高血压，常被称为"无声杀手"，在全球影响着超过十亿人，但超过半数患病成年人并不知道自己患有此病。由于高血压通常不会表现出明显症状，它一般只能通过偶然的筛查才能被发现。这种认知缺口在18至44岁的年轻成年人群体中尤为严重，漏诊会延误能够挽救生命的早期干预，并显著增加中风或心力衰竭等心血管不良事件的长期风险。
诊室血压测量是检测高血压的主要初始筛查手段。近年来，无袖带可穿戴设备已成为辅助偶发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带袖套进行定期校准。这意味着它们只能追踪相对于基线袖带读数的相对变化，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实用性。
在一项发表于《自然》杂志的新研究中，我们提出了一种多模态人工智能系统，能够利用消费级智能手表被动检测高血压征兆，而无需任何袖带校准。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）进行了验证对比，结果显示其在初始筛查和确认性筛查中都能达到与传统袖带诊断流程相当的准确度。这些研究发现有助于支撑谷歌健康应用中的血压趋势健康守护者功能。
工作原理
与试图估算高度易受瞬时环境噪声影响的精确、某一时刻的收缩压和舒张压数值不同，我们的系统重新构建了这一问题。它专注于通过汇聚多天的被动生理特征，识别个体潜在的、持续性的高血压状态。
该系统利用现代智能手表上已经激活的两种传感器数据：
该AI系统使用消费级智能手表记录的光电容积脉搏波（PPG）和加速度计（ACC）信号来创建波形嵌入。这些波形嵌入会随时间（天数）汇聚成个人级嵌入，并结合用户的身高，用于预测其血压状态。
为构建此系统，我们采用了两阶段机器学习方法：
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2109名同意参与研究者的、总计492347小时的大规模未标注传感器数据集，该模型学会了将来自同一个体的重叠15秒PPG和ACC波形在潜在空间中映射得相互靠近。这使模型能够发现血管和心脏机械功能方面复杂且富含生理信息的特征，而无需人工特征工程或医学标注。
对每位用户，这些15秒特征块（嵌入）会在多天的佩戴数据中进行均值汇聚，以消除突然运动或温度变化等瞬时噪声的影响。最后，个体的汇聚嵌入会与其身高（作为动脉路径长度的可靠替代指标）相结合，输入到正则化逻辑回归分类器中，以计算出一个连续的高血压概率评分。
与临床金标准的严格验证
为评估该系统，我们在美国五个地点开展了一项前瞻性多中心临床研究，共纳入196名不同背景、无已知心血管疾病且未服用降压药的同意参与者。
重要的是，我们将智能手表的表现与24小时动态血压监测（ABPM，高血压诊断的临床金标准）进行了基准对比。我们在两种临床应用场景下评估了该智能手表系统：初始筛查和确认性测试。
该智能手表实现了65.8%的中等敏感性和90.0%的高特异性，从而获得了80.6%的高阳性预测值（PPV）。相比之下，以金标准为基准，初始诊室筛查的敏感性为55.3%，PPV为77.8%，处于中等水平。
对于在诊室初筛呈阳性的个体，现行指南建议进行诊室外确认性追踪。我们考察了初始诊室血压升高的参与者子集（N=48），以评估智能手表确认持续性高血压的能力。
我们的多模态系统实现了78.4%的中等敏感性、90.9%的高特异性和96.7%的高PPV。相比之下，返诊时的诊室血压测量表现出较低的敏感性点估计值（67.6%）、特异性（63.6%）和PPV（86.2%）。此外，智能手表方法也表现出与多日家庭监测相当的竞争力，后者的敏感性为89.2%，特异性为81.8%，PPV为94.3%。
综合来看，结果表明，在现有临床框架下，我们的系统能够以与传统袖带式血压设备相当的准确度检测高血压。
模型可解释性
为了解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用户的平均脉搏波形。
我们观察到以下视觉差异：
四个最极端五分位数AI-PPG-ACC-HTN评分对应的平均脉搏波形（左上图）、相应的显示心冲击图（BCG，左下图）的加速度计波形、脉搏波形的一阶导数（中图）和二阶导数（右图）。图中标注了关键基准点，包括PPG波形中的脉搏起始点（ons）、峰值（sys）、重搏切迹（dic）、舒张峰（dia），BCG波形中的H、I、J、K、L、M、N波，以及PPG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旨在取代标准临床臂带袖套，也不能提供确定性的独立医学诊断。相反，这项研究指出了一种高度可扩展的被动机会性筛查工具的潜力。这项工作代表早期可行性研究，其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个体前往诊所进行正式评估，这项技术有潜力显著缩小全球认知缺口，在高血压造成永久性心血管损害之前及时发现它。
致谢
这项研究是谷歌研究院、贝斯以色列女执事医疗中心和哈佛医学院之间的合作成果。我们感谢论文共同作者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。我们还感谢以下重要贡献者：Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest和Florence Thng。
