Google（谷歌） Research 用智能手表传感器被动识别高血压迹象，研究显示筛查准确度接近传统袖带流程
Google（谷歌） Research 公布一项发表于 Nature 的研究：AI（人工智能） 系统仅凭消费级智能手表的光电容积脉搏波（PPG）与加速度计（ACC）信号，无需袖带校准即可识别持续性高血压状态。
196 名参与者的美国五中心研究中，初筛灵敏度 65.8%、特异度 90.0%； 对诊室初筛偏高者的确认场景灵敏度 78.4%、特异度 90.9%。 研究定位为早期可行性探索，不替代临床诊断。
该研究为前瞻性多中心临床研究，覆盖美国 5 个中心、196 名无已知心血管疾病且未服降压药的多元参与者，以 24 小时动态血压监测（ABPM）为金标准。 系统先用 2109 名同意参与者、492,347 小时未标注传感器数据做自监督预训练，再将每人多日的 15 秒波形嵌入做均值聚合，结合身高输入正则化逻辑回归分类器，输出连续高血压概率。
初筛场景灵敏度 65.8%、特异度 90.0%、阳性预测值（PPV）80.6%，对照的诊室初筛为灵敏度 55.3%、PPV 77.8%； 确认场景（N=48）灵敏度 78.4%、特异度 90.9%、PPV 96.7%，对照复测诊室血压为 67.6%、63.6%、86.2%，多日家庭监测为 89.2%、81.8%、94.3%。
研究由 Google（谷歌） Research 与 Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）、哈佛医学院合作完成。
这项研究的价值不在“手表能测血压”这一表述，而在它绕开了无袖带设备常见的校准依赖：不估计某一时刻的收缩压和舒张压数值，而是把多日被动信号聚合成个人层面的高血压状态概率。 确认场景中特异度和 PPV 高于诊室复测，说明其潜在角色是减少不必要的复诊与漏诊，而非取代家庭多日监测——后者灵敏度更高。
需要注意样本量、单国站点与无心血管基础病人群的限制，筛查工具的性能也不能直接外推为临床结局改善。
后续观察信号
- Nature 论文原文的完整方法与局限性章节
- Google（谷歌） Health 应用血压趋势功能的实际呈现方式
- 家庭多日监测与手表方案在不同人群中的成本效益比较