Google 研究用智能手表传感器识别高血压迹象

高血压常被称为“沉默的杀手”，全球有超过十亿人受其影响，但超过半数的成年患者并不知道自己患病。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。这种认知缺口在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，并显著增加中风或心力衰竭等不良心血管事件的长期风险。

诊室血压测量是发现高血压的主要初始筛查入口。近年来，无袖带可穿戴设备已成为补充偶发性诊室诊疗的潜在工具。然而，现有的商业解决方案通常需要使用传统臂式袖带进行定期校准。这意味着它们只能追踪相对于袖带基线读数的变化，而无法识别绝对的高血压状态，从而限制了其作为独立筛查工具的实用性。

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，能够利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了验证，其在初始筛查和确认性筛查中的准确度均与传统基于袖带的诊断流程相当。这些研究成果为 Google Health 应用中的血压趋势 Health Guardian 功能提供了依据。

工作原理

我们的系统并不试图估算精确的、某一时间点的收缩压和舒张压数值——这些数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，来识别个体潜在的、持续的高血压状态。

该系统利用了现代智能手表上已激活的两个传感器的数据：

• 光电容积脉搏波描记法（PPG）：一种光学传感器，通过测量反射光来捕捉脉搏波轮廓，从而追踪手腕处血容量的变化。
• 加速度计（ACC）：一种运动传感器，用于识别静止时段，并捕捉心冲击图（BCG），即心脏将血液机械性泵入主动脉时引起的手腕细微物理振动。

为构建该系统，我们采用了双阶段机器学习方法：

阶段1：自监督预训练（波形编码器）

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名知情同意参与者、总计492,347小时传感器数据的大型无标签数据集，模型学会了将同一人重叠的15秒PPG和ACC波形在潜在空间中映射得彼此接近。这使模型无需人工特征工程或医学标签，就能发现血管和机械性心脏功能的复杂、生理信息丰富的特征。

阶段2：个体级聚合与分类

对于每位用户，这些15秒的特征块（嵌入向量）会在多天的佩戴数据上进行均值聚合，以消除突发动作或温度变化等短暂噪声。最后，将个体聚合后的嵌入向量与其身高（身高可作为动脉路径长度的可靠代理指标）相结合，输入正则化逻辑回归分类器，计算出连续的高血压概率评分。

对照临床金标准的严格验证

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，纳入了196名知情同意的多样化参与者，这些参与者均无已知心血管疾病，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，评估了这款智能手表的性能。我们在两个临床使用场景下评估了该智能手表系统：初筛和确证检测。

场景1：初筛

该智能手表达到了65.8%的中等灵敏度和90.0%的高特异度，由此获得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77.8%，处于中等水平。

场景2：确证检测

对于在诊所初筛为高血压阳性的个体，现行指南建议进行诊室外确证性监测。我们考察了初诊诊室血压升高的参与者子集（N=48），以了解该智能手表在确认持续性高血压方面的表现。

我们的多模态系统达到了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表现显示，灵敏度（67.6%）、特异度（63.6%）和PPV（86.2%）的点估计值均较低。此外，该智能手表方法被证明可与多日家庭监测相媲美，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内检测高血压的准确度可与传统袖带血压设备相当。

模型可解释性

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：

• 脉搏宽度减小：与较高高血压风险相关的波形表现出略窄的脉搏宽度（下图左上图），表明血容量变化较小，可能提示动脉较僵硬、扩张能力较差。
• 脉搏波反射：较高的AI风险评分与较慢的收缩期上升支（血液的初始涌动）（下图中间面板黄色圆圈高亮处）以及较低的d/a比值（下图右侧面板黄色圆圈高亮处）相关。这一特定指标比较了初始前向传播的脉搏波与从人体血管网络反射回来的波。
• 机械性心脏振动：智能手表加速度计成功捕捉到了心冲击图（BCG）信号。在预测高血压风险较高的用户中，我们观察到这些微振动出现了明显的物理调制，具体表现为更深的“K波”和更宽的“IJK复合波”（见下图，左下角面板中黄色圆圈高亮处）。

平均脉搏波形（左上角面板）、对应的加速度计波形（显示心冲击图，BCG，左下角面板），以及来自AI-PPG-ACC-HTN评分最高五个分位中四个分位的脉搏波形的一阶导数（中间面板）和二阶导数（右侧面板）。图中标出了关键基准点，包括PPG波形中的脉搏起始点（ons）、峰值（sys）、重搏切迹（dic）、舒张期峰值（dia），BCG波形中的H、I、J、K、L、M、N波，以及PPG波形二阶导数中的a、b、c、d、e波。

展望

基于智能手表的高血压筛查并非旨在取代标准的临床臂式血压计，也不提供确定性的独立医学诊断。相反，这项研究指向了一种高度可扩展的被动工具在机会性筛查方面的潜力。这项工作属于早期可行性研究，本文描述的方法纯属探索性质，并不代表任何现有或即将推出的商业产品功能或设备能力。通过温和地提示高风险个体前往诊所接受正式评估，这项技术有望显著缩小全球认知差距，并在高血压造成永久性心血管损伤之前及早发现它。

致谢

这项研究是Google Research、Beth Israel Deaconess Medical Center和Harvard Medical School的合作成果。我们感谢论文合著者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。我们感谢重要贡献者，包括：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest和Florence Thng。