새벽 3시 저혈당 경보가 울리기 전에: TabPFN으로 친구의 야간 저혈당을 예측한 NightGuard AI

DEV Community

Before the Alarm Screams at 3 AM: Predicting Liam's Nocturnal Hypoglycemia with Prior Labs TabPFN

How Prior Labs TabPFN tabular foundation model predicts nocturnal hypoglycemic crashes from CGM logs at 10 PM with zero cloud data leaks.

Emma Sofia · 2026-10-04

개요 #

Dev.to 개발자 Emma Sofia가 제1형 당뇨를 앓는 룸메이트 Liam Vance를 위해 NightGuard AI를 만들었습니다. 밤 10시 잠들기 전에 그날 저녁 수치를 입력하면 새벽에 저혈당이 올지 미리 알려 주는 앱입니다. Dev.to의 'Hacktoberfest Weekend Challenge: Build for a Friend' 출품작입니다.

핵심 엔진은 Prior Labs가 개발한 표 데이터용 파운데이션 모델 TabPFN입니다. 작성자는 Liam의 90일치 연속혈당측정기(CGM) 기록만 가지고 하이퍼파라미터 튜닝 없이 ROC-AUC 0.938을 얻었다고 밝혔습니다. 모든 연산은 Liam의 컴퓨터 안에서만 돌아가고, 의료 데이터는 외부로 나가지 않습니다.

본문 #

경보는 늘 '이미 늦은' 뒤에 울린다 #

Photo by Towfiqu barbhuiya on Pexels

Liam은 중학생 때부터 제1형 당뇨를 앓아 왔습니다. 왼팔에 Dexcom G7 센서를 붙이고 다니는데, 이 센서는 5분마다 간질액 포도당을 재서 블루투스로 휴대폰에 보냅니다.

작성자가 짚은 문제는 CGM이 철저히 사후 대응형이라는 점입니다. 혈당이 안전 하한선인 70mg/dL 밑으로 떨어진 뒤에야 경보가 울립니다. 경보에 깬 Liam은 이미 뇌에 포도당이 모자란 상태(신경당결핍)입니다. 식은땀을 흘리고 심박은 분당 135회까지 오르며, 손이 떨려 숟가락도 제대로 못 쥡니다. 그 상태로 부엌에 가서 탄수화물을 얼마나 먹을지 계산해야 합니다. 너무 적게 먹으면 발작 위험이 있고, 너무 많이 먹으면 혈당이 300mg/dL 넘게 튀어 다음 날 하루를 망칩니다.

저녁 운동을 한 날 혈당이 46mg/dL까지 떨어져 둘이 새벽까지 깨어 있던 일이 있었습니다. 그날 Liam은 이렇게 말했다고 합니다.

"주사 맞고 탄수화물 세는 건 괜찮아. 진짜 지치는 건 매일 밤 스탠드를 끄면서, 자는 동안 내 몸이 날 배신할지 모른다는 거야."

과거 CGM 기록을 AI에 넣어 보라는 제안에 Liam의 대답은 짧았습니다. "데이터 유출." 혈당, 인슐린 투여량, 식사, 운동 심박, 음주 기록은 가장 민감한 생체 정보라서 클라우드 LLM에 올릴 수 없다는 뜻입니다. 작성자는 LLM이 텍스트 토큰을 차례로 생성하는 모델이라 표 데이터에서 비선형 약동학적 지연이나 보정된 확률을 정확히 계산하지 못한다는 점도 함께 지적했습니다.

취침 전 120mg/dL이 안전하지 않은 이유 #

밤 10시에 혈당이 120mg/dL이고 추세 화살표가 평평(→)하면, 겉으로는 무난한 취침 전 수치입니다. 그런데 작성자는 그 밑에서 세 가지 요인이 동시에 작용할 수 있다고 설명합니다.

• 잔여 인슐린(IOB, Insulin on Board): 늦은 저녁 식사 때 맞은 인슐린이 2시간 반가량 더 작용합니다.
• 근육의 지연된 포도당 흡수: 저녁에 45분 조깅하면 근육 글리코겐이 바닥나고, 4~7시간 뒤 근육이 혈중 포도당을 강하게 끌어갑니다.
• 간의 당 생성 억제: 저녁에 맥주 한 잔만 마셔도 간이 글리코겐을 내놓지 못합니다.

이 세 요인이 겹치면 새벽 3시 15분쯤 혈당이 48mg/dL까지 떨어질 수 있습니다. CGM은 현재 혈당의 변화율만 보기 때문에 이런 연결 고리를 잡지 못합니다. 선형 회귀로는 지수적으로 줄어드는 인슐린 작용과 지연된 글리코겐 보충을 함께 다루기 어렵습니다.

데이터 양도 걸림돌이었습니다. Liam에게 있는 정리된 일일 기록은 90일치, 즉 약 90행뿐입니다. 이 정도 데이터로 XGBoost나 랜덤 포레스트를 학습시키면 과적합, 하이퍼파라미터 민감도, 보정되지 않은 확률이라는 문제에 부딪힙니다.

TabPFN: 학습하지 않고 문맥으로 추론한다 #

TabPFN(Prior-Data Fitted Network)은 인과 그래프와 미분방정식으로 만든 수백만 개의 합성 데이터셋으로 사전 학습한 표 데이터 파운데이션 모델입니다. NightGuard는 Liam의 데이터로 경사하강법 학습을 따로 하지 않습니다. 90일치 기록을 '문맥(context)'으로, 오늘 밤 수치를 '질의 행'으로 트랜스포머에 한 번에 넣습니다. 이 방식을 **문맥 내 베이지안 추론(in-context Bayesian inference)**이라고 부릅니다.

작성자에 따르면 일반 CPU에서 한 번의 순전파로 40밀리초 안에 결과가 나옵니다. 출력은 세 가지입니다.

• 야간 저혈당(70mg/dL 미만) 발생 확률 (예: 98%)
• 예상 최저 혈당 (예: 48.9mg/dL)
• 예상 저혈당 시간대 (예: 새벽 2시 15분~4시 30분)

작성자가 Liam의 90일 평가 데이터로 비교한 결과는 다음과 같습니다.

작성자는 TabPFN이 잔여 인슐린과 운동 후 글리코겐 부족 사이의 비선형 상호작용을 잡아냈고, 모든 과정이 오프라인으로 돌아 Liam의 생체 데이터가 한 바이트도 방 밖으로 나가지 않았다고 강조했습니다.

피곤한 밤 10시에 쓰는 화면 #

프론트엔드는 Next.js 16(App Router), TypeScript, 순수 CSS로 만들었습니다. 디자인은 Zed 코드 에디터에서 따온 초록색(#00E599)을 기조로 삼았습니다. 피곤한 상태에서 바로 판단해야 하는 화면이라 설명 문구를 최소화했다고 합니다.

화면은 세 개의 세로 단으로 구성됩니다.

• 왼쪽 입력 단: 취침 전 혈당, 잔여 인슐린, 간식 탄수화물(g), 오후 6시 이후 운동 시간, 음주량, CGM 추세 화살표(↑↑, ↗, →, ↘, ↓↓)를 슬라이더와 버튼으로 입력합니다. Web Audio API로 클릭음을 냅니다. 입력란 바로 아래에는 90일 기록에서 뽑은 요인별 가중치가 Active Insulin (2.8U) +45%처럼 표시됩니다.
• 가운데 3D 구체: WebGL 파티클 구체가 위험도를 시각적으로 보여 줍니다. 안전할 때는 초록빛으로 천천히 숨 쉬듯 빛나고, 저혈당 위험이 65%를 넘으면 붉은색으로 바뀌며 요동칩니다.
• 오른쪽 예측 단: 저혈당 확률 게이지, 예상 최저 혈당, 밤 10시부터 오전 6시까지의 예상 혈당 곡선(70mg/dL 위험선 표시), 그리고 '복합 탄수화물 29g을 지방과 함께 섭취', '펌프 기저 인슐린 3.5시간 동안 30% 감량' 같은 구체적인 대응 지침을 보여 줍니다.

화면 상단에는 Dexcom G7 센서의 블루투스 LE 데이터를 받아 심박, 심박변이도(HRV), 산소포화도를 띄우는 심전도 스트립이 있습니다. ▶ Replay Night 버튼을 누르면 밤 10시부터 오전 6시까지 혈당 곡선을 한 시간씩 재생하면서, 혈당이 언제 떨어지고 대응 조치가 이를 어떻게 막는지 보여 줍니다.

안전한 상태에서는 화면 전체가 초록색 안정 모드로 바뀝니다.

실제로 써 본 토요일 밤 #

작성자는 실제 사례도 소개했습니다. 토요일 저녁 Liam은 약 13km(8마일) 트레일 러닝을 마치고 오후 7시쯤 귀가했습니다. 저녁으로 통밀 파스타와 닭가슴살 구이를 먹었고, 9시 반쯤 영화를 보며 흑맥주를 나눠 마셨습니다.

밤 10시 15분, Dexcom G7에 찍힌 수치는 **114mg/dL, 완만한 하강 화살표(↘)**였습니다. 평소라면 그냥 잠들었을 수치입니다. NightGuard에 입력한 값은 다음과 같습니다.

• 취침 전 혈당: 114mg/dL
• 잔여 인슐린: 2.6단위
• 저녁 운동: 55분
• 음주: 1잔
• 추세: 하강(↘)

TabPFN은 35밀리초 만에 결과를 냈습니다.

CRITICAL NOCTURNAL CRASH IMMINENT: 96% PROBABILITY
Predicted Nadir: 47.4 mg/dL
Crash Window: 02:30 AM - 04:30 AM
Primary Drivers: Active IOB (2.6U) + Delayed Exercise Glycogen Debt

Prescription:
1. Ingest 26g complex carbohydrates with peanut butter immediately.
2. Set insulin pump temporary basal rate to -30% for 3.5 hours.
3. Keep fast-acting glucose tablets bedside.

Liam은 잡곡빵 두 쪽에 땅콩버터 두 스푼을 발라 먹고, 인슐린 펌프의 임시 기저량을 조정한 뒤 잠자리에 들었습니다.

그날 밤 Liam은 8시간 20분 동안 한 번도 깨지 않았고 경보도 울리지 않았습니다. 다음 날 아침 확인한 야간 혈당은 밤새 94~108mg/dL 사이에서 완만하게 움직였고, 최저치는 새벽 4시 15분의 91mg/dL였습니다. Liam은 이렇게 말했다고 합니다.

"당뇨와 함께한 12년 동안, 깨고 나서 공포에 떠는 대신 잠들기 전에 마음을 놓게 해 준 소프트웨어는 이번이 처음이야."

구조와 실행 방법 #

NightGuard AI는 MIT 라이선스로 GitHub에 공개되어 있습니다. 크게 두 부분으로 나뉩니다.

• backend/: FastAPI 서버와 TabPFN 추론 엔진. /api/predict, /api/history, /api/health 엔드포인트를 제공하고, Liam의 90일치 CGM 데이터를 생성하는 합성 데이터 생성기(synthetic_data.py)도 들어 있습니다.
• web/: Next.js 16 대시보드. 3D 구체 컴포넌트와 Web Audio 피드백 유틸리티가 포함됩니다.

이 밖에 멀티 스테이지 Dockerfile, Render 배포용 render.yaml, 한 번에 실행하는 run.py가 있습니다.

프론트엔드는 아래처럼 실행합니다.

git clone https://github.com/EmmaSofiaDev/nightguard-ai.git
cd nightguard-ai/web
npm install
npm run dev

브라우저에서 http://localhost:3000을 열면 됩니다. 백엔드는 저장소 루트에서 실행합니다.

pip install -r requirements.txt
python run.py

REST API는 http://localhost:8000에서 뜨고, /docs에서 OpenAPI 문서를 볼 수 있습니다. Render 대시보드에서 New + Blueprint를 고르고 저장소를 연결하면 빌드, 헬스 체크, HTTPS 엔드포인트까지 자동으로 구성됩니다.

작성자는 이 프로젝트를 챌린지의 'Best Use of TabPFN' 부문에 주 출품작으로, 'Best Use of Render' 부문에 보조 출품작으로 냈습니다.

친구를 위해 코드를 쓴다는 것 #

작성자는 친구를 위한 소프트웨어를 만들다 보니 코드를 대하는 태도가 달라졌다고 말합니다. 지표나 기능 개수보다 '이게 Liam이 내일 아침 무사히 깨어나는 데 도움이 되는가'가 유일한 기준이 됐다는 것입니다.

TabPFN 같은 표 데이터 파운데이션 모델도 학술적 호기심에 그치지 않는다고 봅니다. 의료 기록이 100행도 안 되는 개인 건강 데이터에서도 개인정보를 지키면서, 복잡한 하이퍼파라미터 탐색 없이 쓸 만한 베이지안 예측을 낼 수 있다는 얘기입니다.

이 글은 위 출처를 바탕으로 한국 독자를 위해 재작성한 기사입니다. 원문의 사실과 수치에 근거하며, 별도의 견해를 포함하지 않습니다.