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

该研究由 Google Research 与 Beth Israel Deaconess Medical Center、哈佛医学院合作完成，成果发表于 Nature。系统名为 AI-PPG-ACC-HTN，目标是利用消费级智能手表已有的两个传感器——光电容积脉搏波（PPG）和加速度计（ACC）——被动识别个体持续存在的高血压状态，而不去估算某一时刻的精确收缩压与舒张压数值，因此无需传统臂式袖带定期校准。 技术路线分两阶段。第一阶段用自监督对比学习训练一维深度卷积神经网络作为波形编码器，数据来自 2,109 名知情参与者、共 492,347 小时的未标注传感器数据，模型学习将同一个人的重叠 15 秒 PPG 与 ACC 波形在潜在空间中映射得彼此接近。第二阶段把每位用户多天佩戴产生的 15 秒嵌入向量取均值聚合以抑制瞬时噪声，再与身高结合，输入带正则化的逻辑回归分类器，输出连续的高血压概率评分。加速度计还用于识别静止时段并捕捉心冲击图（BCG）信号。 验证在美国五个中心开展，为前瞻性、多中心临床研究，纳入 196 名无已知心血管疾病且未服用降压药的多元化受试者，以 24 小时动态血压监测（ABPM）为基准。初筛场景下智能手表灵敏度 65.8%、特异度 90.0%、PPV 80.6%，对照诊所初筛的灵敏度 55.3%、PPV 77.8%。确诊场景选取初诊血压升高的受试者子集（N=48），系统灵敏度 78.4%、特异度 90.9%、PPV 96.7%，对照复诊测量的灵敏度 67.6%、特异度 63.6%、PPV 86.2%；与多日家庭监测的灵敏度 89.2%、特异度 81.8%、PPV 94.3% 相比亦具竞争力。 可解释性分析显示，高风险评分用户的脉搏波形脉宽略窄、收缩期上升支更慢、d/a 比值更低，BCG 信号则出现更深的 K 波与更宽的 IJK 复合波。研究团队强调，该方法是早期可行性探索，不取代标准临床袖带血压计，也不提供独立确定性医学诊断，但指向一种可大规模推广、被动运行的机会性筛查工具，有望缩小高血压知晓率差距。