11月5日,Google Research在《自然》上发表了一项研究,展示了一套名为AI-PPG-ACC-HTN的多模态AI系统。它的核心能力可以用一句话概括:用一块普通消费级智能手表,在不依赖袖带校准的情况下,被动识别高血压的征兆。
在一项覆盖美国5个中心、196名受试者的前瞻性验证中,这套系统的初始筛查敏感性达到65.8%,高于传统诊室袖带测量的55.3%;两者特异性均为90%。差异在统计上不显著,但方向是明确的:一个你本来就戴着的手表,在高血压筛查这件事上,第一次摸到了诊室标准的门槛。
“沉默杀手”的筛查缺口,与袖带校准的枷锁
高血压被称为“沉默杀手”,全球超过10亿人受累,其中一半以上不知道自己患病。它几乎没有明显症状,通常只能在偶然的筛查中被发现。18至44岁的年轻成年人中,这个缺口尤其严重——漏诊会延迟干预,显著增加卒中、心衰等心血管事件的长期风险。
可穿戴设备原本被寄予厚望,但现有商用方案大多要求定期用臂式袖带做校准。这意味着它们只能追踪相对于某个基线读数的变化,而无法独立判断一个人是否处于高血压状态。校准这道枷锁,把大多数“无袖带血压”功能限制在了“趋势参考”的定位上,而不是筛查工具。
不估血压值,找高血压状态
Google的解法是绕开“估算精确血压读数”这条路径。研究团队认为,单点时刻的收缩压/舒张压极易受到环境噪声干扰,与其去猜一个随时波动的数值,不如换一个问题:这个人是否处于一种持续的高血压状态?
系统利用智能手表上已经存在的两个传感器:PPG(光电容积脉搏波)记录腕部血容量的细微变化,ACC(加速度计)在静止时段捕捉心脏射血入主动脉引起的微弱腕部振动(心冲击图)。
模型不依赖人工设计的医学特征,而是用自监督对比学习,在2109名参与者、492,347小时的无标注传感器数据上预训练一个一维深度卷积网络。推理时,每15秒的PPG/ACC波形被映射为特征向量,跨越多天做均值聚合,再结合身高(作为动脉路径长度的代理指标)估计高血压概率。
这个“跨天聚合”的设计,是它与传统袖带测量在哲学上的根本区别。袖带量的是一个瞬间,系统找的是一种持续存在的模式。偶发的波动被平均掉,留下的是更稳定的生理信号。
数据对比:筛查端领先,确证端各有胜负
在196人的前瞻性验证中,以24小时动态血压监测(ABPM)为金标准,系统的表现可以拆成两层来看。
初始筛查阶段,智能手表的敏感性为65.8%,特异性90.0%,阳性预测值80.6%;诊室袖带分别为55.3%、90.0%、77.8%。手表找出的真病例略多于诊室测量,但《自然》的新闻稿明确指出这一差距不具备统计显著性。在需要进一步确证的48人中,智能手表敏感性升至78.4%,阳性预测值96.7%;重复诊室测量为67.6%和86.2%;多日家庭袖带测量在敏感性上更高(89.2%),但特异性(81.8%)低于手表。
这组数字的读法需要克制。敏感性65.8%意味着大约三分之一的高血压患者不会被手表标记——一块安静的手表,不是一张“没事”的证明。但反过来,在特异性90%的前提下,被标记的人中约八成确实患病,这个阳性预测值作为“建议你去量个血压”的触发信号,是有实际意义的。Google和研究团队对定位的表述也很清楚:机会性筛查,提示风险、推动确诊,而不是替代袖带或独立诊断。
从论文到功能:血压趋势已经上路,但离“诊断”还有距离
这项研究的发现已经部分进入了产品。Google Health应用中的“血压趋势”(Blood Pressure Trends)功能,正是基于这项研究构建的。2026年9月起,该功能开始向Pixel Watch 3及后续机型的用户推送,定位是健康趋势,而非医疗诊断。
需要区分的是“趋势”和“筛查”的边界。目前上线的功能让用户看到血压的变化方向,而AI-PPG-ACC-HTN所验证的“高血压状态概率”输出,尚未作为一个独立的、获得监管许可的筛查工具上市。截至2026年,没有任何Fitbit或Pixel Watch设备拥有FDA cleared的血压测量或高血压筛查适应症。Google自己也将这项研究称为“早期可行性研究”,而非某个具体产品功能的承诺。
(素材来自:Google Research 智算芯能前沿网综合)
本文由智算芯能前沿网编辑整理,转载请注明出处。
