谷歌用AI让PixelWatch3筛查血压异常，不输出数值仅提示风险

智能手表能否测血压？近期，谷歌研究团队在《自然》期刊发表的一项研究给出了一个新答案：不直接测量血压值，而是利用现有传感器+AI模型，筛查用户是否存在血压异常风险。这项技术的核心思路是“旧设备新功能”——无需为手表加装气囊或新硬件，仅依靠Pixel Watch 3已有的光学传感器（PPG）与三轴加速度计，持续收集脉搏波形与心冲击信号（ballistocardiogram），再通过深度学习模型推断个体血压异常概率。

该研究共纳入2109名参与者，要求每人每月连续佩戴设备5天、每日8小时，累计收集492,347小时的生理数据。模型训练分为两步：首先进行无监督预训练，使AI能识别同一人的多段数据；随后结合个体身高与多日平均生理指标，输出“血压异常概率”。值得注意的是，系统并不提供收缩压或舒张压的具体数值，而是在概率超过阈值时向用户发出提醒：“建议就医进一步检查”。

这一设计逻辑源于临床现实：约50%的高血压患者无明显症状，尤其在18–44岁人群中，血压问题常被忽视。传统诊室单次测量易漏检临界状态人群，而家庭袖带式血压计虽可多次测量，但依赖用户主动操作，依从性低。相比之下，智能手表的“无感连续监测”优势明显——用户只需正常佩戴，即可完成数据采集。

然而，技术有效性需放在具体场景中评估。根据论文附表数据，在初始筛查阶段（196人样本），手表现有AI模型的灵敏度达65.8%，特异性为90.0%，阳性预测值（PPV）为80.6%，优于人口学模型（34.2%灵敏度）和常规诊室血压测量（55.3%灵敏度）。但在确认性检测环节（48名已知血压偏高者），多日家庭袖带监测的特异性（89.2%）与PPV（94.3%）反超手表AI方案，尽管后者误诊率更低。

这意味着：AI模型更适合做“初筛工具”，而非诊断依据。美国心脏学会（AHA）明确反对将无袖带设备用于临床诊断或治疗决策，因其信号易受运动、皮肤色素、佩戴松紧等因素干扰。谷歌团队也坦承，当前研究存在样本代表性不足、缺乏真实世界长期随访等局限，尚处于验证阶段。

横向对比，苹果Apple Watch已在2025年9月推出“高血压通知功能”（Hypertension Notification Feature, HTNF），并于同年获FDA批准，目前仅在美国可用。其技术路径与谷歌高度相似：同样依赖多日PPG数据+AI建模，同样不输出血压数值，同样强调高特异性以避免误诊。区别在于，苹果方案整合了更多用户行为变量（如睡眠质量、活动水平），且已进入实际产品部署阶段；而谷歌方案目前仅限Pixel Watch 3及后续型号，尚未集成至任何商用产品。

值得指出的是，此类AI健康功能的落地，不仅取决于算法精度，更受制于监管框架。在中国市场，尚未有类似功能获批上市。国家药监局对“医疗级”健康监测设备审批严格，要求提供临床等效性证据与长期安全性数据。因此，即便技术可行，从论文到产品仍需数年时间。

从行业趋势看，可穿戴设备正从“数据记录仪”转向“风险预警器”。过去几年，心电图（ECG）、房颤筛查等功能已逐步成熟；血压作为心血管核心指标，其无创连续监测被视为下一个关键突破口。多家厂商正探索不同路径：华为尝试融合PPG与超声传感，三星测试微型气囊腕带，而谷歌与苹果则选择纯软件升级路线——这背后是对用户接受度与成本控制的权衡。

纯软件方案的最大价值在于降低门槛：旧款设备通过OTA更新即可获得新能力，无需用户额外支出。但这也带来新问题：若大量用户收到“血压异常”提示却无法及时就医，可能引发焦虑或资源挤兑。因此，理想路径应是“AI初筛+分级干预”——例如，系统在提示风险的同时，自动推送附近社区医院预约通道，或联动家庭医生平台生成初步评估报告。

目前，谷歌研究尚未开放第三方设备支持，Fitbit手环及其他品牌手表暂无法使用该模型。未来是否扩展兼容性，取决于数据隐私政策、传感器一致性校准及监管许可进展。短期内，该技术更可能作为健康管理服务的一部分嵌入Google Health Connect生态，而非独立功能上线。

技术演进从来不是一蹴而就。当AI开始处理生理信号这类高噪声、低信噪比的数据时，它所扮演的角色不是替代医生，而是延伸人类感知的边界——在症状显现前捕捉微弱信号，在日常生活中织就一张隐形的健康防护网。这张网是否足够密实，还需时间与真实世界的检验。