Google AI結合智慧手錶，無需血壓計也能偵測高血壓跡象

高血壓（即高血壓），常被稱為「沉默殺手」，影響全球超過十億人口，然而，超過一半的成年患者並不知道自己患有此病。由於高血壓很少出現明顯症狀，通常只能透過偶然的篩檢才能發現。這種認知落差在18至44歲的年輕成年人中尤為嚴重，錯失診斷可能延遲挽救生命的早期干預，並顯著增加中風或心臟衰竭等不良心血管事件的長期風險。

診間血壓測量是偵測高血壓的主要初步篩檢途徑。近年來，無袖帶穿戴式裝置已成為補充偶發性診間照護的潛在工具。然而，現有的商業解決方案通常需要使用傳統手臂袖帶進行定期校準。這意味著它們只能追蹤相對於基準袖帶讀數的變化，而非識別絕對的高血壓狀態，這限制了它們作為獨立篩檢工具的實用性。

在《Nature》期刊發表的一項新研究中，我們提出了一種多模態人工智慧（AI）系統，能夠利用消費級智慧手錶被動偵測高血壓跡象，且無需任何袖帶校準。這套名為AI-PPG-ACC-HTN的系統，我們已針對臨床黃金標準的24小時動態血壓監測（ABPM）進行驗證，其準確度在初步和確認性篩檢方面，均可媲美傳統袖帶式診斷流程。這些研究發現也為Google Health app中的血壓趨勢守護功能提供了資訊。

運作原理

我們的系統並非試圖估計容易受瞬時環境噪音影響的精確即時收縮壓和舒張壓數值，而是重新定義了這個問題。它透過匯總多日被動生理訊號，專注於識別個體潛在、持續的高血壓狀態。

該系統利用現代智慧手錶上已有的兩種感測器數據：

光體積變化描記圖（PPG）：這是一種光學感測器，透過測量反射光來追蹤手腕處的血容量變化，捕捉脈搏波形。

加速度計（ACC）：這是一種運動感測器，用於識別靜止時期，並捕捉心衝擊圖（BCG），即心臟將血液機械性射入主動脈時，引起手腕的微小物理振動。

為了建構這個系統，我們採用了兩階段的機器學習方法：

第一階段：自監督預訓練（波形編碼器）

我們使用自監督對比學習，訓練了一個1D深度卷積神經網路。透過分析來自2,109名同意參與者的492,347小時感測器數據的大型未標記資料集，該模型學會將來自同一個體的重疊15秒PPG和ACC波形，在潛在空間中緊密地映射在一起。這使得模型能夠發現血管和心臟機械功能的複雜、生理豐富的特徵，而無需手動特徵工程或醫療標籤。

第二階段：個人層級聚合與分類

對於每位使用者，這些15秒的特徵區塊（嵌入）會經過多日穿戴的平均聚合，以消除突發動作或溫度變化等短暫噪音。最後，將個體的聚合嵌入與其身高（作為動脈路徑長度的可靠替代指標）結合，並輸入到正規化邏輯迴歸分類器中，以計算連續的高血壓機率分數。

針對臨床黃金標準的嚴格驗證

為了評估我們的系統，我們在美國五個地點進行了一項前瞻性、多中心臨床研究，共招募了196名同意參與的多元化受試者，他們沒有已知的心血管疾病且未服用血壓藥物。重要的是，我們將智慧手錶的性能與24小時動態血壓監測（ABPM）進行了基準測試，ABPM是高血壓診斷的臨床黃金標準。我們在兩種臨床使用情境下評估了智慧手錶系統：初步篩檢和確認性測試。

情境一：初步篩檢

智慧手錶達到了中等的65.8%敏感度，以及高達90.0%的特異度，帶來了80.6%的高陽性預測值（PPV）。相較之下，以黃金標準為基準，初步的診間篩檢顯示敏感度為55.3%，中等陽性預測值為77.8%。

情境二：確認性測試

對於在診所初步篩檢出高血壓的個體，目前的指南建議進行診外確認性追蹤。我們觀察了部分參與者（N=48），他們在初步診間血壓測量中偏高，以評估智慧手錶確認持續性高血壓的表現。我們的多模態系統達到了中等的78.4%敏感度、高達90.9%的特異度以及96.7%的高陽性預測值。

相較之下，回診間測量血壓的表現顯示出較低的敏感度（67.6%）、特異度（63.6%）和陽性預測值（86.2%）。此外，智慧手錶的方法與多日居家監測相比也具有競爭力，後者產生了89.2%的敏感度、81.8%的特異度和94.3%的陽性預測值。

總體而言，這些結果表明，我們的系統在現有臨床框架下，能夠以與傳統袖帶式血壓計相當的準確度偵測高血壓。

模型可解釋性

為了了解AI模型可能關注的特徵，我們視覺化了預測高血壓機率最高和最低使用者的平均脈搏波形。我們觀察到以下視覺差異：脈搏寬度減少：與較高高血壓風險相關的波形顯示出略窄的脈搏寬度（下圖，左上角面板），這表示血容量變化較小，可能暗示動脈較僵硬，擴張能力較差。

脈搏波反射：較高的AI風險分數與較慢的收縮期上升（血液的初始湧動）（下圖，中間面板的黃色圓圈突出顯示）和較低的d/a比率（下圖，右側面板的黃色圓圈突出顯示）相關。這個特定指標比較了初始前向傳播的脈搏波與從身體血管網絡反射回來的波。心臟機械振動：智慧手錶加速度計成功捕捉到心衝擊圖（BCG）訊號。

在預測高血壓較高的使用者中，我們觀察到這些微振動中存在明顯的物理調變，特別是更深的「K波」和更寬的「IJK複合波」（下圖，左下角面板的黃色圓圈突出顯示）。

平均脈搏波形（左上角面板）、顯示心衝擊圖（BCG）的相應加速度計波形（左下角面板），以及來自AI-PPG-ACC-HTN分數四個最極端五分位數的脈搏波形的一階（中間面板）和二階導數（右側面板）。圖中標示了關鍵的基準點，包括PPG波形中的脈搏起始（ons）、峰值（sys）、重搏切跡（dic）、舒張期峰值（dia），BCG波形中的H、I、J、K、L、M、N波，以及PPG波形二階導數中的a、b、c、d、e波。

展望

基於智慧手錶的高血壓篩檢，並非旨在取代標準臨床手臂袖帶或提供明確的獨立醫療診斷。相反地，這項研究指出了一種高度可擴展、被動式且用於機會性篩檢的潛力工具。這項工作代表了早期的可行性研究，本文描述的方法純屬探索性質，並不代表任何現有或即將推出的商業產品功能或裝置能力。透過溫和地提示高風險個體前往診所進行正式評估，這項技術有望顯著縮小全球認知差距，並在高血壓造成永久性心血管損害之前及早發現。

致謝

這項研究是Google Research、貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical Center）和哈佛醫學院（Harvard Medical School）之間的合作成果。我們感謝論文的共同作者：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。

我們也感謝主要貢獻者，包括：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest和Florence Thng。