Google Research 在 Nature 发表 AI-PPG-ACC-HTN：用智能手表无袖带检测高血压迹象

高血压常被称为“沉默的杀手”，全球患者超过十亿，但其中半数以上的成年人并不知道自己患病。由于高血压很少表现出明显症状，通常只有在偶然筛查时才会被发现。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筛入口。近年来，无袖带可穿戴设备逐渐成为一种潜在工具，可对间断性的诊室诊疗形成补充。然而，现有的商用方案通常需要用传统臂式袖带定期校准。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用途。

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，结果显示，无论是初次筛查还是确认性筛查，其准确度都可与传统袖带诊断流程相媲美。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某一时刻精确的收缩压和舒张压数值——这类数值极易受短暂环境噪声干扰——而是转换了问题思路。它通过汇总多天的被动生理特征，专注于识别个体潜在的、持续存在的高血压状态。

该系统利用了现代智能手表上已处于工作状态的两个传感器：

• 光电容积脉搏波（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，我们采用了两阶段机器学习方法：

阶段一：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名知情参与者、总计492,347小时的未标注传感器数据，模型学会了将同一个人的重叠15秒PPG和ACC波形在潜在空间中映射得彼此接近。这使得模型无需人工特征工程或医学标签，就能发现血管与心脏机械功能中复杂且生理信息丰富的特征。

阶段二：个体级聚合与分类

系统会把每位用户多天佩戴产生的这些15秒特征块（嵌入向量）取均值聚合，以消除突然动作、温度变化等瞬时噪声。最后，把个人的聚合嵌入与其身高（身高可作为动脉路径长度的可靠替代指标）结合，输入带正则化的逻辑回归分类器，算出连续的高血压概率评分。

对照临床金标准进行严格验证

为评估系统，我们在美国五个中心开展了一项前瞻性、多中心临床研究，共纳入196名知情同意的多元化受试者，均无已知心血管疾病，且未服用降压药。

关键在于，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，评估智能手表的表现。我们考察了两种临床使用场景：初筛和确诊检测。

场景1：初筛

智能手表灵敏度为65.8%（中等），特异度高达90.0%，阳性预测值（PPV）因此达到80.6%。相比之下，以金标准为基准，诊所初筛的灵敏度为55.3%，PPV为77.8%（中等）。

场景2：确诊检测

对于在诊所初筛血压偏高的人，现行指南建议进行诊室外确认性监测。我们选取了初诊血压升高的受试者子集（N=48），考察智能手表确认持续性高血压的效果。

我们的多模态系统灵敏度为78.4%（中等），特异度90.9%，PPV高达96.7%。相比之下，复诊时测量血压的灵敏度点估计值较低（67.6%），特异度为63.6%，PPV为86.2%。此外，智能手表方案与多日家庭监测相比也颇具竞争力：后者灵敏度89.2%、特异度81.8%、PPV 94.3%。

综合来看，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度可与传统袖带血压设备相媲美。

模型可解释性

为了解AI模型可能关注哪些特征，我们可视化了高血压预测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：

• 脉宽变窄：与高血压风险较高相关的波形脉宽略窄（下图左上），说明血容量变化较小，可能提示动脉更僵硬、扩张能力更差。
• 脉搏波反射：AI风险评分越高，收缩期上升支（血液初始涌动的阶段）越慢（下图中图黄圈），d/a比值也越低（下图右图黄圈）。该指标比较的是初始前向传播的脉搏波与从人体血管网络反射回来的波。
• 心脏的机械振动：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，左下角面板中用黄色圆圈标出）。

图中展示了AI-PPG-ACC-HTN评分最高和最低的几个五分位组中四组受试者的平均脉搏波形（左上角面板）、对应的加速度计心冲击图波形（BCG，左下角面板），以及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要取代标准的临床袖带血压计，也不提供独立的确定性医学诊断。这项研究指向的是一种可大规模推广、被动运行的机会性筛查工具的潜力。这项工作属于早期可行性研究，文中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。通过温和地提醒高风险人群主动前往诊所接受正式评估，这项技术有望显著缩小全球范围内的知晓率差距，在高血压造成永久性心血管损伤之前及早发现它。

致谢

本研究由Google Research、贝斯以色列女执事医疗中心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：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest和Florence Thng。