하여 더 연기 되겠지만, 여전히 연말까진 기대해 볼만 합니다.

Abbott Diabetes Care

FreeStyle Libre 2.0 FGM: 획기적인 크기와 calibration가 필요없어 빠른 상승세를 보이고 있는 FreeStyle Libre가 두번째 버전을 출시 예정입니다. 이번 버전은 블루투스(BLE)로 혈당 범위를 벗어나면 경고를 주는 기능이 추가된다고 하여 좀더 편리한 사용이 예상됩니다. 현재 FDA가 이 제품을 타사 펌프 제품과 호환 가능한 iCGM으로 지정할지 여부를 고려중이라는 이야기가 있습니다. 하지만 기존 iCGM 제품들 처럼 실제 혈당값을 알려주는게 아니라서 쉽지는 않을것으로 보입니다.

Dexcom 

G7 CGM: 명불허전 CGM 모델인 Dexcom의 G#의 차세대 제품이 2020년에 출시예정입니다. 구글 Verily와의 수년간의 협업으로 더욱 기대가 되는데, 알려진 기능은 다음과 같습니다.

1) 사용기간 10일에서 14-15일로 연장 및 G6와 마찬가지로 calibration 필요 없음, 2)트렌스 미터가 통합되어 한번쓰고 완전히 쓰고 버릴수 있는 구조, 3) 기존에 비해 훨씬 얇아진 디자인, 4) Dexcom이 알고리즘 회사인 TypeZero를 인수함에 따라 예상되는 인슐린 주입 보조 기능

아직 FDA에 제출되진 않았지만 회사는 G7을 늦은 2020년엔 출시하고 2021년엔 본격적으로 제품을 상용화 하겠다고 밝혔습니다.

Eversense

이식형 CGM: 유일한 이식형 연속혈당측정기 제조사로서 현재 90일의 사용기간을 가진 제품이 출시된 상태입니다. 올해는 calibration시간이 자유로운 새로운 모바일 앱이 출시될 예정입니다. 또한 2020년엔 사용기간이 180일로 2배 연장된 제품의 출시가 기대됩니다. 

Afrezza

BluHale Pro: 흡입형 인슐린 제조사인 Afrezza에서 의료진들이 환자의 치료 교육을 더욱 쉽게 해줄 블루투스 기반의 어뎁터를 출시합니다. 이로서 환자의 인슐린 흡입 상태와 기록을 의료진이 포괄적으로 그리고 세밀하게 확인하능해진다고 합니다. 또한 소아를 대상으로한 3상 시험을 현재 계획중이라고 밝힌바 있습니다.

Xeris

Gvoke HypoPen: 2019년 가을 Xeris는 세계 최초의 '안정한 액상형 응급 글루카곤 펜'을 FDA 승인받았습니다. 2020년 7월에 1회용 펜이 출시될 예정이며, 그 전에 주사기형태로 먼저 출시가 된다고 합니다.

Lilly

일회용 디지털 인슐린펜: 2019년 12월 FDA는 Lilly의 1회용 인슐린 펜을 승인했습니다. 이 제품은 Dexcom CGM과 통합되는 디지털 플랫폼에 연결되는것을 목표로 개발됐으며, Lilly와 Dexcom 모두 서명을 했기에 FDA가 플랫폼에 대한 승인만 한다면 바로 출시가 될 예정입니다. Lilly는 또한 오는 2020년 2월의 당뇨병기술학회 (ATTD)에서 디지털 플랫폼을 바탕으로 예방가능한 포괄적 관레 프로그램에 대한 발표를 할것으로 예고했습니다. 이번 학회에 참석 예정인데 기대가 되네요.

초속효성 Lispro 인슐린 (URLi): 새로운 식사 인슐린이 출시될 예정입니다. 기존의 Humalog와 같은 제품이 작용하는데 까지 27분 정도가 걸리는데 반해, 이 새로운 인슐린은 13분 밖에 걸리지 않는다고 하며 식후 혈당 스파이크를 획기적으로 줄일 수 있다고 합니다. Lilly는 URLi를 2019년에 미국 유럽 일본의 규제기관에 승인 요청을 제출했으며 2020년엔 모두 승인이 될것으로 예상됩니다.

Hybrid closed-loop 패치 펌프: Lilly가 여전히 독자적인 hybrid closed-loop 인공췌장형 패치펌프를 개발중이라고 합니다. 물론 2020년에 출시는 어렵겠지만 올핸 중간 현황의 공개 정도를 기대합니다.

*본 글은 아래 healthline의 기사를 토대로 작성되었습니다.

https://www.healthline.com/diabetesmine/diabetes-tech-spectations-2020?fbclid=IwAR2Cm5FmARVb6fdjaVZWEmKmwVma8-ErUP8dqFnbONmiKTvwEouM2XbsqcI