Depistarea semnelor de hipertensiune arterială cu ajutorul senzorilor purtabili

Supranumită adesea „ucigașul tăcut”, hipertensiunea arterială (HTA) se manifestă rar prin simptome evidente în stadiile incipiente, fiind descoperită de cele mai multe ori întâmplător, în timpul unui control medical de rutină. Această lipsă de conștientizare este deosebit de pronunțată în rândul adulților tineri, cu vârste cuprinse între 18 și 44 de ani, unde întârzierea diagnosticului amână intervențiile timpurii și crește semnificativ riscul pe termen lung de evenimente cardiovasculare majore, precum accidentul vascular cerebral sau insuficiența cardiacă.

Măsurarea tensiunii arteriale în cabinetul medical reprezintă principala poartă de screening inițial. În ultimii ani, dispozitivele purtabile fără manșetă au apărut ca o alternativă promițătoare pentru a completa controalele periodice. Cu toate acestea, soluțiile comerciale actuale necesită calibrări regulate cu un tensiometru clasic cu manșetă. Practic, acestea urmăresc doar variațiile relative față de o valoare de referință măsurată anterior cu manșeta, fără a putea identifica în mod independent o stare hipertensivă absolută.

Conform raportului publicat pe 5 noiembrie 2026 de către Paolo Di Achille (Staff Research Scientist) și Ming-Zher Poh (Senior Staff Research Scientist) din cadrul Google Research, echipa a reușit să depășească această limitare. Noul sistem multimodal de inteligență artificială, denumit AI-PPG-ACC-HTN, identifică pasiv semnele hipertensiunii direct de la încheietura mâinii, fără nicio calibrare prealabilă. Validat în raport cu standardul de aur din cardiologie, respectiv monitorizarea ambulatorie a tensiunii arteriale pe 24 de ore (ABPM sau Holter TA), sistemul atinge o acuratețe comparabilă cu fluxurile clasice de diagnostic bazate pe manșetă. Aceste descoperiri științifice au stat deja la baza dezvoltării funcției Health Guardian pentru urmărirea tendințelor tensiunii arteriale în aplicația Google Health.

Cum funcționează tehnologia: Analiza stării de fond în locul valorilor izolate

În loc să încerce să estimeze valorile exacte, de moment, ale tensiunii sistolice și diastolice, valori care sunt extrem de sensibile la factori trecători din mediul înconjurător (mișcare, stres de moment sau schimbări de temperatură), sistemul Google Research abordează problema dintr-un unghi diferit. Algoritmul se concentrează pe identificarea stării hipertensive persistente a unei persoane, agregând semnăturile fiziologice colectate pasiv pe parcursul mai multor zile.

Sistemul folosește datele provenite de la doi senzori care sunt deja activi pe ceasurile inteligente moderne:

• Fotopletismografia (PPG): Un senzor optic care urmărește modificările volumului de sânge de la nivelul încheieturii mâinii, măsurând lumina reflectată pentru a capta conturul undei de puls.

• Accelerometria (ACC): Un senzor de mișcare care identifică perioadele de repaus și captează balistocardiograma (BCG), adică micro-vibrațiile fizice subtile ale încheieturii produse de ejecția mecanică a sângelui din inimă în aortă.

Arhitectura sistemului se bazează pe un proces de învățare automată (machine learning) structurat în două etape:

1. Etapa 1: Pre-antrenarea auto-supervizată (codificatorul formelor de undă): Cercetătorii au antrenat o rețea neuronală convoluțională profundă unidimensională (1-D) folosind învățarea contrastivă auto-supervizată. Analizând un volum masiv de 492.347 de ore de date neetichetate de la 2.109 participanți care și-au oferit consimțământul, modelul a învățat să asocieze segmentele suprapuse de 15 secunde de semnale PPG și ACC provenite de la aceeași persoană. Astfel, algoritmul a descoperit autonom trăsături fiziologice complexe ale funcției vasculare și cardiace mecanice, fără a avea nevoie de etichetări medicale manuale.

2. Etapa 2: Agregarea la nivel de persoană și clasificarea: Pentru fiecare utilizator, aceste blocuri de date de câte 15 secunde sunt agregate ca medie pe parcursul mai multor zile de purtare a ceasului, eliminând zgomotul de fond cauzat de mișcările bruște sau variațiile termice. În final, profilul agregat al persoanei este combinat cu înălțimea sa (care servește drept indicator fiabil pentru lungimea traseului arterial) și este introdus într-un clasificator de regresie logistică pentru a calcula un scor continuu de probabilitate pentru hipertensiune.

Validarea clinică riguroasă în raport cu monitorizarea Holter TA pe 24 de ore

Pentru a evalua performanța sistemului în condiții clinice reale, echipa a desfășurat un studiu clinic prospectiv, în cinci centre medicale din Statele Unite, implicând 196 de participanți diverși, fără boli cardiovasculare cunoscute și care nu urmau tratament medicamentos pentru tensiunea arterială.

Performanța ceasului inteligent a fost comparată direct cu monitorizarea ambulatorie a tensiunii arteriale pe 24 de ore (ABPM), considerată standardul de aur clinic pentru diagnosticarea hipertensiunii. Evaluarea a urmărit două scenarii medicale distincte: screeningul inițial și testarea de confirmare.

• Scenariul 1: Screeningul inițial. Ceasul inteligent a atins o sensibilitate moderată de 65,8% și o specificitate ridicată de 90,0%, ceea ce s-a tradus printr-o valoare predictivă pozitivă (PPV) ridicată, de 80,6%. Spre comparație, măsurătorile inițiale efectuate în cabinetul medical au arătat o sensibilitate mai redusă, de 55,3%, și o valoare predictivă pozitivă de 77,8% atunci când au fost raportate la standardul de aur ABPM.

• Scenariul 2: Testarea de confirmare. Pentru pacienții care prezintă valori crescute ale tensiunii la o primă vizită în clinică, ghidurile medicale actuale recomandă monitorizarea în afara cabinetului pentru confirmarea diagnosticului. Analizând subgrupul de participanți (48 de persoane) care au avut tensiunea crescută la evaluarea inițială din cabinet, sistemul multimodal de pe smartwatch a confirmat hipertensiunea susținută cu o sensibilitate de 78,4%, o specificitate de 90,9% și o valoare predictivă pozitivă de 96,7%. În comparație, măsurătorile repetate în cabinetul medical au înregistrat o sensibilitate de 67,6%, o specificitate de 63,6% și un PPV de 86,2%. Mai mult, abordarea prin smartwatch s-a dovedit competitivă și față de monitorizarea la domiciliu pe parcursul mai multor zile cu tensiometrul clasic, care a oferit o sensibilitate de 89,2%, o specificitate de 81,8% și un PPV de 94,3%.

Privite în ansamblu, aceste rezultate demonstrează că sistemul bazat pe inteligență artificială poate depista semnele de hipertensiune la un nivel de acuratețe comparabil cu dispozitivele tradiționale cu manșetă utilizate în practica medicală curentă.

Ce „vede” inteligența artificială: Interpretarea semnalelor vasculare și cardiace

Pentru a înțelege exact la ce detalii fiziologice este atent modelul AI, cercetătorii au vizualizat și comparat formele medii ale undelor de puls de la utilizatorii cu cele mai mari, respectiv cele mai mici probabilități estimate de hipertensiune. Analiza a scos la iveală trei diferențe fizice clare:

• Lățimea redusă a undei de puls: Formele de undă asociate cu un risc ridicat de hipertensiune au prezentat o lățime ușor mai îngustă, ceea ce indică o modificare mai mică a volumului de sânge și poate sugera artere mai rigide, cu o capacitate redusă de dilatare.

• Reflexia undei de puls: Scorurile mari de risc calculate de AI s-au corelat cu o pantă ascendentă sistolică mai lentă (impulsul inițial al sângelui) și cu un raport d/a mai scăzut pe a doua derivată a fotopletismogramei. Acest indicator măsoară raportul dintre unda de puls inițială care avansează și unda reflectată care se întoarce din rețeaua vasculară a corpului.

• Vibrațiile mecanice ale inimii: Accelerometrul ceasului a captat cu succes semnalul balistocardiografic (BCG). La utilizatorii cu probabilitate ridicată de hipertensiune, cercetătorii au observat modulații fizice distincte în aceste micro-vibrații, mai exact „unde K” mai adânci și „complexe IJK” mai largi.

Rolul în medicina preventivă și colaborarea științifică

Autorii subliniază că screeningul hipertensiunii prin intermediul ceasului inteligent nu are rolul de a înlocui tensiometrele clinice cu manșetă și nici de a oferi un diagnostic medical definitiv de sine stătător. Această lucrare reprezintă o cercetare de fezabilitate timpurie, cu metodologii exploratorii, care demonstrează însă potențialul unui instrument pasiv și scalabil la scară largă. Prin atenționarea timpurie a persoanelor cu risc și îndrumarea lor către un cabinet medical pentru o evaluare formală, tehnologia poate reduce decalajul global de diagnosticare și poate surprinde hipertensiunea înainte ca aceasta să provoace leziuni cardiovasculare ireversibile.

Studiul reprezintă un efort colaborativ între Google Research, Beth Israel Deaconess Medical Center și Harvard Medical School, avându-i drept co-autori pe 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 și Matthew Thompson, alături de contribuțiile esențiale ale echipei extinse formate din Jennifer Block, Anu Gabbita, Sushalini Sunku, Keerthana Natarajan, Alexandros Pantelopoulos, Tuan Phan, Tracy Giest și Florence Thng.

• Sursa informațiilor și detalii suplimentare: Articolul original „Detecting signs of hypertension using wearable sensors”, semnat de Paolo Di Achille și Ming-Zher Poh, precum și trimiterea către lucrarea științifică publicată în jurnalul Nature, pot fi consultate pe blogul oficial Google Research.