Google Research 用智能手表传感器识别高血压迹象

高血压（即，高血压），通常被称为“沉默的杀手”，全球有超过十亿人受其影响，然而超过一半的成年人患有此病却 没有意识到。由于它很少表现出明显的症状，高血压（血压）通常只有在偶然筛查时才会被发现。这种意识上的差距在 18至44岁的年轻人 中尤为严重，诊断的缺失会延误救命性的早期干预，并显著增加中风或心力衰竭等长期不良心血管事件的风险。

诊室血压测量是检测高血压的主要 初步筛查途径。近年来，无袖带可穿戴设备已成为补充间歇性诊室护理的潜在工具。然而，现有的商业解决方案通常需要使用传统臂袖进行定期校准。这意味着它们只跟踪相对于基线袖带读数的相对变化，而不是识别绝对的高血压状态，从而限制了它们作为独立筛查工具的实用性。

在一项发表在 Nature 上的 新研究中，我们提出了一种多模式人工智能（AI）系统，该系统能够使用消费级智能手表被动检测高血压的迹象，而无需任何袖带校准。名为 AI-PPG-ACC-HTN，我们将其与24小时动态血压监测（ABPM）的临床金标准进行了验证，它在初始和确认筛查方面都达到了与传统袖带诊断工作流程相当的准确水平。这些研究结果表明了谷歌健康应用中血压趋势 Health Guardian 功能的血压趋势。

工作原理

我们的系统不是试图估计极易受瞬时环境噪声影响的精确、瞬时的收缩压和舒张压值，而是重新定义了问题。它通过在多天内聚合被动生理特征来识别个人的潜在持续性高血压状态。

该系统利用现代智能手表上已有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，通过测量捕获脉搏波轮廓的反射光来追踪手腕处的血容量变化。
• 加速度计 (ACC): 一种运动传感器，用于识别静止时期并捕获 心冲击图 (BCG)，即由心脏将血液机械性喷射到主动脉中引起的手腕轻微物理振动。

为了构建该系统，我们使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1-D深度卷积神经网络。通过分析一个包含2,109名同意参与者492,347小时传感器数据的庞大未标记数据集，该模型学会了将来自同一个人的重叠15秒PPG和ACC波形在潜在空间中紧密地映射在一起。这使得模型能够在无需手动特征工程或医学标签的情况下，发现血管和心脏机械功能的复杂、丰富的生理特征。

阶段2。个人水平聚合 & 分类

对于每个用户，这些15秒的功能模块（嵌入）在多个佩戴日中通过均值聚合来消除瞬态噪声，如突然的运动或温度变化。最后，个人的聚合嵌入与他们的身高（作为动脉路径长度的可靠代理）相结合，并输入到正则化逻辑回归分类器中，以计算连续性高血压概率分数。

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前瞻性、多中心的临床研究，涉及196名同意参与的多样化参与者，他们没有已知的心血管疾病且未服用降压药。

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。我们评估了智能手表系统在两个临床使用案例场景中的表现：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%的适度敏感性，90.0%的高特异性，从而产生了80.6%的高阳性预测值（PPV）。相比之下，初始基于办公室的筛查在金标准基准测试中显示出55.3%的敏感性，77.8%的适度PPV。

场景2：确认性测试

对于在诊所中初始筛查为高血压的个体，目前的指南建议进行确认性非办公室跟踪。我们查看了初始办公室血压升高的参与者子集（N=48），以了解智能手表如何确认持续性高血压。

我们的多模态系统实现了78.4%的适度敏感性，90.9%的高特异性和96.7%的高PPV。相比之下，返回办公室血压测量的性能显示出敏感性（67.6%）、特异性（63.6%）和PPV（86.2%）的点估计较低。此外，智能手表方法与多日家庭监测具有竞争力，后者产生了89.2%的敏感性、81.8%的特异性和94.3%的PPV。

综合来看，结果表明我们的系统在现有临床框架中可以以与传统袖带血压设备相当的准确水平检测高血压。

模型可解释性

为了了解人工智能模型可能关注的内容，我们可视化了具有最高和最低高血压预测概率的用户平均脉搏波形。

我们观察到以下视觉差异：

• 脉冲宽度减小：与高血压风险较高的波形相关联的脉冲宽度略窄（下图，左上角面板），表明血容量变化较小，并可能表明较硬的动脉，这些动脉不太能够扩张。
• 脉冲波反射：较高的AI风险评分与较慢的收缩期上升（血液的初始激增）（下图，中间面板中突出显示的黄色圆圈）和较低的d/a比率（下图，右侧面板中突出显示的黄色圆圈）相关。这个特定指标比较了初始向前传播的脉冲波与从身体的血管网络弹回的反射波。
• 机械心脏振动：智能手表的加速度计成功捕捉了心冲击图 (BCG) 信号。在预测高血压程度较高的用户中，我们观察到这些微振动的明显物理调节，特别是更深的“K波”和更宽的“IJK复合波”（下图，左下面板中黄色圆圈高亮显示）。

平均脉搏波形（左上面板），相应的加速度计波形显示心冲击图 (BCG，左下面板)，以及来自AI-PPG-ACC-HTN评分最极端五个分段的脉搏波形的一阶（中间面板）和二阶（右面板）导数。关键参考点包括脉搏起始（ons），峰值（sys），二尖瓣关闭音（dic），舒张压峰值（dia）在PPG波形中，H、I、J、K、L、M、N波在BCG波形中，以及a、b、c、d、e波在PPG波形的二阶导数中。

前景

基于智能手表的高血压筛查并非旨在取代标准的临床臂袖或提供独立的医疗诊断。相反，这项研究指向了一种高度可扩展的被动工具的潜力，用于机会性筛查。这项工作代表了早期的可行性研究，这里描述的方法纯粹是探索性的，并不表明任何现有的或即将推出的商业产品功能或设备能力。通过温和地提示高危人群进入诊所进行正式评估，这项技术有可能显著缩小全球意识差距，并在高血压导致永久性心血管损伤之前发现它。

致谢

这项研究是谷歌研究、贝斯以色列女执事医疗中心和哈佛医学院的联合努力。我们感谢论文合著者劳伦斯·蔡、吴江、高明武、巴拉瓦·达里亚尼、乔纳森·王、乌塔克什·卡纳、何浩、阿努帕姆·帕塔克、马克·马尔霍特拉、施韦特克·帕特尔、杰奎琳·B·施雷巴蒂、斯蒂芬·P·朱拉斯切克、普拉莫德·鲁德拉帕特拉和马修·汤普森。我们感谢关键贡献者：詹妮弗·布洛克、安努·加比塔、苏沙琳尼·桑库、基尔坦娜·纳塔拉贾南、亚历克桑德罗斯·潘特尔洛普洛斯、段团、特蕾西·吉斯特和弗洛伦斯·廷。