Google Research 发布 AI-PPG-ACC-HTN 系统用智能手表无袖带检测高血压迹象

高血压(即血压升高)常被称为"无声杀手",全球有超过十亿人受其影响,然而超过一半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,血压(BP)升高通常只能通过偶然的筛查发现。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步筛查门户。近年来,无袖带可穿戴设备作为一种补充间歇性诊室护理的潜在工具而出现。然而,现有的商业解决方案通常需要使用传统手臂袖带进行定期校准。这意味着它们只能跟踪相对于基线袖带读数的变化,而无法识别绝对的高血压状态,限制了它们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,而无需任何袖带校准。该系统被称为 AI-PPG-ACC-HTN,我们对照临床金标准——24 小时动态血压监测(ABPM)——对其进行了验证,它在初步筛查和确认性筛查中均达到了与传统基于袖带的诊断流程相当的准确度。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。

工作原理

我们的系统没有试图估算极易受瞬时环境噪声影响的确切、即时收缩压和舒张压数值,而是重新定义了这个问题。它专注于通过汇总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经启用的两个传感器的数据:

• 光电容积描记法(PPG):一种光学传感器,通过测量捕获脉搏波轮廓的反射光来跟踪腕部血容量的变化。
• 加速度计(ACC):一种运动传感器,用于识别静止时段并捕获心冲击图(BCG),即心脏将血液机械性射入主动脉时引起的腕部细微物理振动。

为构建该系统,我们采用了两阶段机器学习方法:

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注数据集,该模型学会了将来自同一个体的重叠的 15 秒 PPG 和 ACC 波形在潜空间中映射到相近位置。这使得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中复杂的、富含生理信息的特征。

阶段 2:个体级汇总与分类

对于每位用户，这些 15 秒的特征块（嵌入向量）会在多天的佩戴期内进行均值聚合，以消除突发动作或温度变化等短暂噪声。最后，将个人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，计算出一个连续的高血压概率评分。

对照临床金标准进行严格验证

为了评估我们的系统，我们在美国的五个地点开展了一项前瞻性、多中心临床研究，共招募了 196 名知情同意的多元化参与者，他们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——为基准来衡量智能手表的表现。我们在两种临床用例场景下对智能手表系统进行了评估：初步筛查和确认性检测。

场景 1：初步筛查

智能手表达到了中等的 65.8% 敏感性和较高的 90.0% 特异性，从而获得了 80.6% 的高阳性预测值（PPV）。相比之下，以金标准为基准，初次诊室筛查的敏感性为 55.3%，PPV 为中等的 77.8%。

场景 2：确认性检测

对于在诊所中初次筛查出高血压阳性的个体，现行指南建议在诊室外进行确认性追踪。我们查看了初次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能力。

我们的多模态系统达到了中等的 78.4% 敏感性、较高的 90.9% 特异性和 96.7% 的高 PPV。相比之下，复查诊室血压测量的敏感性（67.6%）、特异性（63.6%）和 PPV（86.2%）点估计值均较低。此外，事实证明智能手表方案与多日家庭监测相比也具有竞争力，后者的敏感性为 89.2%，特异性为 81.8%，PPV 为 94.3%。

综合来看，这些结果表明，在现有临床框架下，我们的系统检测高血压的准确性与传统袖带式血压设备相当。

模型可解释性

为了了解 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的用户群体各自的平均脉搏波形。

我们观察到以下视觉差异：

• 脉搏宽度变窄：与较高高血压风险相关的波形表现出略窄的脉搏宽度（下图左上面板），表明血容量变化较小，可能提示动脉僵硬度较高、扩张能力较弱。
• 脉搏波反射：较高的 AI 风险评分与较慢的收缩期上升斜率（血液的初始涌动）（下图中中间面板的黄色高亮圆圈）以及较低的 d/a 比值（下图中右侧面板的黄色高亮圆圈）相关。这一特定指标将初始正向传播的脉搏波与从身体血管网络反弹回来的反射波进行比较。
• 机械性心脏振动：智能手表的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中存在明显的物理调制变化，具体表现为更深的“K 波”和更宽的“IJK 复合波”（见下图，左下面板中黄色圆圈高亮部分）。

四个 AI-PPG-ACC-HTN 评分最高五分位组（从最极端的五分位中选出）的平均脉搏波形（左上面板）、对应的心冲击图加速度计波形（BCG，左下面板）、脉搏波形的一阶导数（中间面板）和二阶导数（右侧面板）。图中标注了关键基准点，包括 PPG 波形中的脉搏起始点（ons）、收缩峰（sys）、重搏切迹（dic）、舒张峰（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要取代标准的临床臂式血压计，也不是要提供独立的确定性医学诊断。相反，这项研究指向了一种高度可扩展的被动式工具用于机会性筛查的潜力。这项工作属于早期可行性研究，本文所述方法纯属探索性研究，不代表任何现有或即将推出的商业产品功能或设备能力。通过温和地提醒高风险人群前往诊所接受正式评估，这项技术有望显著缩小全球的高血压认知差距，在高血压造成永久性心血管损伤之前及时发现它。

致谢

本研究由 Google Research、贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）和哈佛医学院合作完成。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。