近日，谷歌发布博文，介绍其团队在《自然》杂志发表的最新研究成果。这套名为 AI-PPG-ACC-HTN 的多模态 AI 系统不需要袖带校准，用普通消费级智能手表采集的数据，就能被动识别高血压迹象。
与常规方案试图估算易受瞬时环境噪声干扰的单次收缩压与舒张压不同，新系统换了思路：把连续多天采集的被动生理特征聚合起来，专注判断个体是否存在持续的高血压状态。
技术路径分两段。先用超过 49 万小时的无标注数据对 1D-CNN 做自监督预训练，通过对比学习让模型自行挖掘心血管生理特征；随后把每天 15 秒的特征向量跨天取均值，平滑掉瞬态噪声，再结合身高这一表征动脉路径长度的变量，经逻辑回归模型输出持续高血压的概率评分。
研究团队在美国 5 个临床中心开展了前瞻性、多中心临床试验，纳入 196 名无心血管病史且未服用降压药的受试者，以 24 小时动态血压监测作为金标准参照。
初步筛查环节，系统特异度达 90.0%，阳性预测值 80.6%，灵敏度 65.8%，优于门诊单次初筛的 55.3% 灵敏度与 77.8% 阳性预测值。针对初筛偏高人群的确诊性检测中，阳性预测值升至 96.7%，特异度 90.9%，灵敏度 78.4%，不仅优于门诊复测，也已接近需要连续佩戴数天的家庭袖带监测。
这套研究的成果已用于谷歌健康应用里的血压趋势功能。
原创文章，作者：Google，如若转载，请注明出处：https://www.kejixun.co/article/767466.html
