谷歌AI手表血压监测登Nature，多模态无袖带方案引领开发者健康API接入

无袖带监测新范式落地

谷歌发布最新研究，成功在《自然》期刊发表成果。该系统名为AI-PPG-ACC-HTN，核心优势在于无需袖带校准，直接利用普通消费级智能手表进行被动检测。这一突破改变了传统高血压筛查依赖瞬时收缩压和舒张压估算的局限，有效规避了环境噪声对单次测量值的干扰。

从技术路径来看，新系统专注于识别个体潜在且持续存在的高血压状态。通过聚合连续多天采集的被动生理特征，模型能够更准确地捕捉长期健康趋势，而非受制于某一时刻的生理波动。这种思路的转变，使得基于穿戴设备的健康监测从“数据抓取”迈向“状态识别”，为开发者接入高精度健康API提供了新的技术底座。

自监督预训练挖掘特征

在模型训练阶段，研究团队采用了自监督预训练策略。系统使用了超过49万小时的无标注数据来训练1D-CNN网络。通过对比学习机制，模型能够自主挖掘复杂的心血管生理特征，无需依赖大量昂贵的人工标注数据。这种数据利用方式大幅降低了模型开发的门槛，提升了系统的泛化能力。

对于开发者而言，这种自监督学习架构意味着接入该API时，模型本身已具备强大的特征提取能力。在无需额外定制训练集的情况下，即可快速部署到各类智能穿戴生态中，极大地简化了二次开发的流程。这种即插即用的特性，是AI健康服务快速商业化的关键推动力。

多天聚合平滑瞬态噪声

在数据处理逻辑上，系统强调了多天聚合的重要性。通过对多天的15秒特征向量取均值，能够有效平滑瞬态噪声，避免单次测量误差导致的误判。此外，模型还结合了身高这一参数，因为身高可以表征动脉路径长度，从而对血压读数进行物理层面的校正。

这种多维度的特征融合策略，使得最终输出的持续高血压概率评分更加稳健。经逻辑回归模型处理后，系统不仅能判断当前状态，还能提供连续的风险评估。对于API聚合分发场景，这种输出稳定的概率评分比原始的原始数值更容易被下游应用直接消费，减少了前端数据的复杂清洗工作。

多中心临床验证成效显著

为验证性能，研究团队在全美5个临床中心开展了前瞻性、多中心临床试验。试验纳入了196名无心血管病史且未服降压药的受试者，并以临床金标准24小时动态血压监测为参照基准。结果显示，该系统在初步筛查中表现优异，特异度达90.0%，阳性预测值为80.6%，灵敏度为65.8%。

相比之下，传统的门诊单次初筛灵敏度仅为55.3%，阳性预测值仅为77.8%。谷歌新系统在灵敏度上显著优于传统方案，这意味着它能在更早的阶段识别出潜在的高血压风险。基于原文数据判断，这种筛查效率的提升，将大幅降低医疗资源的浪费，使预防性健康管理成为可能。

确诊阶段表现比肩家庭监测

针对初筛偏高的人群，系统还执行了确诊性检测。在这一阶段，阳性预测值高达96.7%，特异度达90.9%，灵敏度达78.4%。这一表现不仅优于门诊复测，更可比肩需要佩戴数天的家庭连续袖带监测。这意味着智能手表在特定场景下，已具备替代部分专业医疗设备的能力。

该研究成果已为谷歌健康应用中的血压趋势“健康守护”功能提供核心技术支撑。对于开发者接入视角来看，如此高的确诊准确率，使得基于该API构建的商业健康服务具备了医疗级的可信度。随着榜单排名的提升，更多开发者将有望通过聚合分发渠道，将这一高精度检测能力集成到各自的APP中，推动健康数据服务的标准化。

来源：IT之家