Egy új, mandzsetta nélküli, okosóra-alapú rendszer képes passzívan felismerni a hipertónia jeleit anélkül, hogy hagyományos karos vérnyomás-mandzsettával kalibrálni kellene. Az AI-PPG-ACC-HTN nevű többmodális mesterséges intelligencia rendszert a Nature folyóiratban bemutatott tanulmányban validálták a 24 órás ambuláns vérnyomás-monitorozás (ABPM) aranystandardja ellen, és mind az elsődleges szűrés, mind a megerősítő vizsgálat esetén diagnosztikai pontossága összevethető volt a hagyományos mandzsettás módszerekkel. A kutatás hozzájárult a Google Health alkalmazás Blood Pressure Trends (vérnyomás-trendek) funkciójának kialakításához.
Miért fontos ez?
A hipertónia, azaz magas vérnyomás több mint egymilliárd embert érint világszerte, ugyanakkor az érintett felnőttek több mint fele nincs tudatában állapotának. Különösen súlyos ez a fiatalabb, 18–44 éves korosztályban, ahol a diagnózis elmaradása késleltetheti a korai beavatkozásokat és növeli a hosszú távú kockázatot súlyos kardiovaszkuláris eseményekre, például stroke-ra vagy szívelégtelenségre.
Működési elv és megközelítés
Ahelyett, hogy pillanatnyi szisztolés és diasztolés vérnyomásértékek közvetlen becslésére törekednének — amelyek érzékenyek a rövid távú zajokra és környezeti hatásokra — a kutatók a tartós, alapbetegségi hipertóniás állapot azonosítására fókuszáltak. A megközelítés többnapos, passzívan gyűjtött élettani jelek aggregálásán alapul.
A rendszer két, a modern fogyasztói okosórákban elérhető érzékelőt használ:
- Photoplethysmography (PPG): optikai szenzor, amely a csuklónál mért vértérfogat-változásokat és a pulzushullám alakját követi.
- Accelerometry (ACC): mozgásérzékelő, amely a nyugalmi periódusokat azonosítja és rögzíti a ballisztokardiogramot (BCG) — a szív mechanikus kilökődéséből eredő apró csuklórezgéseket.
A fejlesztés két lépéses gépi tanulási eljárással történt:
-
Önsupervised előképzés (a hullámforma-enkóder): egy egydimenziós konvolúciós neurális hálót önfelügyelt kontrasztív tanulással tréningeztek. Nagy, címkézetlen adathalmazon — 492 347 óra szenzoradat 2 109 beleegyező résztvevőtől — a modell 15 másodperces átfedéses PPG és ACC hullámformák párjait tanulta közeli pontokként reprezentálni a latens térben. Ez lehetővé tette a bonyolult, fiziológiailag gazdag jellemzők automatikus elsajátítását orvosi címkék vagy kézi jellemzők megadása nélkül.
-
Egyénszintű aggregáció és osztályozás: a 15 másodperces beágyazásokat több nap alatt átlagolták, hogy kiszűrjék az átmeneti zajokat (például hirtelen mozdulatok vagy hőmérsékletváltozások hatását). Az aggregált embeddinghez a felhasználó testmagasságát is hozzákapcsolták (az artériás útvonal hosszának megközelítésére), majd a kombinált jellemzőt regulárizált logisztikus regresszióval osztályozták, amely folyamatos hipertónia valószínűségi pontszámot adott.
Klinikai validáció
A rendszert prospektív, többközpontú klinikai vizsgálatban értékelték öt amerikai helyszínen, összesen 196, beleegyező, különböző háttérrel rendelkező résztvevő bevonásával. A résztvevők nem álltak ismert kardiovaszkuláris betegség alatt, és nem szedtek vérnyomáscsökkentő gyógyszert. A smartwatch teljesítményét összehasonlították a 24 órás ambuláns vérnyomás-monitorozással (ABPM), amely a hipertónia diagnózisának klinikai aranystandardja.
A teljesítményt két klinikai felhasználási forgatókönyvben vizsgálták:
-
Kezdeti szűrés: a smartwatch 65,8%-os érzékenységet (szenzitivitást) és 90,0%-os specifitást ért el, ami 80,6%-os pozitív prediktív értéket (PPV) jelentett. A klinikai (hivatalos rendelői) kezdeti szűrés összehasonlításban 55,3%-os szenzitivitást és 77,8%-os PPV-t mutatott az aranystandardhoz képest.
-
Megerősítő vizsgálat: azoknál az egyéneknél, akiknél a rendelői mérések kezdetben emelkedett értéket mutattak (alvizsgálati csoport, N=48), a multimodális rendszer 78,4%-os szenzitivitást, 90,9%-os specifitást és 96,7%-os PPV-t ért el. Ugyanezen résztvevők visszatérő rendelői méréseinek pontbecslései alacsonyabb szenzitivitást (67,6%), specifitást (63,6%) és PPV-t (86,2%) adtak. Többnapos otthoni monitorozással a hasonló metrikák 89,2% (szenzitivitás), 81,8% (specifitás) és 94,3% (PPV) voltak; a smartwatch-eredmények ebben a kontextusban versenyképesnek bizonyultak.
Ezek az eredmények azt jelzik, hogy a rendszer képes a hipertónia jeleit olyan pontossággal azonosítani, amely összevethető a hagyományos mandzsettás eszközökkel a jelenlegi klinikai gyakorlat keretei között.
Modellértelmezhetőség és megfigyelt jellemzők
A kutatók vizualizálták azokat az átlagos pulzushullámokat, amelyek a legmagasabb és legalacsonyabb AI-PPG-ACC-HTN pontszámokhoz kapcsolódtak, hogy megértsék, mely jellegzetességek befolyásolják a modellt. A megfigyelések között szerepeltek:
- Szűkebb pulzusszélesség: a magasabb hipertónia-kockázathoz társuló hullámformák kissé keskenyebb pulzusszélességet mutattak, ami kisebb vértérfogat-változást jelezhet és merevebb artériákra utalhat.
- Pulzushullám-reflexió: a magasabb AI kockázati pontszámokkal összefüggésben lassabb szisztolés emelkedést (a véráramlás kezdeti lökete) és alacsonyabb d/a arányt figyeltek meg; ez a mérőszám az előrehaladó pulzushullám és a visszaverődött hullám viszonyát hasonlítja össze.
- Mechanikai szívrezgések (BCG): az accelerométerrel rögzített ballisztokardiogram jellegzetes módosulásai, mint mélyebb "K hullámok" és szélesebb "IJK komplexek", gyakrabban jelentkeztek a magasabb hipertónia-előrejelzési pontszámokkal rendelkező egyéneknél.
A tanulmány részletes ábrákon jelölte a PPG és BCG hullámformák kulcsfontosságú fiduciális pontjait és derivált jellemzőit.
Mire nem alkalmas ez a technológia (jövőkép és korlátok)
A smartwatch-alapú hipertónia-szűrés nem célja a standard karos mandzsetták helyettesítése vagy végleges, önálló orvosi diagnózis nyújtása. Ehelyett alkalmankénti, nagy léptékben alkalmazható, passzív szűrőeszközként értelmezendő, amely segítheti a rizikós egyéneket abban, hogy orvosi vizsgálatot kezdeményezzenek. A szerzők hangsúlyozzák, hogy ez korai megvalósíthatósági kutatás, a leírt módszerek exploratív jellegűek, és nem feltétlenül tükröznek konkrét, létező vagy közelgő kereskedelmi termékfunkciót vagy eszközkapacitást.
Ha széles körben alkalmazzák, az ilyen technológia hozzájárulhat a globális tudatossági hiány csökkentéséhez és a hipertónia korai felismeréséhez, így megelőzve a tartós kardiovaszkuláris károsodást.
Köszönetnyilvánítás
A kutatás a Google Research, a Beth Israel Deaconess Medical Center és a Harvard Medical School együttműködésében jött létre. A tanulmány szerzői között megemlítették Lawrence Cai-t, Jiang Wu-t, Mingwu Gao-t, Bhavna Daryani-t, Jonathan Wang-et, Utkarsh Khanna-t, Ho Ko-t, Anupam Pathak-ot, Mark Malhotra-t, Shwetak Patel-et, Jacqueline B. Shreibati-t, Stephen P. Juraschek-et, Pramod Rudrapatna-t és Matthew Thompson-t. További kulcsfontosságú hozzájárulók: Jennifer Block, Anu Gabbita, Sushalini Sunku, Keerthana Natarajan, Alexandros Pantelopoulos, Tuan Phan, Tracy Giest és Florence Thng.
