Google Research 发表 AI-PPG-ACC-HTN：用智能手表被动检测高血压迹象

高血压（即血压升高），常被称为“沉默的杀手”，全球受影响人数超过十亿，但超过半数的患病成年人并不知道自己患病。由于该病很少出现明显症状，高血压（BP）通常仅在偶然筛查中才被发现。这种认知差距在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。

诊室血压测量是检测高血压的主要初步筛查入口。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应运而生。然而，现有的商业解决方案通常需要使用传统臂带进行定期校准。这意味着它们仅追踪相对于基线袖带读数的相对变化，而非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效用。

在一项发表于《Nature》的新研究中，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。该系统被称为 AI-PPG-ACC-HTN，我们将其与临床金标准——24 小时动态血压监测（ABPM）——进行了验证，结果显示其在初步筛查和确认性筛查中均达到了与传统袖带诊断流程相当的准确率。这些研究结果有助于指导 Google Health 应用中的血压趋势 Health Guardian 功能。

工作原理

我们的系统没有试图估算精确的、特定时刻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。它通过聚合多天的被动生理特征，专注于识别个体潜在的、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，通过测量反射光来追踪手腕处血容量的变化，从而捕捉脉搏波轮廓。
• 加速度计（ACC）：一种运动传感器，用于识别静止时段并捕捉弹道心图（BCG），即血液从心脏机械射入主动脉时引起的手腕细微物理振动。

为了构建该系统，我们采用了两阶段机器学习方法：

第一阶段：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 名同意参与者的 492,347 小时传感器数据的大型无标签数据集，模型学会了将同一来自同一人的重叠 15 秒 PPG 和 ACC 波形在潜在空间中映射得彼此接近。这使得模型能够在无需人工特征工程或医疗标签的情况下，发现血管和机械心脏功能的复杂、生理特征丰富的特征。

第二阶段：个体级聚合与分类

对于每位用户，这些 15 秒的特征块（嵌入）在佩戴的多个天次中进行平均聚合，以消除如突然动作或温度变化等短暂噪声。最后，将个人的聚合嵌入与其身高（作为动脉路径长度的可靠代理指标）结合，输入到正则化逻辑回归分类器中，以计算连续的高血压概率分数。

严格的临床金标准验证

为了评估我们的系统，我们在美国五个地点进行了一项前瞻性、多中心临床研究，涉及 196 名知情同意的多样化参与者，这些人没有已知的心血管疾病，且未服用降压药物。

重要的是，我们将智能手表的性能与 24 小时动态血压监测（ABPM）进行了基准测试，后者是高血压诊断的临床金标准。我们在两个临床使用场景下评估了智能手表系统：初始筛查和确认性测试。

场景 1：初始筛查

智能手表实现了 65.8% 的中等敏感度和 90.0% 的高特异度，从而得出 80.6% 的高阳性预测值（PPV）。相比之下，与金标准基准测试相比，初始的诊室筛查显示出 55.3% 的敏感度和 77.8% 的中等 PPV。

场景 2：确认性测试

对于在诊所初始筛查出高血压的个体，现行指南建议进行诊室外确认性监测。我们观察了初始诊室血压升高的参与者子集（N=48），以查看智能手表在确认持续性高血压方面的表现。

我们的多模态系统实现了 78.4% 的中等敏感度、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出较低的敏感度（67.6%）、特异度（63.6%）和 PPV（86.2%）点估计值。此外，智能手表方法被证明与多日家庭监测具有竞争力，后者产生了 89.2% 的敏感度、81.8% 的特异度和 94.3% 的 PPV。

综合来看，结果表明，我们的系统可以在现有的临床框架内，以与传统袖带血压设备相当的准确度检测高血压。

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显示出略窄的脉搏宽度（下图左上方面板），表明血容量变化较小，并可能提示动脉僵硬，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（血液初始冲击）相关（下图中间面板，黄色圆圈高亮显示）以及较低的 d/a 比值（下图右侧面板，黄色圆圈高亮显示）。这一特定指标比较了初始向前传播的脉搏波与从人体血管网络反弹回来的反射波。
• 机械心脏振动： 智能手表加速度计成功捕捉到了弹道心图（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，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部分）。

平均脉搏波形（左上角面板）、显示弹道心图（BCG，左下角面板）的相应加速度计波形，以及来自 AI-PPG-ACC-HTN 得分最极端四个五分位数的脉搏波形的一阶（中间面板）和二阶导数（右侧面板）。图中标示了关键参考点，包括 PPG 波形中的脉搏起始点（ons）、峰值（sys）、重搏切迹（dic）和舒张峰（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旨在作为一种高度可扩展的被动工具，用于机会性筛查，而非替代标准的临床臂式血压计或提供独立的确定性医疗诊断。本研究代表早期的可行性研究，此处描述的方法纯属探索性，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进行正式评估，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将其捕获。

致谢

本研究是 Google Research、Beth Israel Deaconess 医疗中心和哈佛医学院的合作成果。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。我们感谢主要贡献者，包括：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest 和 Florence Thng。