Discovering wearable sensor-derived temporal digital phenotypes and their association with hypertensive disorders in pregnancy
本研究表明，通过可穿戴传感器获取的、由机器学习衍生的数字表型（具体表现为向低体力活动、睡眠质量下降及自主神经变异性降低的转变），能够有效预测随后的妊娠期高血压疾病，为常规产前护理提供了一种具有前景的补充手段。
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
怀孕是一个生理发生深刻变化的时期，然而标准的医疗检查仅能提供这种转变中转瞬即逝的一瞥。医生会测量血压并询问患者的感觉，但这些快照往往间隔数周发生，经常遗漏了在就诊之间发生的那些细微且持续的变化。对于像妊娠期高血压疾病这类涉及血压危险飙升并可能导致母婴严重并发症的情况，这种观察上的空白是一个关键问题。科学家们长期以来一直怀疑，在危机发生之前，身体会通过日常习惯和内部节律的变化发出早期预警信号。新兴的数字表型组学（digital phenotyping）领域旨在捕捉这些连续的信号，利用来自日常可穿戴设备的日常数据流来构建一幅动态的健康图景。这种方法不再依赖于某一特定时刻的测量，而是寻找一个人在运动、睡眠以及心率变异性（衡量心跳间时间变化程度的指标，反映了神经系统适应能力的一种度量）方面随数日或数周呈现出的模式，希望能捕捉到向疾病偏移的早期征兆。
在一项新的研究中，约翰斯·霍普金斯大学的研究人员探讨了这些连续的数据流是否能揭示出能够预测高血压疾病的特定且具有解释性的健康模式。他们转向了“全人类”（All of Us）研究计划中的一大群参与者，这些孕妇佩戴了 Fitbit 设备，且其医疗记录可供查阅。团队重点关注了三个核心领域：体力活动、睡眠和脉搏率变异性（即心跳间的时间变化程度，反映了神经系统的适应能力）。研究人员并没有仅仅观察原始数字，而是使用了一种复杂的计算机模型，将成千上万个两周的数据窗口归类为不同的簇（clusters）。他们将每个两周窗口视为一个单一的时间单位，分析了每个孕期结束前及产后期间的数据，以观察身体的节律是否发生了偏移。
该模型成功识别出了针对这三个领域的不同“数字表型”，即行为和生理特征谱。对于体力活动，数据被分为三组：一组以高运动量和低久坐时间为特征，一组处于中间状态，第三组则定义为低活动量和高久坐时间。睡眠模式分为两大类：一组睡眠时间较长，且拥有更多恢复性的深层睡眠和快速眼动睡眠；另一组睡眠时间较短，且有更多清醒或不安的时间。同样地，脉搏率变异性将参与者分为两类：一类具有较高的变异性，表明其神经系统更具灵活性；另一类则具有较低的变异性。这些聚类并非随机产生的，它们代表了参与者生活方式和身体功能中真实且可衡量的差异。
当研究人员追踪参与者如何随着时间的推移在这些组别之间移动时，最重要的发现出现了。他们发现，如果一个人的生理特征随着怀孕进程而恶化，其患高血压疾病的风险就会增加。具体而言，如果一名女性从高度活跃的状态转变为低活跃状态，或者从恢复性睡眠转变为碎片化睡眠，她出现高血压并发症的概率就会上升。这些转变在第二和第三孕期之间，以及进入产后阶段时表现得最为显著。数据表明，身体随时间推移而丧失稳定性，比临床就诊时的单次测量更能作为预警信号。此外，对于在所有三个领域同时表现出衰退迹象的人群，其风险最高，这表明这类疾病源于广泛的多系统崩溃，而非单一的孤立问题。
为了确保这些发现并非仅限于第一组特定的设备或人群，团队在华盛大学的一个独立群体上测试了其活动模型。尽管第二组使用了不同的设备并遵循了不同的方案，计算机模型仍然清晰地识别出了相同的三个活动簇。模式依然成立，且模型区分不同活动水平的能力保持强劲。这种外部验证提供了信心，证明这些健康的数字签名是稳健的，并且有可能在不同的人群和传感技术中被识别出来。
研究还观察了在两个周期的窗口内，哪些天数最为关键。对于体力活动和睡眠，计算机模型对每个窗口内的最后几天给予了最多的关注，这表明行为上的短期变化往往发生在临床诊断之前。相比之下，模型在处理脉搏率变异性时则考察了整个两周的时段，这表明神经系统的变化是一个更缓慢、更具累积性的过程。这些见解有助于解释身体是如何发出求救信号的：运动量的突然下降或几晚糟糕的睡眠可能是高血压事件的直接前兆，而潜在的自主神经变化则是逐渐积累的过程。
虽然这项研究为看待孕期健康提供了一种极具前景的新视角，但作者也谨慎地指出了其局限性。参与者是一个特定的群体，他们同意佩戴设备并分享数据，这可能无法代表所有的孕妇。此外，该研究是回顾性的，这意味着研究人员是在查看已经收集到的数据，而不是进行实时测试以预防并发症。另外，脉搏数据来自于腕部传感器，其精确度低于医疗级心率监测仪。尽管存在这些限制，这项工作仍证明了连续监测可以揭示隐藏的风险模式。它表明，未来产前护理的愿景可能不仅仅是定期的定期检查，而是一个持续的、被动的、能够标记出患者日常节律何时开始偏离健康常态的信息流，从而为早期干预提供机会。
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。