자동 인슐린 주입 시스템(AID)의 안전한 알고리즘 업데이트를 위한 원칙적 프레임워크

배경: AID (Automated Insulin Delivery) 알고리즘은 지속적인 소프트웨어 업데이트와 버그 수정이 필요합니다. 사용자가 기존 알고리즘의 동작에 맞춰 설정을 조정하는 공동 적응형 시스템(co-adapted systems)에서는, 버그 수정이 역설적으로 혈당 조절을 방해할 수 있습니다. 현재 AID 알고리즘 업데이트의 안전성을 평가하는 원칙적인 프레임워크는 존재하지 않습니다. 방법: 본 연구의 2부 구성 프레임워크는 버그를 분류하고 AID 시스템 소프트웨어 업데이트의 임상적 동등성(clinical equivalence)을 평가합니다. 버그는 사실적(factual), 휴리스틱(heuristic), 또는 계산적(computational) 버그로 분류되며, 각각에 대해 별도의 관리 전략을 가집니다. 이러한 분류는 Trio의 oref 알고리즘을 Javascript에서 버그가 수정된 Swift 구현체로 이식하는 과정을 통해 검증되었습니다. 우리는 8명의 Trio 사용자로부터 얻은 736,480회의 호출에 대해 섀도 실행(shadow execution)을 사용하여 구현체들을 비교했습니다. 두 번째 구성 요소는 기계론적 인실리코(mechanistic in silico) 및 데이터 기반 리플레이 시뮬레이션(data-driven replay simulation)을 사용하는 두 Trio 구현체 모두에 적용된 쌍을 이룬 혈당 값에 대한 오차 분석을 통해 임상적 동등성을 평가합니다. 결과: 기계론적 인실리코 시뮬레이션에서 Swift와 Javascript 구현체는 거의 동일한 목표 혈당 범위 내 시간(Time in Range, 84.9% 대 84.9%)과 혈당 위험 지수(Glycemia Risk Index, 23.5% 대 23.9%)를 생성하였으며, 쌍을 이룬 혈당의 99% 이상이 Parkes Error Grid Zone A와 B에 속하여 임상적 동등성 임계값을 충족했습니다. 섀도 실행 결과, oref 구성 요소에서 낮은 불일치율(iob 0.43%, autosens 1.22%, determineBasal 0.07%, meal 0.01%)을 보였으며, iob 호출의 0.03%에서만 임상적으로 의미 있는 차이가 나타났습니다. 버그에 대한 데이터 기반 리플레이 시뮬레이션 결과, 하위 단계의 쌍을 이룬 혈당 중 99% 이상이 Parkes Error Grid Zone A와 B에 속하여 이 또한 임상적 동등성 임계값을 충족했습니다. 결론: 본 프레임워크는 버그 수정 원칙과 다중 방법론적 임상 평가를 통합하여 AID 알고리즘 업데이트의 안전성을 평가합니다. 이는 시스템에 구애받지 않으며(system-agnostic) 널리 사용되는 모든 OS-AID 시스템에 적용 가능하며, 사례 연구를 통해 사실적 및 계산적 버그의 체계적인 교정 필요성을 강조합니다.