Smartwatch Photoplethysmography-Derived Heart Age via ECG-Guided Cross-Modal Pretraining as a Digital Biomarker of Vascular Aging
本研究引入了一种心电图（ECG）引导的跨模态预训练框架，使智能手表的光电容积脉搏波（PPG）能够准确估算心脏年龄，证明了其作为一种可扩展的数字生物标志物，在大型队列中对动脉硬化和普遍高血压进行分层方面的有效性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你的身体里有一个秘密的“生物钟”，它的滴答声速度与墙上的日历并不一致。虽然你的历法年龄计算的是自出生以来的年数，但你的“心脏年龄”衡量的是你的心血管系统实际感觉有多疲惫或多新鲜。把你的动脉想象成花园里的水管：随着时间的推移，它们可能会变得僵硬且具有橡胶感，使得水流（血液）难以顺畅流动。这种僵硬是未来心脏问题的重大预警信号，但通常在你察觉到之前，你无法感觉到它的发生。科学家们长期以来一直试图使用医院里笨重的大型机器来测量这种“水管僵硬度”，但如果你的智能手表也能做到这一点呢？这就是这项研究试图解决的核心问题：一个通常只用来计步或监测心跳的腕间微型传感器，真的能告诉我们血管是否正在过快地老化吗？
这篇论文就像是一个高科技侦探故事，研究人员通过在训练期间给出一个“参考指南”，教会智能手表成为一名更优秀的侦探。由北京大学和OPPO健康实验室科学家领导的团队开发了一种仅使用大多数智能手表中自带的光学脉搏传感器（称为光电容积脉搏波，即PPG）来估算“心脏年龄”的新方法。这里有一个巧妙的技巧：他们使用一种特殊的“跨模态”方法来训练他们的计算机模型。想象一下，你正在教一名学生仅通过看乐谱（ECG）来识别一首歌，但你希望他们最终能仅通过听旋律（PPG）来识别这首歌。在训练阶段，模型同时聆听着乐谱和旋律，学习它们是如何匹配的。这有助于模型理解心脏的电信号节奏与穿梭于动脉中的脉搏波之间的深层联系。一旦模型变得足够聪明，他们就丢弃了乐谱，仅使用“旋律”（PPP信号）对其进行测试，就像在现实世界中真正的智能手表所做的那样。
结果表明，这种“ECG引导”的训练效果显著。当他们在数千人身上进行测试时，该模型能以惊人的准确度预测一个人的心脏年龄。在一组研究人员同时也测量了实际动脉僵硬度（使用被称为“金标准”的脉搏波传导速度，即PWV）的人群中，模型的“心脏年龄差距”（即预测的心脏年龄与实际年龄之间的差值）与他们的动脉僵硬程度密切相关。具体而言，心脏年龄每比历法年龄高出一岁，动脉僵硬度就会增加0.062 m/s。那些拥有“加速心脏老化”（心脏年龄差距超过3岁）的人，其动脉比那些拥有“减速”（更年轻）心脏的人要僵硬0.91 m/s。
研究还发现，你检测脉搏的次数越多，猜测就越准确。就像多次拍摄照片并取平均值以获得更清晰的图像一样，研究人员发现，在短时间内聚合多次重复的记录（最多15次）可以使心脏年龄的估算更加稳定和准确。在另一组居家监测血压的人群中，较高的“心脏年龄差距”与患高血压的可能性强相关。例如，处于心脏年龄差距最高组的人患高血压的可能性是最低组的4.25倍。
然而，作者们谨慎地表示，不要将其称为万能灵药。他们强调，该模型暗示了这些联系，但并未证明智能手表的读数会“导致”心脏病，也无法取代医生的诊疗。该研究依赖于特定人群的数据（主要是亚洲人且相对较年轻），因此结果可能需要在更年长或更多样化的人群中进行更多测试。此外，由于该模型是以历法年龄作为目标进行训练的，所以“心脏年龄”实际上是衡量你的脉搏信号相对于你同龄人平均水平的偏差程度，而不是对生物学“真相”的直接测量。尽管如此，这项工作表明，一种简单、低负担的智能手表检查，可能成为发现血管老化早期迹象的强大工具，将你的手腕变成观察心脏健康的窗口。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。