본 논문은 1형 당뇨병 치료를 위한 정확한 혈당 예측 모델 개발을 목표로, 트랜스포머 기반 아키텍처의 잠재력을 탐구한다. 공개 데이터셋인 DCLP3 (n=112) 와 OhioT1DM (n=12)을 사용하여 최대 4시간 예측, 최대 1주 입력 데이터를 갖는 다양한 트랜스포머 모델(point-wise, patch-wise, series-wise, hybrid embedding)을 비교 분석하였다. CGM, 인슐린, 식사 데이터를 입력으로 사용하여 단기(30분) 및 장기(1시간, 2시간, 4시간) 혈당 예측 성능을 평가한 결과, patch-wise 트랜스포머 모델인 Crossformer (단기)와 PatchTST (장기)가 가장 우수한 성능을 보였다. 특히, 패치 기반 토큰화를 사용한 모델은 입력 데이터 크기가 클수록 정확도가 향상되었으며, 1주일의 입력 데이터를 사용했을 때 최상의 결과를 얻었다. 이는 트랜스포머 모델이 다변량 시계열 데이터의 계절적 패턴을 활용하여 혈당 예측 정확도를 향상시킬 수 있음을 시사한다.
