Google研究团队利用智能手表传感器被动检测高血压迹象

首页 博客 使用可穿戴传感器检测高血压迹象 2026年11月5日 Paolo Di Achille，员工研究科学家；Ming-Zher Poh，高级员工研究科学家，Google Research 我们提出了一种新的AI系统，利用标准消费级智能手表传感器被动检测高血压迹象。 高血压常被称为“沉默的杀手”，全球受影响人数超过十亿，但超过半数成年患者并不知情。由于高血压很少表现出明显症状，通常只能通过偶然筛查发现。这一认知缺口在18至44岁的年轻成年人中尤为严重，漏诊可能延误挽救生命的早期干预，并显著增加卒中或心力衰竭等不良心血管事件的长期风险。 诊室血压测量是检测高血压的主要初筛入口。近年来，无袖带可穿戴设备已成为补充偶发性诊室护理的潜在工具。然而，现有商业解决方案通常需要定期使用传统臂式袖带进行校准。这意味着它们只能追踪相对于袖带基线读数的变化，而无法识别绝对高血压状态，限制了其作为独立筛查工具的效用。 在发表于Nature的一项新研究中，我们提出了一种多模态人工智能（AI）系统，能够使用消费级智能手表被动检测高血压迹象，且无需任何袖带校准。该系统名为AI-PPG-ACC-HTN，我们以24小时动态血压监测（ABPM）这一临床金标准对其进行验证，结果显示其在初筛和确认性筛查中的准确性与传统基于袖带的诊断流程相当。这些研究发现为Google Health应用中的血压趋势Health Guardian功能提供了依据。 我们的系统并不试图估算精确的、特定时间点的收缩压和舒张压值——这些值极易受到瞬时环境噪声的影响——而是重新定义了问题。它专注于通过聚合多天的被动生理特征，识别个体潜在的、持续的高血压状态。 该系统利用现代智能手表上已激活的两种传感器的数据： 该AI系统使用消费级智能手表记录的光电容积脉搏波（PPG）和加速度计（ACC）信号生成波形嵌入。波形嵌入随时间（数天）聚合为个人级嵌入，并与用户身高一起用于预测其血压状态。 为构建该系统，我们采用了双阶段机器学习方法： 我们使用自监督对比学习训练了一个一维深度卷积神经网络。通过分析来自2,109名知情参与者的492,347小时传感器数据构成的大型无标签数据集，模型学会了在潜在空间中将同一人重叠的15秒PPG和ACC波形映射得彼此接近。这使模型能够发现血管和机械心脏功能的复杂、生理信息丰富的特征，而无需手动特征工程或医学标签。 对于每个用户，这些15秒特征块（嵌入）在佩戴多天中进行均值聚合，以消除突发运动或温度变化等短暂噪声。最后，个体的聚合嵌入与其身高（作为动脉路径长度的可靠代理）结合，输入正则化逻辑回归分类器，计算连续的高血压概率评分。 为评估我们的系统，我们在美国五个中心开展了一项前瞻性、多中心临床研究，涉及196名知情、背景多样的参与者，这些参与者无已知心血管疾病且未服用降压药物。 重要的是，我们以24小时动态血压监测（ABPM）——高血压诊断的临床金标准——为基准评估智能手表的性能。我们在两个临床使用场景中评估了智能手表系统：初筛和确认性检测。 智能手表达到65.8%的中等灵敏度和90.0%的高特异度，产生80.6%的高阳性预测值（PPV）。相比之下，以金标准为基准，基于诊室的初筛灵敏度为55.3%，PPV为中等水平的77.8%。 场景2：确认性检测 对于在诊所初筛高血压呈阳性的个体，当前指南建议进行确认性诊室外监测。我们观察了初诊诊室血压升高的参与者子集（N=48），以了解智能手表确认持续性高血压的效果。 我们的多模态系统达到78.4%的中等灵敏度、90.9%的高特异度和96.7%的高PPV。相比之下，复诊诊室血压测量的灵敏度（67.6%）、特异度（63.6%）和PPV（86.2%）点估计值较低。此外，智能手表方法与多日家庭监测相比具有竞争力，后者灵敏度为89.2%，特异度为81.8%，PPV为94.3%。 综合来看，结果表明我们的系统在现有临床框架中检测高血压的准确性可与传统袖带血压设备相媲美。 为了解AI模型可能关注的内容，我们可视化了预测高血压概率最高和最低用户的平均脉搏波形。 我们观察到以下视觉差异：

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）