Google Research 在《Nature》發表 AI-PPG-ACC-HTN,以智慧手錶偵測高血壓跡象
Google Research 在 Nature 發表 AI-PPG-ACC-HTN:用智慧手錶無袖帶檢測高血壓跡象
Google Research 與 Beth Israel Deaconess Medical Center、哈佛醫學院合作,在《Nature》發表 AI-PPG-ACC-HTN,利用智慧手錶的 PPG 與加速度計資料,在無需袖帶校準下被動偵測高血壓跡象。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
研究以診室袖帶流程與 24 小時動態血壓監測為對照,呈現手錶初篩與確認檢測的敏感度及陽性預測值。
Google Research:Blog·2026-11-05 08:00· 18 小時前精選AI 評分61
Detecting signs of hypertension using wearable sensors
AI 導讀
Google Research 聯合 Beth Israel Deaconess Medical Center 和哈佛醫學院在 Nature 發表 AI-PPG-ACC-HTN 多模態 AI 系統,用消費級智慧手錶的 PPG 和加速度感測資料被動檢測高血壓跡象,無需袖帶校準。
推薦理由
研究給出與診室袖帶流程對照的具體敏感度和PPV資料,讀者可以據此評估智慧watch無袖帶血壓篩查的實際可行度。
高血壓常被稱為“沉默的殺手”,全球患者超過十億,但其中半數以上的成年人並不知道自己患病。由於高血壓很少表現出明顯症狀,通常只有在偶然篩查時才會被發現。這種認知缺口在18至44歲的年輕成年人中尤為嚴重,漏診可能延誤挽救生命的早期干預,並顯著增加中風或心力衰竭等不良心血管事件的長期風險。
診室血壓測量是發現高血壓的主要初篩入口。近年來,無袖帶可穿戴裝置逐漸成為一種潛在工具,可對間斷性的診室診療形成補充。然而,現有的商用方案通常需要用傳統臂式袖帶定期校準。這意味著它們只能追蹤相對於袖帶基線讀數的變化,而無法識別絕對的高血壓狀態,從而限制了其作為獨立篩查工具的用途。
在發表於Nature的一項新研究中,我們提出了一種多模態人工智慧(AI)系統,能夠利用消費級智慧手錶被動檢測高血壓跡象,且無需任何袖帶校準。該系統名為AI-PPG-ACC-HTN,我們以24小時動態血壓監測(ABPM)這一臨床金標準對其進行了驗證,結果顯示,無論是初次篩查還是確認性篩查,其準確度都可與傳統袖帶診斷流程相媲美。這些研究成果為 Google Health 應用中的血壓趨勢 Health Guardian 功能提供了依據。
工作原理
我們的系統並不試圖估算某一時刻精確的收縮壓和舒張壓數值——這類數值極易受短暫環境噪聲干擾——而是轉換了問題思路。它通過彙總多天的被動生理特徵,專注於識別個體潛在的、持續存在的高血壓狀態。
該系統利用了現代智慧手錶上已處於工作狀態的兩個感測器:
- 光電容積脈搏波(PPG):一種光學感測器,通過測量反射光來追蹤手腕處血容量的變化,從而捕捉脈搏波輪廓。
- 加速度計(ACC):一種運動感測器,用於識別靜止時段,並捕捉心衝擊圖(BCG)——即心臟將血液機械性泵入主動脈時引起的手腕細微物理振動。
為構建該系統,我們採用了兩階段機器學習方法:
階段一:自監督預訓練(波形編碼器)
我們使用自監督對比學習訓練了一個一維深度卷積神經網路。通過分析來自2,109名知情參與者、總計492,347小時的未標註感測器資料,模型學會了將同一個人的重疊15秒PPG和ACC波形在潛在空間中對映得彼此接近。這使得模型無需人工特徵工程或醫學標籤,就能發現血管與心臟機械功能中複雜且生理資訊豐富的特徵。
階段二:個體級聚合與分類
系統會把每位使用者多天佩戴產生的這些15秒特徵塊(嵌入向量)取均值聚合,以消除突然動作、溫度變化等瞬時噪聲。最後,把個人的聚合嵌入與其身高(身高可作為動脈路徑長度的可靠替代指標)結合,輸入帶正則化的邏輯迴歸分類器,算出連續的高血壓機率評分。
對照臨床金標準進行嚴格驗證
為評估系統,我們在美國五個中心開展了一項前瞻性、多中心臨床研究,共納入196名知情同意的多元化受試者,均無已知心血管疾病,且未服用降壓藥。
關鍵在於,我們以24小時動態血壓監測(ABPM)——高血壓診斷的臨床金標準——為基準,評估智慧手錶的表現。我們考察了兩種臨床使用場景:初篩和確診檢測。
場景1:初篩
智慧手錶靈敏度為65.8%(中等),特異度高達90.0%,陽性預測值(PPV)因此達到80.6%。相比之下,以金標準為基準,診所初篩的靈敏度為55.3%,PPV為77.8%(中等)。
場景2:確診檢測
對於在診所初篩血壓偏高的人,現行指南建議進行診室外確認性監測。我們選取了初診血壓升高的受試者子集(N=48),考察智慧手錶確認持續性高血壓的效果。
我們的多模態系統靈敏度為78.4%(中等),特異度90.9%,PPV高達96.7%。相比之下,複診時測量血壓的靈敏度點估計值較低(67.6%),特異度為63.6%,PPV為86.2%。此外,智慧手錶方案與多日家庭監測相比也頗具競爭力:後者靈敏度89.2%、特異度81.8%、PPV 94.3%。
綜合來看,結果表明,在現有臨床框架下,我們的系統檢測高血壓的準確度可與傳統袖帶血壓裝置相媲美。
模型可解釋性
為了解AI模型可能關注哪些特徵,我們視覺化了高血壓預測機率最高和最低使用者的平均脈搏波形。
我們觀察到以下視覺差異:
- 脈寬變窄:與高血壓風險較高相關的波形脈寬略窄(下圖左上),說明血容量變化較小,可能提示動脈更僵硬、擴張能力更差。
- 脈搏波反射:AI風險評分越高,收縮期上升支(血液初始湧動的階段)越慢(下圖中圖黃圈),d/a比值也越低(下圖右圖黃圈)。該指標比較的是初始前向傳播的脈搏波與從人體血管網路反射回來的波。
- 心臟的機械振動:智慧手錶加速度計成功捕捉到了心衝擊圖(BCG)訊號。在預測高血壓風險較高的使用者中,我們觀察到這些微振動出現了明顯的物理調變,具體表現為更深的“K波”和更寬的“IJK複合波”(見下圖,左下角面板中用黃色圓圈標出)。
圖中展示了AI-PPG-ACC-HTN評分最高和最低的幾個五分位組中四組受試者的平均脈搏波形(左上角面板)、對應的加速度計心衝擊圖波形(BCG,左下角面板),以及脈搏波形的一階導數(中間面板)和二階導數(右側面板)。圖中標註了關鍵基準點,包括PPG波形中的脈搏起點(ons)、峰值(sys)、重搏切跡(dic)、舒張期峰值(dia),BCG波形中的H、I、J、K、L、M、N波,以及PPG波形二階導數中的a、b、c、d、e波。
展望
基於智慧手錶的高血壓篩查並非要取代標準的臨床袖帶血壓計,也不提供獨立的確定性醫學診斷。這項研究指向的是一種可大規模推廣、被動執行的機會性篩查工具的潛力。這項工作屬於早期可行性研究,文中描述的方法純屬探索性質,並不代表任何現有或即將推出的商業產品功能或裝置能力。通過溫和地提醒高風險人群主動前往診所接受正式評估,這項技術有望顯著縮小全球範圍內的知曉率差距,在高血壓造成永久性心血管損傷之前及早發現它。
致謝
本研究由Google Research、貝斯以色列女執事醫療中心和哈佛醫學院合作完成。我們感謝論文合著者Lawrence Cai、Jiang Wu、Mingwu Gao、Bhavna Daryani、Jonathan Wang、Utkarsh Khanna、Ho Ko、Anupam Pathak、Mark Malhotra、Shwetak Patel、Jacqueline B. Shreibati、Stephen P. Juraschek、Pramod Rudrapatna和Matthew Thompson。我們感謝重要貢獻者:Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest和Florence Thng。
來源:Google Research:Blog · research.google