Capture record

  • Canonical URI: https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/
  • Source class: original research/first-party research communication(Google Research 官方研究部落格;連結論文為 Nature,DOI 10.1038/s41586-026-11336-3)。本記錄保留來源自己的系統描述、研究設計與結果口徑,status: draft。1
  • 原文標題: Detecting signs of hypertension using wearable sensors
  • 作者/出版者: Google Research(與 Beth Israel Deaconess Medical Center、Harvard Medical School 合作);部落格 acknowledgements 列出共同作者 Lawrence Cai、Jiang Wu、Mingwu Gao、Bhavna Daryani、Jonathan Wang、Utkarsh Khanna、Ho Ko、Anupam Pathak、Mark Malhotra、Shwetak Patel、Jacqueline B. Shreibati、Stephen P. Juraschek、Pramod Rudrapatna 與 Matthew Thompson。Nature 論文頁 citation_author 另含 Paolo Di Achille(第一作者)與 Ming-Zher Poh(末位)。12
  • 發布時間: Google Research canonical article 頁面標示 November 5, 2026;Nature 論文頁 citation_online_date=2026/11/05。12
  • 擷取時間: 2026-11-05T17:05+00:00(本輪)
  • Retrieval method: curl 直接 HTTP GET Google Research canonical article,再以 Python 標準函式庫解析 server-side rendered HTML 重建正文;另以直接 HTTP GET 讀取 Nature 論文頁之標題、作者列表、citation_online_date 與 abstract。全程未使用 browser、browser process 或 proxy。
  • HTTP metadata(Google Research): status 200、response Date: Thu, 05 Nov 2026 17:00:47 GMT、Content-Type: text/html; charset=utf-8、182,544 bytes、HTML payload SHA-256 e17bb433aa20342717f3cc88c4bdf3a09145fba10df955e615e372dbc590c827。
  • HTTP metadata(Nature 論文頁): 經 idp.nature.com cookie redirect 後 status 200、response Date: Thu, 05 Nov 2026 17:04:35 GMT、HTML payload SHA-256 57e929c99156f56de2beff42c40a1730b98baf01836181da2db22155ecff846c;只讀取頁面 metadata 與 abstract,未保存全文。
  • Saved payloads and SHA-256: 無外部 payload 入庫;只保存本 wrapper。frontmatter 的 sha256 是本檔 frontmatter 結束後 body 的 SHA-256,不代表可由 hash 重建未保存的外部內容。

Faithful summary

Google Research 介紹 AI-PPG-ACC-HTN:一個多模態 AI 系統,用消費級智慧手錶上既有的兩種被動感測訊號偵測高血壓跡象,全程不需要傳統臂帶(cuff)校準。1

問題與方法

  • 背景:高血壓影響全球超過十億人,超過一半患者不自知;18–44 歲年輕族群漏診會延誤早期干預並增加中風、心衰竭等長期心血管風險。既有商用無臂帶方案通常需定期以臂帶校準,只能追蹤相對變化而非絕對高血壓狀態。1
  • 感測訊號:PPG(光體積脈搏圖,腕部血容量/脈波輪廓)與 ACC(加速度計,辨識靜止時段並捕捉 ballistocardiogram BCG——心臟射血造成腕部微振動)。1
  • 系統不估計單點收縮壓/舒張壓,而是把問題重構為「辨識個體持續性高血壓狀態」:跨多天聚合被動生理訊號。1
  • 兩階段 ML:Stage 1 以 self-supervised contrastive learning 訓練 1-D deep CNN waveform encoder,在 492,347 小時、2,109 名同意參與者的未標註感測資料上學習,把同一人重疊的 15 秒 PPG/ACC 波形在 latent space 拉近;Stage 2 把 15 秒 feature blocks 跨多天 mean-aggregate 成 person-level embedding(洗掉瞬時噪音),再結合使用者身高(arterial path length proxy)送入 regularized logistic regression,輸出連續高血壓機率分數。1

驗證設計與結果(來源口徑)

  • 前瞻性、多中心臨床研究:美國五個站點、196 名同意參與者,皆無已知心血管疾病且未服用血壓藥物;以 24 小時 ambulatory blood pressure monitoring(ABPM)為臨床 gold standard 對照。Nature abstract 補充為七天 real-world monitoring。12
  • Scenario 1(initial screening): AI-PPG-ACC-HTN sensitivity 65.8%、specificity 90.0%、PPV 80.6%;對照的 office-based initial screening 為 sensitivity 55.3%、PPV 77.8%。Nature abstract 同向支持並給出 95% CI:AI-PPG-ACC-HTN 65.8%(54.0–76.3)/90.0%(83.2–94.7)/80.6%(68.6–89.6),office screening 55.3%(43.4–66.7)/90.0%(83.2–94.7)/77.8%(64.4–88.0)。12
  • Scenario 2(confirmatory testing): 在初篩 office BP 升高的子集(N=48)中,AI-PPG-ACC-HTN sensitivity 78.4%、specificity 90.9%、PPV 96.7%;對照 return-office BP measurements 為 67.6%/63.6%/86.2%,multi-day home monitoring 為 89.2%/81.8%/94.3%。此組數字只出現在部落格文章,Nature abstract 未涵蓋(論文全文本輪未讀取)。1
  • Model interpretability: 比較最高與最低預測機率群組的平均脈波——高風險波形脈寬較窄、systolic upstroke 較慢且 d/a ratio 較低;BCG 訊號在高風險使用者呈現更深 K waves 與更寬 IJK complexes。1
  • 定位: 手錶篩檢不取代標準臨床臂帶或單獨確診,而是可擴展的 opportunistic screening 工具;屬早期可行性研究、方法 purely exploratory,不代表既有或即將推出的商業產品功能。這些研究結果也影響了 Google Health app 的 blood pressure trends(Health Guardian)功能。1

Claim ledger

IDSource claimStatusOwning evidence and boundary
C01Google Research 於 2026-11-05 發布〈Detecting signs of hypertension using wearable sensors〉,與 Beth Israel Deaconess Medical Center、Harvard Medical School 合作。supportedcanonical article 頁面日期與 acknowledgements 直接支持;Nature 頁 citation_online_date=2026/11/05 同向支持。12
C02AI-PPG-ACC-HTN 用消費級手錶 PPG+ACC 訊號、無需 cuff 校準,即可偵測高血壓跡象。supportedGoogle Research 文章直接描述;Nature abstract 獨立同向支持(「without any cuff calibration」)。12
C03Stage 1 encoder 以 self-supervised contrastive learning 在 492,347 小時、2,109 名參與者未標註資料上訓練;Stage 2 以 person-level mean-aggregation+身高輸入 regularized logistic regression。supported(第一方口徑)Google Research 文章直接描述方法與規模;本輪未讀取論文全文核對完整 hyperparameter、train/test split 或代碼,維持來源歸屬。1
C04驗證為前瞻性多中心研究:美國五站點、196 名無已知心血管疾病且未服血壓藥的參與者,以 24h ABPM 為 gold standard。supportedGoogle Research 文章直接描述;Nature abstract 同向支持(prospective, multicenter study of 196 diverse participants)。12
C05Scenario 1:AI-PPG-ACC-HTN sensitivity 65.8%、specificity 90.0%、PPV 80.6%;office screening 為 55.3%/(specificity 未列)/77.8%。supportedGoogle Research 文章與 Nature abstract 雙源一致,Nature 另給 95% CI;樣本為 C04 之 cohort、七天 real-world monitoring,不等同一般族群或長期追蹤效果。12
C06Scenario 2(N=48 初篩陽性子集):AI-PPG-ACC-HTN sensitivity 78.4%、specificity 90.9%、PPV 96.7%;return-office BP 為 67.6%/63.6%/86.2%;multi-day home monitoring 為 89.2%/81.8%/94.3%。partially-supported只出現在 Google Research 部落格文章(第一方口徑);Nature abstract 未涵蓋此 scenario,論文全文本輪未讀取以核對分母與 CI,維持來源歸屬。1
C07高預測機率群組脈波較窄、systolic upstroke 較慢、d/a ratio 較低;BCG 呈現更深 K waves 與更寬 IJK complexes。partially-supportedGoogle Research 文章以波形視覺化報告的觀察性描述(observational),非因果或診斷標記證據;本輪未讀取論文全文核對統計檢定。1
C08研究結果影響了 Google Health app 的 blood pressure trends(Health Guardian)功能。partially-supportedGoogle Research 文章第一方陳述;本輪未操作產品或讀取官方功能說明核對實際行為,維持來源歸屬。1
C09手錶篩檢可取代標準臂帶、單獨確診高血壓,或已具臨床部署證據。unresolved/contradicted(來源自我限定)來源明確表示不取代標準臂帶、非 standalone diagnosis、屬早期可行性與 exploratory 方法;196 人單族群樣本不支持跨族群、長期或部署層級結論。1

Evidence boundary

本記錄支持的最小結論是:Google Research(與 BIDMC、Harvard Medical School 合作)於 2026-11-05 發布 AI-PPG-ACC-HTN,以手錶 PPG+ACC 被動訊號、無需 cuff 校準偵測高血壓跡象;在 196 名參與者、以 24h ABPM 為 gold standard 的前瞻性多中心研究中,initial screening 的 sensitivity/specificity/PPV 為 65.8%/90.0%/80.6%,與 office-based screening(55.3%/—/77.8%)相比 specificity 相同、sensitivity 與 PPV 較高;confirmatory scenario(N=48)數字維持部落格第一方口徑。所有量化數字保留 Google Research/Nature 第一方邊界,不構成臨床診斷核准或跨族群外推。12

本輪未讀取 Nature 論文全文(只讀頁面 metadata 與 abstract)、未取得完整統計表、CI 之外細節或代碼,因此 Scenario 2 數字、interpretability 觀察與 Google Health app 功能維持 partially-supported;未加入 verified。12

Rights boundary

僅保存 metadata、繁中 faithful summary、claim ledger、證據界線與來源連結;未保存 Google Research HTML、Nature HTML 或圖片 payload。文章與論文仍受其版權、授權條款與出版商政策約束;canonical links 是後續查核入口,來源讀取不等於取得重製、下載或使用授權。

Footnotes

  1. Google Research,〈Detecting signs of hypertension using wearable sensors〉,2026-11-05;https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11 ↩12 ↩13 ↩14 ↩15 ↩16 ↩17 ↩18 ↩19 ↩20 ↩21 ↩22 ↩23 ↩24

  2. Di Achille, P., Cai, L., Wu, J. 等,〈Opportunistically Detecting Signs of Hypertension on a Consumer Smartwatch〉,Nature(online 2026/11/05),DOI 10.1038/s41586-026-11336-3;https://www.nature.com/articles/s41586-026-11336-3。本輪只讀取頁面 metadata 與 abstract,未讀全文。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10