Google手表免校准筛高血压，Nature论文的数据站得住吗

高血压有个外号叫“沉默杀手”。Google 的说法是，全球有超过 10 亿人患病，其中一半以上的成年患者自己并不知道。

那天天戴在手腕上的表，能不能替你先站个岗？

11 月 5 日，Google Research 在博客上介绍了一篇发表于 Nature 的研究：一套叫 AI-PPG-ACC-HTN 的系统，只用消费级智能手表里已有的光学传感器和加速度计，不做袖带校准，就能判断一个人有没有高血压迹象。我们 AI主线 的看法是，这项研究有分量的地方，在于它把“测出一个血压数”改成了“判断一个人是不是长期偏高”，换了题目之后，无袖带手表才拿得出像样的筛查成绩单。

不测数值，改判“状态”，这个换题换得有道理

以前的无袖带血压手表有个通病：得定期拿真袖带校准，只能看相对基线的变化，说不出你到底算不算高血压。

Google 这套干脆不去估某一刻的收缩压和舒张压，那种数字太容易被走路、情绪、室温带偏。它转头去看一个人持续多天的整体状态，好比不去抓拍某一秒的水温，而是量一周的平均水温。

喂给模型的是两路信号。PPG 是手表背面那几颗发光的小灯，靠反射光读手腕处血流量的起伏，也就是脉搏波的形状。ACC 是加速度计，既能判断你什么时候静止，也能捕捉心脏射血时手腕上极其细微的震动，学名叫心冲击图。

训练分两步。先用对比学习，在近 49.2 万小时、2109 位参与者的无标签数据上，让编码器学会把同一个人的 15 秒波形放在相近的位置，全程不需要医学标签。再把多天的特征取平均，抹掉走动、温度这些临时噪声，加上身高（Google 说身高是动脉路径长度的可靠替代），交给一个带正则化的逻辑回归，输出一个高血压概率。

有意思的是，最后一层只是很朴素的逻辑回归。重活全压在前面那个自监督编码器上，“大数据预训练，小模型收尾”，老玩家看着眼熟。

成绩单拆开看：抓得准，但会漏人

验证用的是一项前瞻性多中心临床研究，美国五个站点，196 位参与者，都没有已知心血管疾病，也没在吃降压药。对照标准是 24 小时动态血压监测，临床上的金标准。

初筛场景下，手表的特异性是 90.0%，敏感性 65.8%，阳性预测值 80.6%。翻成人话：手表喊“有问题”的人里，大约八成真有；但一百个真高血压的人，只能抓出六十五六个，三分之一会漏掉。诊室单次测量的敏感性是 55.3%，所以手表在这一项上确实更能抓人。

确认场景更好看。48 位诊室血压偏高的参与者里，手表的敏感性 78.4%，阳性预测值 96.7%，而再回诊室复测血压，特异性只有 63.6%。不过连测多天的家庭血压监测，敏感性做到了 89.2%，依旧更高。Google 自己的结论是，手表的准确度与传统袖带流程相当。

这话我只信一半。Nature 发表说明过了同行评审，但样本只有 196 人，确认场景只有 48 人，阳性预测值又跟样本里高血压占多大比例挂钩，换一群人数字就会动。独立团队复现之前，这些成绩都是 Google 自家团队交的卷。

Apple 早就上线了，Google 这边算啥进度

这条赛道不空。Apple 在 2025 年 9 月拿到美国 FDA 许可，推出 Apple Watch 的高血压通知。它同样不报血压数值，靠光学心率传感器，在 30 天的滚动周期里被动分析，发现持续迹象才提醒。按 Apple 自己的说法，训练数据来自总计超过 10 万人的多项研究，验证研究超过 2000 人，同时它也承认不会检出所有高血压。两边研究设计不同，数字不能直接对着比。

Google 这边，Health Guardian 里的血压趋势已经在 Pixel Watch 3、4、5 上开放设置，同样不要袖带和手动校准。Google 说这篇研究的发现为该功能提供了参考，功能底层用的是 WavesFM 基础模型，官方说训练数据是数十亿分钟的心率和运动数据。

但有个落差。论文里比的是筛查级的准确度，产品页写的却是一般健康用途：不用于诊断，不能据此调整用药，趋势显示偏高，还得拿家用血压计去验证。论文这头是“能当筛查工具”，产品那头是“只当提醒”，中间隔着的就是监管这道坎。

接下来盯什么

对做健康类应用和穿戴算法的开发者，这篇的参考价值在方法：无标签数据预训练一个波形编码器，再用身高这类廉价特征加简单分类器收尾，路子清晰，门槛也比想象中低。

对普通用户，眼下手表给出的仍是“趋势”，别当成诊断，该用袖带验证还得验证。

接下来我会盯三件事：有没有独立团队复现这组成绩；样本能不能补上已经在服药、有心血管疾病、年龄跨度更大的人群；Google 会不会把论文里的准确度，变成一个经过监管认可的产品功能。我们 AI主线 的态度是，方向对，证据还在路上。