Erkennung von Anzeichen für Bluthochdruck mit tragbaren Sensoren
Google Research präsentiert ein KI-System, das Sensoren von Smartwatches nutzt, um ohne Armmanschette-Kalibrierung passiv Anzeichen für Bluthochdruck zu erkennen. Nach Überprüfung anhand klinischer Goldstandards aggregiert das Tool PPG- und Beschleunigungssensordaten, um anhaltende hypertensive Zustände zu identifizieren, und bietet somit eine skalierbare Untersuchungsmethode zur Aufklärung über Bluthochdruck.
Tags
Kurze Zusammenfassung
Google Research präsentiert ein KI-System, das Sensoren von Smartwatches nutzt, um ohne Armmanschette-Kalibrierung passiv Anzeichen für Bluthochdruck zu erkennen. Nach Überprüfung anhand klinischer Goldstandards aggregiert das Tool PPG- und Beschleunigungssensordaten, um anhaltende hypertensive Zustände zu identifizieren, und bietet somit eine skalierbare Untersuchungsmethode zur Aufklärung über Bluthochdruck.
Erkennung von Anzeichen für Bluthochdruck mit tragbaren Sensoren
Bluthochdruck, oft als der „stille Mörder“ bezeichnet, betrifft weltweit über eine Milliarde Menschen. Ein erheblicher Teil dieser Personen ist sich ihrer Erkrankung nicht bewusst, da hoher Blutdruck selten offensichtliche Symptome aufweist. Infolgedessen erfolgt die Diagnose in der Regel nur durch zufällige Untersuchungen. Dieses Bewusstseinsdefizit ist insbesondere bei jüngeren Erwachsenen im Alter von 18 bis 44 akut, wo übersehene Diagnosen frühe lebensrettende Maßnahmen verzögern und das langfristige Risiko für ungünstige kardiovaskuläre Ereignisse wie Schlaganfall oder Herzinsuffizienz erhöhen.
Während die Messung des Blutdrucks im Arztzimmer als primäres Verfahren zur Erstuntersuchung dient, sind in den letzten Jahren armbandlose tragbare Geräte als mögliche Ergänzung zur gelegentlichen Arztkontrolle aufgetaucht. Allerdings erfordern die vorhandenen kommerziellen Lösungen oft eine regelmäßige Kalibrierung mit einem herkömmlichen Armband. Diese Abhängigkeit bedeutet, dass sie in der Regel nur relative Veränderungen gegenüber einer Baseline-Messung erfassen und nicht absolute Bluthochdruckzustände identifizieren können, was ihre Nützlichkeit als unabhängige Untersuchungsinstrumente einschränkt.
Um diese Einschränkungen zu überwinden, hat Google Research ein neues multimodales Künstliche-Intelligenz-System entwickelt, das in der Lage ist, mithilfe einer Consumer-Smartwatch passiv Anzeichen für Bluthochdruck ohne jegliche Bandkalibrierung zu erkennen. Dieses als AI-PPG-ACC-HTN bezeichnete System wurde anhand des klinischen Goldstandards der 24-stündigen ambulanten Blutdruckmessung (ABPM) validiert. Laut dem Verlag erreicht das System Genauigkeitsgrade, die mit denen traditioneller diagnostischer Verfahren auf Basis von Armbändern für die Erst- und Bestätigungsuntersuchung vergleichbar sind. Diese Forschungsergebnisse trugen zur Entwicklung der Funktion „Blutdrucktrends“ in der Google Health-App bei.
Wie das System funktioniert
Anstatt zu versuchen, genaue Werte für den systolischen und diastolischen Blutdruck zu einem bestimmten Zeitpunkt abzuschätzen – wobei diese stark von vorübergehenden Umwelteinflüssen beeinflusst werden – betrachtet das System das Problem anders. Es konzentriert sich darauf, den zugrunde liegenden, anhaltenden hypertensiven Zustand eines Einzelnen durch die Aggregation passiver physiologischer Signale über mehrere Tage zu ermitteln.
Das System nutzt Daten von zwei Sensoren, die bereits in modernen Smartwatches vorhanden sind:
- Photoplethysmographie (PPG): Ein optischer Sensor, der Veränderungen des Blutvolumens am Handgelenk durch das Messen des reflektierten Lichts erfasst, wodurch die Konturen der Pulswelle bestimmt werden können.
- Accelerometrie (ACC): Ein Bewegungssensor, der Ruhephasen erkennt und das Ballistokardiogramm (BCG) aufzeichnet – die feinen physikalischen Vibrationen des Handgelenks, die durch den mechanischen Ausstoß von Blut vom Herzen in die Aorta entstehen.
Das KI-System verwendet die mit einem Consumer-Smartwatch aufgezeichneten PPG- und Accelerometer-(ACC)-Signale, um Wellenform-Embeddings zu erstellen. Diese Embeddings werden im Laufe der Zeit (über Tage) zu einem pro Person spezifischen Embedding zusammengefasst. Zusammen mit der Körpergröße des Benutzers, die als zuverlässiger Indikator für die Länge der Arterien gilt, werden diese aggregierten Daten verwendet, um den Blutdruckzustand vorherzusagen.
Zur Entwicklung dieses Systems wendeten die Forscher einen zweistufigen maschinellen-Lern-Ansatz an:
Stufe 1: Selbstüberwachtes Vortraining (Der Wellenform-Encoder)
Das Team trainierte ein 1-D-tiefs konvolutionelles neuronales Netz mithilfe selbstüberwachter kontrastiver Lernalgorithmen. Durch die Analyse eines großen, ungelabelten Datensatzes mit 492,347 Stunden an Sensordaten von 2,109 einwilligenden Teilnehmern lernte das Modell, überschneidende 15-sekündige PPG- und ACC-Wellenformen desselben Einzelnen in einem latenten Raum nahe beieinander abzubilden. Dieser Prozess ermöglichte es dem Modell, komplexe, physiologisch reiche Merkmale der vaskulären sowie mechanischen Herzfunktion ohne manuelle Merkmalsbearbeitung oder medizinische Labels zu entdecken.
Phase 2: Aggregation und Klassifizierung auf Personenebene
Für jeden Benutzer werden diese 15-sekündigen Merkmalsblöcke (Embeddings) über mehrere Trage Tage hinweg mittelwertbasiert aggregiert, um vorübergehende Störungen wie plötzliche Bewegungen oder Temperaturänderungen auszuschließen. Anschließend wird das aggregierte Embedding der jeweiligen Person mit ihrer Körpergröße kombiniert und in einen regularisierten Logistischen-Regression-Klassifikator eingegeben, um einen kontinuierlichen Wahrscheinlichkeitswert für Hypertonie zu berechnen.
Stringente Validierung gegenüber dem klinischen Goldstandard
Um das System zu bewerten, führte Google Research eine prospektive, multizentrische klinische Studie an fünf Standorten in den USA durch, an der 196 unterschiedliche, einwilligende Teilnehmer teilnahmen. Diese Teilnehmer litten nicht an bekannten Herz-Kreislauf-Erkrankungen und nahmen keine Blutdruckmedikamente ein.
Wichtig ist, dass die Studie die Leistung der Smartwatch mit der 24-stündigen ambulanten Blutdruckmessung (ABPM), dem klinischen Goldstandard für die Diagnose von Hypertonie, verglich. Die Bewertung umfasste zwei unterschiedliche klinische Anwendungsfall-Szenarien: Erstuntersuchung und Bestätigungsuntersuchung.
Szenario 1: Erstuntersuchung
In der Phase der Erstuntersuchung erreichte die Smartwatch eine mittlere Sensitivität von 65.8% sowie eine hohe Spezifität von 90.0%.. Dies führte zu einem hohen positiven Prädiktivwert (PPV) von 80.6%.. Im Vergleich zeigten Erstuntersuchungen im Arztzentrum bei Vergleich mit dem Goldstandard eine Sensitivität von 55.3% sowie einen mittleren PPV von 77.8%.
Szenario 2: Bestätigungsuntersuchung
Für Personen, die in einer Klinik zunächst als Hypertoniker eingestuft werden, empfehlen aktuelle Leitlinien eine Bestätigungsuntersuchung außerhalb des Arztzentrums. Die Studie untersuchte die Untergruppe der Teilnehmer (N=48), bei denen die anfänglichen Blutdruckwerte im Arztzentrum erhöht waren, um herauszufinden, wie gut die Smartwatch eine anhaltende Hypertonie bestätigen konnte.
Das multimodale System erreichte eine moderate Sensitivität von 78.4%, eine hohe Spezifität von 90.9% sowie eine hohe PPV-Wert von 96.7%.. Im Vergleich zeigten die Ergebnisse der Blutdruckmessungen im Praxisraum niedrigere Schätzwerte für Sensitivität (67.6%), Spezifität (63.6%) und PPV (86.2%). Zudem erwies sich der Ansatz mit Smartwatches als konkurrenzfähig zu einer mehrtägigen Zu Hause durchgeführten Überwachung, bei der eine Sensitivität von 89.2%, eine Spezifität von 81.8% sowie ein PPV-Wert von 94.3%. erzielt wurden.
Insgesamt zeigen die Ergebnisse, dass das System Hypertonie mit Präzisionsniveaus erkennen kann, die mit denen herkömmlicher Blutdruckmessgeräte im bestehenden klinischen Rahmen vergleichbar sind.
Interpretierbarkeit des Modells
Um zu verstehen, worauf sich das KI-Modell konzentriert, visualisierten Forscher die durchschnittlichen Pulswellenformen von Nutzern mit den höchsten und niedrigsten vorhergesagten Hypertonierisiken. Die Analyse ergab mehrere wichtige physiologische Indikatoren:
- Verringerte Pulsbreite: Bei Wellenformen, die auf ein höheres Hypertonierisiko hindeuteten, war die Pulsbreite etwas schmaler, was auf geringere Veränderungen des Blutvolumens hindeutet. Dies könnte auf steifere Arterien hindeuten, die sich weniger ausdehnen können.
- Reflexion der Pulswelle: Höhere Risikowerte der KI standen in Zusammenhang mit einer langsameren systolischen Anstiegsspanne (dem initialen Blutanstieg) sowie einem niedrigeren d/a-Verhältnis. Dieser spezifische Wert vergleicht die ursprünglich nach vorne ausgerichtete Pulswelle mit der reflektierten Welle, die vom körpereigenen Gefäßnetz zurückgeworfen wird.
- Mechanische Herzvibrationen: Der Akkumulator der Smartwatch konnte erfolgreich das Ballistokardiogramm-(BCG)-Signal erfassen. Bei Nutzern mit einem höheren vorhergesagten Hypertonierisiko beobachteten die Forscher deutliche physische Modulationen in diesen Mikrovibrationen, insbesondere tiefere „K-Wellen“ und breitere „IJK-Komplexe“.
Ausblick und Einschränkungen
Die auf Smartwatches basierende Hypertoniescreening-Methode ist nicht dazu gedacht, herkömmliche klinische Armmanschetten zu ersetzen oder eine endgültige, eigenständige medizinische Diagnose zu stellen. Stattdessen weist diese Forschung auf das Potenzial hin, ein hoch skalierbares, passives Werkzeug für opportunistische Screenings bereitzustellen.
Dieses Werk stellt eine frühe Machbarkeitsstudie dar; die hier beschriebenen Methoden sind rein exploratorischer Natur und deuten weder auf bereits vorhandene noch zukünftige Funktionen von kommerziellen Produkten oder Eigenschaften von Geräten hin. Durch sanfte Anregung von Personen mit Risikofaktoren, eine Klinik aufzusuchen, um eine formelle Untersuchung durchzuführen, hat diese Technologie das Potenzial, die Lücke in der weltweiten Aufklärung erheblich zu verringern und Bluthochdruck bereits vor dem Auftreten dauerhafter Herz-Kreislauf-Schäden zu erkennen.
Die Forschung war das Ergebnis einer Zusammenarbeit zwischen Google Research, Beth Israel Deaconess Medical Center und Harvard Medical School.
Quelle:
- Erkennung von Anzeichen von Bluthochdruck mithilfe tragbarer Sensoren — Google Research — https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors



