智能手表不再需要袖带校准：AI-PPG-ACC-HTN 在 196 人中筛出高血压，特异性 90.0%
核心概要
Google Research 与贝斯以色列女执事医疗中心、哈佛医学院合作，用消费级智能手表的光电容积脉搏波与加速度信号被动识别持续高血压状态，无需袖带校准。系统不估计某一时刻的收缩压和舒张压，而是把多天的 15 秒信号特征取均值，再结合身高送入正则化逻辑回归给出概率。在 196 名无已知心血管疾病、未服降压药的受试者中，以 24 小时动态血压监测为金标准，初筛灵敏度 65.8%、特异性 90.0%，高于同期诊室初筛的 55.3%。
深度剖析
消费级智能手表可以在不做袖带校准的前提下，被动给出一个人是否处于持续高血压状态的判断，而不是只追踪相对变化。 此前的商用无袖带设备通常需要定期用臂式袖带校准，因此只能追踪相对基线的变化，无法独立识别绝对的高血压状态。 在五个美国中心开展的前瞻性多中心临床研究中，196 名无已知心血管疾病且未服降压药的受试者同时接受手表监测与 24 小时动态血压监测，手表初筛灵敏度 65.8%、特异性 90.0%、阳性预测值 80.6%，同期诊室初筛灵敏度为 55.3%、阳性预测值 77.8%。
系统把问题从估计某一时刻的血压数值，改成判断个体多天累积的持续高血压状态。 逐点估计收缩压和舒张压容易受短暂环境噪声干扰，因此改为对多天的被动生理特征做聚合。 每名用户的 15 秒特征块在多天佩戴中取均值以冲掉瞬时噪声，再与身高一起送入正则化逻辑回归，输出连续的高血压概率分数。
模型直接从原始波形学习血管与心脏机械功能的特征，不需要人工设计特征或医学标签。 特征来自自监督对比学习，而非依赖标注数据或手工特征工程。 一维深度卷积神经网络在 2,109 名同意参与者、共 492,347 小时的未标注传感器数据上训练，把同一个人的重叠 15 秒光电容积脉搏波与加速度波形在潜空间中拉近。
启示与展望
验证范围是五个美国中心、196 名无已知心血管疾病且未服降压药的受试者，对照标准为 24 小时动态血压监测；作者明确说明这是早期可行性研究，方法属探索性质，不指示任何现有或即将推出的商业产品功能或设备能力。
作者说明智能手表筛查不打算替代标准臂式袖带，也不提供独立的确定诊断；初筛灵敏度 65.8% 属中等水平；确认场景的结果来自初始诊室血压升高的 48 人子集，作者称其与多天家庭监测竞争，而家庭监测的灵敏度为 89.2%。