65.8% 对 55.3%：谷歌把手表波形做成无袖带高血压筛查，研究登 Nature

2026 年 11 月 5 日，Nature 在线发表论文 «Opportunistically Detecting Signs of Hypertension on a Consumer Smartwatch»（DOI 10.1038/s41586-026-11336-3）。16 位作者横跨四个机构：Google Research 的三个办公室、贝斯以色列女执事医疗中心与哈佛医学院的医学部、华盛顿大学西雅图——末位两位是华盛顿大学的 Matthew Thompson 与谷歌的 Ming-Zher Poh。同日，Google Research 博客以第一作者 Paolo Di Achille 与 Ming-Zher Poh 的署名发出解读。系统名 AI-PPG-ACC-HTN：AI＋PPG（光电容积脉搏波）＋ACC（加速度计）＋HTN（高血压的医学缩写）。

问题的量级写在论文第一句：高血压是«沉默杀手»，全球超过十亿人患病，过半患病的成年人不知道自己患病。不知道，就没有干预；没有干预，心脑血管事件在后面积累。这就是为什么论文的落点不是「测量更准」，而是「筛查更早」——在没有任何症状的日常生活里，先找出那批该去看医生的人。

时间线分开记：研究事件的公开日是 11 月 5 日（Nature 论文与谷歌博客同日）；材料进入本站采集是 11 月 5 日（研究博客）、11 月 7 日（IT之家中文报道，北京时间 18:26）；本站成稿公开是 11 月 9 日。中文读者多数先经 IT之家的标题接触到这件事——«无需袖带校准，仅凭普通消费级智能手表便能被动检测高血压迹象»——这句概括方向正确，但数字与边界要回到论文摘要和博客原文。

• 读 Nature 论文页 ↗
• 读谷歌研究博客 ↗

先拆«无袖带»这三个字。博客原句说得很准：«existing commercial solutions usually require regular calibration using a traditional arm cuff»——市面上已有的无袖带方案，通常仍要定期用臂式袖带校准，之后才能从那条基线跟踪血压的相对变化。校准没被去掉，只是被摊薄了。AI-PPG-ACC-HTN 的差别在于全程没有校准：它不产出血压毫米汞柱读数，也就不需要一条袖带基准线。

能做到这一点，是因为任务被重定义了。论文不试图回答「此刻血压是多少」（point-in-time estimation），而是回答一个二选一的问题：「这个人是否处于持续的高血压状态」（persistent hypertensive state）。一次波形读数回答不了这个问题，多天聚合可以——博客明确写了方法是把多天信号聚合起来再判断。参照标准也跟着升格：验证对照的不是一次诊室袖带，而是 24 小时动态血压监测（ABPM）——临床诊断高血压的金标准。

输入是两路波形加一个数字。PPG 是手表背面光学传感器收到的反射光：每次心跳把血液推入血管，手腕组织里的血容积随之起伏，光的吸收跟着起伏——脉搏波的形态本身就是信号。ACC 是加速度计，在这套系统里干两件事：找出佩戴者静止的时段（静止时的波形才可用），以及拾取心冲击图（BCG）——心脏每次射血进入主动脉时身体的微小反冲，落在手腕上就是极轻微的振动。身高是第三个输入，博客称之为动脉路径长度的可靠代理：波从心脏走到手腕的距离，直接影响波形形态。

• 读任务重定义与传感器说明原文 ↗

模型分两阶段。阶段一在无标注数据上训练：492,347 小时、来自 2,109 名同意参与者的传感器波形，切成 15 秒的重叠窗口，用自监督对比学习训练一维深度卷积网络——把同一个人、时间相近的窗口在隐空间里拉近，不同的拉远，不需要任何血压标签。阶段二做聚合与判断：把一个人多天的 15 秒窗口嵌入平均成«人级»表征，接上身高，喂给正则化逻辑回归，输出一个连续的高血压概率分。预训练靠规模，判断只用逻辑回归——重活都在表征里。

第一组数字是筛查场景：196 名参与者（无已知心血管疾病、未服降压药），美国五个站点、前瞻性多中心设计，七天真实佩戴，参照 24 小时动态血压监测。手表筛查敏感性 65.8%（95% CI 54.0–76.3）、特异性 90.0%（83.2–94.7）、阳性预测值 80.6%（68.6–89.6）。同一临床框架下，一次诊室血压初筛的敏感性是 55.3%（43.4–66.7），特异性同为 90.0%，PPV 77.8%。这组对照是论文标题里«Opportunistically»一词的实证：在体检之外被动的七天里，手表比一次诊室测量多找出约十分之一的高血压者。

第二组数字是确认场景（博客口径；论文摘要未含）：在 48 名诊室血压升高、需要进一步确认的参与者里，手表判断的敏感性 78.4%、特异性 90.9%、PPV 96.7%；同一批人回去复测诊室血压是 67.6/63.6/86.2；多日家庭血压监测是 89.2/81.8/94.3——仍是袖带类方法里最强的。读法：确诊这件事仍然归袖带类方法，手表在这组里是「提示谁需要认真测」的角色；多日家庭监测比单次复诊更接近真相，这本身也是论文对临床框架的一个观察。

模型«为什么这样判»也给了账：风险分更高的人，脉搏波更窄（可能提示动脉更硬）、收缩期上升支更慢、d/a 比值更低（反射波成分变化），BCG 上 K 波更深、IJK 复合波更宽——这些都与动脉硬化的物理图像方向一致，不是黑箱里捞出来的相关。置信区间要一起读：敏感性 65.8% 的区间是 54.0–76.3，宽——196 人的研究，估计值本身就不精确，这是规模的真实代价。

• 核对摘要中的筛查场景数字 ↗
• 核对确认场景与可解释性叙述 ↗

免责与产品线要分开读。博客原句：这项工作«represents early feasibility research»，方法«purely exploratory»，«not indicative of any existing or upcoming commercial product feature or device capability»——研究不是功能承诺。同一篇博客又写：这些研究发现«helped inform the blood pressure trends Health Guardian feature in the Google Health app»——研究结论为谷歌健康应用里已有的血压趋势功能提供过依据。两句话都对，指向不同层面：论文验证的是算法在研究人群里的表现，不是那个功能的临床效力；功能也不是论文的验证对象。

敏感性的阅读方式决定期待。65.8% 意味着：一百个高血压者里，约六十六个被提示就医，约三十四个被这个筛查漏过——漏检不是边缘情况，是设计的代价之一：特异性压到 90.0%（每十个健康人里约一个会被误提示），再往上提敏感性，误提示会更多。所以论文的定位从来不是诊断，而是«机会性筛查»（opportunistic screening）：在日常生活的间隙被动收集，把高风险者推向临床评估，确诊仍由袖带类方法完成——筛查负责提醒，袖带负责裁决。

放进本站的健康脉络：Anima 用 AI 把诊所电话等待从 50 分钟压到 10 分钟，是服务侧——就诊的入口变了；Cosmos3-H-Dreams 用世界模型生成手术画面做训练，是培训侧——医生怎么练；这一条是感知侧——身体自己每天产生、又每天被丢掉的数据，第一次被拿去回答一个临床问题。三篇连起来读，AI 在医疗里的位置是三条不同的管道：接待、训练、感知，而不是一个笼统的«AI 医疗»。

从源头到生活，这条链路每一环都可辨认：源头是自监督对比学习——一种从无标注数据里榨出表征的能力，492,347 小时波形不需要任何人手工打标；中间是两阶段模型的研究与验证——五个临床站点、196 人、七天、ABPM 参照，是研究到证据的转化；末端是生活入口——一只已经在多数人手腕上的消费级手表，不新增设备、不新增动作，多天的日常被动的数据变成一条「该去看看医生」的提示。能力、验证、入口，三层各自成立，才组成这条从源头到生活的完整通路。

• 对照：Anima 把诊所电话等待从 50 分钟压到 10 分钟 →
• 对照：Cosmos3-H-Dreams 生成手术画面做训练 →