Google Research 發表以智能手錶感測器檢測高血壓徵兆的研究

高血壓（即血壓偏高），常被稱為「沉默殺手」，全球受影響人數超過十億，但患有此症的成年人中，超過一半並不知道自己患病。由於高血壓很少出現明顯症狀，通常只有在偶然接受篩查時才會被發現。這種認知不足的情況在18 至 44 歲的年輕成年人當中尤其嚴重；漏診可能會延誤挽救生命的早期介入，大幅增加日後出現中風或心臟衰竭等不良心血管事件的風險。

診室血壓測量是檢測高血壓的主要初步篩查途徑。近年，無袖帶可穿戴裝置成為輔助間歇性診室護理的潛在工具。然而，現有商用方案通常需要定期使用傳統上臂式袖帶進行校準。這表示它們只能追蹤相對於袖帶基準讀數的變化，而無法識別絕對高血壓狀態，因此難以作為獨立的篩查工具。

在一項刊登於 Nature 的新研究中，我們介紹了一套多模態人工智能（AI）系統，可使用消費級智能手錶被動檢測高血壓跡象，毋須進行任何袖帶校準。我們稱這套系統為 AI-PPG-ACC-HTN，並以臨牀黃金標準的 24 小時動態血壓監測（ABPM）作驗證。無論用於初步篩查還是確認篩查，系統的準確度均可媲美傳統袖帶式診斷流程。這些研究結果有助為 Google Health app 中的血壓趨勢 Health Guardian 功能提供依據。

運作方式

我們的系統不會嘗試估算某一時間點的確切收縮壓和舒張壓數值，因為這些數值很容易受短暫的環境雜訊影響，而是重新界定問題。系統會聚合多日的被動生理特徵，辨識個人持續存在的高血壓狀態。

系統會運用現代智能手錶上已啟用的兩種感測器所收集的數據：

• 光體積描記法（PPG）：一種光學感測器，透過測量反射光以捕捉脈搏波形，追蹤手腕血容量的變化。
• 加速度感測（ACC）：一種動作感測器，可識別靜止時段並捕捉心沖擊圖（BCG），即血液由心臟機械性泵入主動脈時，手腕產生的細微物理振動。

為了建立這套系統，我們採用了兩階段機器學習方法：

第一階段：自我監督式預訓練（波形編碼器）

我們使用自我監督式對比學習，訓練一個 1-D 深度卷積神經網絡。模型分析了來自 2,109 名同意參與者、共 492,347 小時的感測器數據，這些數據均未經標註。模型學會將同一參與者的重疊 15 秒 PPG 和 ACC 波形映射至潛在空間中彼此靠近的位置。這讓模型無需人工設計特徵或醫學標籤，便能找出血管及心臟機械功能中複雜而豐富的生理特徵。

第二階段：個人層級聚合與分類

每位用戶的這些 15 秒特徵區塊（嵌入向量）會按多日佩戴期間取平均值，以消除突發動作或温度變化等短暫雜訊。最後，將個人的聚合嵌入向量與身高（可作為動脈路徑長度的可靠替代指標）結合，再輸入經正則化的邏輯斯迴歸分類器，計算連續型高血壓概率分數。

以臨牀金標準進行嚴謹驗證

為評估系統，我們在美國 5 個研究中心進行了一項前瞻性多中心臨牀研究，涉及 196 名背景多元且同意參與的參加者；他們均沒有已知心血管疾病，也沒有服用降血壓藥物。

重要的是，我們以 24 小時動態血壓監測（ABPM）作為基準，評估智能手錶的表現；這是高血壓診斷的臨牀金標準。我們在兩種臨牀使用情境下評估智能手錶系統：初步篩查和確認測試。

情境 1：初步篩查

智能手錶的敏感度中等，為 65.8%；特異度則高，為 90.0%，因此陽性預測值（PPV）高達 80.6%。相比之下，以金標準為基準，診室初步篩查的敏感度為 55.3%，陽性預測值（PPV）則為中等水平的 77.8%。

情境 2：確認測試

對於在診所初步篩查中血壓偏高的參加者，現行指引建議在診室以外進行確認監測。我們分析了初次診室血壓偏高的參加者子組（N=48），以瞭解智能手錶確認持續性高血壓的表現。

我們的多模態系統取得中等敏感度（78.4%）、高特異度（90.9%）和高陽性預測值（PPV）（96.7%）。相比之下，覆診時診室血壓測量的敏感度（67.6%）、特異度（63.6%）和陽性預測值（PPV）（86.2%）點估計值均較低。此外，智能手錶方法的表現亦可媲美多日家居監測；後者的敏感度為 89.2%、特異度為 81.8%，陽性預測值（PPV）為 94.3%。

綜合而言，結果顯示，在現有臨牀框架下，我們的系統偵測高血壓的準確度與傳統袖帶式血壓裝置相若。

模型可解釋性

為瞭解 AI 模型可能關注的內容，我們將預測高血壓概率最高和最低的用戶的平均脈搏波形視覺化。

我們觀察到以下視覺差異：

• 脈搏波寬度較窄：與較高高血壓風險相關的波形，其脈搏波寬度略窄（下圖左上方圖格），代表血容量變化較小，並可能反映動脈較僵硬、擴張能力較弱。
• 脈搏波反射：較高的 AI 風險分數與較緩慢的收縮期上升沿（血液最初湧入時的上升）（下圖中間圖格的黃色圈示位置），以及較低的 d/a 比值（下圖右方圖格的黃色圈示位置）相關。這項特定指標比較最初向前傳播的脈搏波，與身體血管網絡反射回來的波。
• 心臟的機械振動：智能手錶的加速度計成功捕捉到心震圖（BCG）訊號。在預測患有高血壓風險較高的用戶中，我們觀察到這些微振動出現明顯的物理變化，具體而言是更深的「K 波」和更寬的「IJK 複合波」（見下圖左下方圖格中以黃色圓圈標示的位置）。

四個 AI-PPG-ACC-HTN 評分最極端五分位組的平均脈搏波形（左上方圖格）、相應顯示心震圖（BCG）的加速度計波形（左下方圖格）、脈搏波形的一階導數（中間圖格）及二階導數（右方圖格）。圖中標示了主要基準點，包括 PPG 波形中的脈搏起始點（ons）、峯值（sys）、重搏切跡（dic）和舒張峯值（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

以智能手錶進行高血壓篩查，並非要取代標準臨牀臂式血壓袖帶，亦不能單獨作出確診。這項研究顯示，這種高度可擴展的被動工具有望用於機會性篩查。這項研究屬於早期可行性研究，文中所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。這項技術可透過温和提醒高風險人士到診所接受正式評估，有望大幅縮窄全球對高血壓的認知差距，並在高血壓造成永久性心血管損傷前及早發現。

鳴謝

這項研究由 Google Research、Beth Israel Deaconess Medical Center 及 Harvard Medical School 合作進行。我們感謝論文合著者 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 及 Matthew Thompson。我們亦感謝主要貢獻者 Jennifer Block、Anu Gabbita、Sushalini Sunku、Keerthana Natarajan、Alexandros Pantelopoulos、Tuan Phan、Tracy Giest 及 Florence Thng。