당뇨병은 수백만 명의 사람들에게 영향을 미치며, 조기 저혈당 경고를 위해 신뢰할 수 있는 연속 혈당 모니터링 (Continuous Glucose Monitoring, CGM)을 필요로 합니다. 그러나 의료 AI 시스템은 정확하고 에너지 효율적이어야 할 뿐만 아니라, 설명 가능하고 (Explainable), 노이즈에 강하며 (Noise Robust), 불확실성을 인지 (Uncertainty Aware)할 수 있어야 합니다. 본 연구는 신뢰할 수 있는 의료 추론을 위해 확률적 결정 트리 (Probabilistic Decision Trees)를 기반으로 한 65 nm 저혈당 예측 엔진을 제시합니다. 제안된 하이브리드 아키텍처는 얕은 트리 계층에 대한 정밀 산술 평가 (Exact Arithmetic Evaluation)와 깊은 계층에 대한 샘플링 기반 추론 (Sampling Based Inference)을 결합하여, 소프트 결정 트리 (Soft Decision Tree)의 복잡도를 지수 함수적 수준에서 샘플 효율적 순회 (Sample Efficient Traversal) 수준으로 감소시킵니다. 재구성 가능한 4 x 24 x 24 확률적 노드 어레이는 온칩 저전력 RISC V 코어에 의해 조정되며, 최대 깊이 12의 임의의 트리 구조를 지원합니다. 65 nm CMOS 공정으로 제작된 이 칩은 추론당 11.3 nJ를 달성하였으며, 연속 혈당 모니터링 데이터에서 30분 예측 F1 스코어 0.825라는 최첨단 (State of the Art) 성능을 기록했습니다. 기존의 결정 트리 (Decision Tree) 및 랜덤 포레스트 (Random Forest) 모델과 비교했을 때, 제안된 엔진은 센서 노이즈 및 데이터 포인트 누락에 대한 강건성 (Robustness)을 4.1배에서 16.1배까지 향상시켰습니다. 이러한 결과는 신뢰할 수 있는 저혈당 예측을 위한 에너지 효율적이고, 설명 가능하며, 불확실성을 인지하는 엣지 AI (Edge AI) 엔진을 입증합니다.