Smartwatch Photoplethysmography-Derived Heart Age via ECG-Guided Cross-Modal Pretraining as a Digital Biomarker of Vascular Aging

技術要約：ECG誘導型クロスモーダル事前学習によるスマートウォッチPPG由来の心臓年齢推定

問題提起
動脈硬化や高血圧に特徴づけられる心血管系の老化は、世界的な罹患率および死亡率の主要な要因である。「心臓年齢」または「血管年齢」は、心血管リスクを示す解釈可能な指標であるが、既存の推定手法は臨床現場、安静時心電図（ECG）、画像診断、あるいは専門的な血管機能測定に依存している。これらのアプローチは、継続的なモニタリングに求められる低負荷、高頻度、および再現性を欠いている。スマートウォッチの光電容積脈波（PPG）はスケーラブルな代替手段となり得るが、現在のPPGベースの年齢モデルは、信号ノイズ、ラベル付きデータの不足、コホート間の汎化性能の低さ、および動脈硬化や高血圧といったゴールドスタンダードの臨床フェノタイプとの関連性の欠如といった課題に直面している。さらに、既存のモデルは、トレーニング中に同期されたECG-PPGペアから利用可能な豊かな生理学的情報を、PPGの表現学習を強化するために活用することがほとんどない。

手法
著者らは、スマートウォッチへの展開に適したPPGのみの推論パスウェイを維持しつつ、堅牢なPPG表現を学習するように設計されたECG誘導型クロスモーダル事前学習フレームワークを提案している。

• 研究デザインおよびコホート： 本研究では、OPPO Health Labの3つのコホート（計581,804人の参加者と740万件以上の記録）を利用した。

  1. 血管健康研究（VHS）： 事前学習（ラベルなし、同期されたECG-PPG）および教師ありファインチューニング（実年齢によるラベル付け）に使用される内部コホート。
  2. 外部PWVコホート： 外部検証および脈波伝播速度（PWV：動脈硬化）との関連分析に使用。
  3. 外部HBPMコホート： 外部検証および家庭血圧モニタリング（高血圧の有病率）との関連分析に使用。

• モデルアーキテクチャ：

  • エンコーダ： 両方のECGおよびPPG信号は、モダリティ固有の1D ResNet-18エンコーダによって処理される。PPG入力は4チャンネル（緑色光）を使用し、ECGは単一誘導を使用する。
  • 事前学習（SA-CLIP）： ラベルのないVHSデータに対して、2段階の事前学習戦略を採用している。
    1. 被験者認識自己教師あり学習（SA-SSL）： 同一被験者の信号の拡張されたビュー同士を引き寄せ、異なる被験者の信号同士を遠ざけるコントラスティブ学習を用いる。
    2. クロスモーダル・コントラスティブ・アライメント（CLIPスタイル）： 同一の時間窓における同期されたECGとPPGの表現を整列させる。ECGは「特権的モダリティ」として機能し、推論時にはECGを必要とすることなく、PPGエンコーダに心血管のリズムや拍動間ダイナミクスを転移させる。
  • ファインチューニング： 事前学習されたPPGエンコーダは、回帰ターゲットとして実年齢を用いてラベル付きVHSデータに対してファインチューニングされる。
  • 推論： デプロイされたモデルは、心臓年齢を予測するためにPPG入力のみに依存する。

• 集約戦略： 信号の変動性に対処するため、本研究では複数回の短期間の記録（3ヶ月間のウィンドウ内）を集約して被験者レベルの心臓年齢を評価しており、データ密度が高まることで安定性が向上することを観察している。

• ダウンストリーム解析： 「心臓年齢ギャップ（予測された心臓年齢と実年齢の差）」について、実年齢、性別、BMI、および家族歴を調整した上で、PWV残差および高血圧の有病率との関連を分析した。

主な結果

• 性能： ECG誘導型クロスモーダル事前学習（SA-CLIP）は、単一モダリティの自己教師あり学習（SA-SSL）と比較して、PPGのみの性能を大幅に向上させた。内部VHSコホートにおいて、SA-CLIP PPGのみのモデルは、被験者レベルの平均絶対誤差（MAE）4.951年（ピアソンのr = 0.734）を達成し、SA-SSL PPGモデル（MAE 5.223年、r = 0.687）を上回った。
• 外部検証： モデルは外部コホートに対して堅牢に汎化した：
  • PWVコホート： 被験者レベルのMAEは5.895年（r = 0.819）。
  • HBPMコホート： 被験者レベルのMAEは4.344年（r = 0.800）。
• 安定性： 繰り返しの記録を集約することで、被験者レベルの安定性が向上した。15回の記録を集約すると、単一記録の推定と比較して、MAEは4.949年に減少し、rは0.733に上昇した。
• 臨床的関連性：
  • 動脈硬化： 心臓年齢ギャップは、実年齢を調整した後もPWVと有意に関連していた（偏相関 = 0.2627, P < 0.001）。多変量回帰分析では、心臓年齢ギャップが1年増加するごとに、PWVが0.062 m/s**増加した。心血管老化が加速している参加者（ギャップ > 3年）は、老化が減速している参加者よりも、調整済みPWVが0.91 m/s**高かった。
  • 高血圧： HBPMコホートにおいて、調整された心臓年齢ギャップが高いことは、高血圧の有病率と独立して関連していた。ギャップの1標準偏差（SD）の増加につき、オッズ比（OR）は1.72（95% CI 1.49–1.99）であった。心臓年齢ギャップが最も高い第4四分位群の参加者は、最も低い群と比較して、ORが4.25であった。

意義と主張
本論文は、ウェアラブル信号の表現学習から心血管フェノタイプの検証に至るエンドツーエンドのエビデンス経路を確立したと主張している。その主な貢献は以下の通りである：

1. 手法的な革新： ECG誘導型のクロスモーダル事前学習がPPGの表現学習を強化できることを実証した。これにより、デプロイ時にはPPGのみを使用して高精度な心臓年齢推定が可能となる。これは、展開時のセンサー負担を増やすことなく、ECGを「特権的な」教師信号として活用するものである。
2. スケーラブルなデジタルバイオマーカー： スマートウォッチのPPG由来の心臓年齢ギャップが、実年齢とは独立して、動脈硬化および高血圧の層別化のためのスケーラブルなデジタルバイオマーカーとして機能することを検証した。
3. 実用的な有用性： ウェアラブルによる繰り返しの測定を集約することが、被験者レベルの推定の精度と安定性を大幅に向上させることを示し、実世界の環境における継続的なモニタリングの実現可能性を支持した。

著者らは、本研究を、日常生活の中で早期かつ無症状の心血管老化の兆候を特定するためのステップとして位置づけている。これは、従来の臨床測定よりもアクセスしやすいリスク層別化ツールを提供するものである。なお、対象となるデバイスの集団（主にアジア人、比較的若い世代）に関する制限事項、および高血圧に関する分析が横断的であるため因果推論はできない点についても言及している。