可穿戴设备与机器学习在心血管监测中的应用:精准医学的当前证据与未来方向
摘要
心血管疾病仍是全球首要的健康挑战,每年夺走约1980万人的生命。可穿戴技术与人工智能的融合代表着心血管医疗保健的一次变革性转变,使连续实时监测得以超越传统临床环境。本叙述性综述综合了当前关于将消费级与医疗级可穿戴设备与人工智能算法相结合用于连续心血管监测应用的证据,并特别关注现实世界的转化适用性与全球健康公平。本综述考察了可穿戴心血管监测设备的技术图景,包括具备光电容积脉搏波(PPG)与心电图功能的智能手表、连续心脏监测贴片以及新兴生物传感器技术。同时,本综述探讨了用于处理这些设备所产生的复杂生理数据流的人工智能方法,尤其是机器学习与深度学习架构。临床应用展现出令人印象深刻的能力:心律失常检测灵敏度超过98%、通过无袖带技术实现连续血压监测、心力衰竭失代偿预测以及心血管风险分层。然而,重大挑战依然存在,包括数据质量保证、算法可解释性、监管合规以及临床工作流程的无缝整合。隐私担忧、算法性能中的健康差异,以及需要在多样化人群中开展稳健验证,仍是关键的考量因素。人工智能增强的可穿戴系统在将心血管照护从被动的治疗范式转向预测性、预防性与精准医学方法方面具有相当大的潜力。未来方向包括边缘计算架构、联邦学习方法、个性化人工智能模型、与电子健康记录增强的互操作性,以及向资源有限环境的扩展,最终在降低医疗成本的同时改善患者结局。
关键词: 可穿戴设备;人工智能;心血管监测;机器学习;数字健康;边缘计算;健康公平
1. 引言
心血管疾病构成全球最重大的健康负担,导致全球近三分之一的死亡,并且是所有人口群体中的首要死因。世界卫生组织报告称,心血管疾病每年造成约1980万例死亡(2022年估计值,约占全球全部死亡的32%),其中冠心病与卒中占大多数病例。这一惊人的死亡率,加之巨大的经济负担——仅欧盟每年估计就超过2820亿欧元——凸显了迫切需要超越传统医疗服务提供模式的创新方法来预防、早期发现和管理心血管疾病。
传统的心血管监测范式主要依赖于偶发的临床接触,通常发生在预约就诊或急诊就诊期间。这种方法在捕捉心血管生理的动态特性方面存在根本性局限,尤其是短暂的心律失常事件、无症状发作以及心力衰竭等慢性疾病的逐渐进展。动态监测方案,包括24至48小时动态心电图(Holter)监测与事件记录器,虽然有价值,但只能提供心脏功能的短暂快照,且常常无法检出罕见但具有临床意义的异常。
可穿戴技术的出现从根本上改变了健康监测的格局,为在自然情境中进行连续、实时生理监测提供了前所未有的机会。现代可穿戴设备,从消费级智能手表到医疗级心脏贴片,集成了能够采集高保真心血管信号的复杂传感器阵列,包括心电图、光电容积脉搏波、加速度计以及新兴生物传感器模态。这些设备产生连续的生理数据流,提供对日常活动、睡眠周期及各种生理状态期间心血管功能的全面洞察,而这些信息此前通过传统监测方法无法获取。
人工智能,尤其是机器学习与深度学习方法,已成为从可穿戴设备产生的大量数据中提取有意义临床洞察的关键使能因素。先进的人工智能算法能够实时处理复杂的多维生理信号,识别可能提示正在发展中的心血管病理的细微模式与异常。在选定的诊断任务与受控验证环境中,这些计算方法已取得与专家判读相当、有时甚至超越专家的性能;然而,此类结果高度依赖于数据集质量、验证设计、设备类型、研究人群与临床背景,因此应予以适当谨慎的解读。因此,人工智能与可穿戴技术的整合代表着技术创新与临床需求的汇聚。
已有若干叙述性综述探讨了人工智能增强的可穿戴心血管监测的各个方面;然而,大多数主要聚焦于算法性能指标或孤立地讨论特定设备类别。本综述的特色在于提供一种整合的、多维度的评估,涵盖技术性能、临床验证层级、全球监管框架、现实世界实施障碍、边缘计算潜力以及健康公平考量。关键在于,本综述突出强调实验室验证技术与现实世界部署之间的转化鸿沟,并为弥合这一鸿沟提供具体建议。鉴于心血管疾病在低收入与中等收入国家以及族裔多样化人群中不成比例的负担,本综述还探讨了算法开发与验证中的全球地理与族裔差异,而这一方面在现有文献中仍显不足。
尽管人工智能增强的可穿戴心血管监测系统展现出显著潜力,但将这些技术能力转化为临床实践仍存在相当大的挑战。问题不仅在于技术局限,还在于数据质量、算法验证、监管框架、临床整合与医疗经济学之间复杂的相互作用。本综述的立论依据在于:需要综合当前证据、识别关键挑战,并为这一快速演进领域的未来发展确立路线图。本综述的新颖性在于其从技术与临床双重视角进行整合考察,对当前能力与未来潜力作出平衡评估。目的是对人工智能增强的可穿戴心血管监测进行详尽分析,具体目标包括:(1)评估当前可穿戴设备技术及其心血管监测能力;(2)考察用于心血管数据分析的人工智能方法;(3)评估临床应用与验证证据;(4)识别当前的局限与挑战;(5)考察美国与欧盟背景之外的全球监管图景;(6)探讨算法开发中的地理与族裔公平;(7)提出研究与临床实施的未来方向。
2. 方法
2.1. 检索策略与数据来源
本叙述性综述采用全面的文献检索策略,以识别关于可穿戴设备与人工智能整合用于心血管监测的相关研究。系统检索了多个电子数据库,包括PubMed/MEDLINE、Embase、IEEE Xplore数字图书馆、Cochrane图书馆与Web of Science核心合集。检索时间从各数据库建库起至2026年1月,以捕捉这一快速演进领域的最新证据。
检索策略结合了医学主题词(MeSH)与自由文本关键词,涉及三个主要概念领域:(1)可穿戴设备与传感器;(2)人工智能与机器学习;(3)心血管监测与疾病。关键检索词包括:"wearable device*""smartwatch*""fitness tracker*""biosensor*""artificial intelligence""machine learning""deep learning""cardiovascular monitoring""heart rate variability""arrhythmia detection""atrial fibrillation""electrocardiogram""photoplethysmography"及相关术语。使用布尔运算符(AND、OR)适当组合检索词。
通过筛选纳入研究的参考文献列表、检索相关会议论文集(包括IEEE医学与生物学工程学会、计算心脏病学会议与美国心脏协会科学年会)的灰色文献,以及手工检索该领域关键期刊(包括Nature Medicine、Journal of the American College of Cardiology、Circulation与IEEE Transactions on Biomedical Engineering),识别出补充来源。
2.2. 纳入与排除标准
研究符合以下标准者予以纳入:(1)涉及具备心血管监测能力的可穿戴设备;(2)采用人工智能、机器学习或先进信号处理算法进行数据分析;(3)报告临床应用、验证研究或技术性能;(4)以英文发表;(5)为原创研究、临床试验、验证研究或综合性技术综述。同行评议期刊论文与高质量会议论文集均在考虑纳入之列。
排除标准包括:(1)仅关注侵入性或植入式设备而无可穿戴组件的研究;(2)仅限于基础心率监测而无先进人工智能分析的研究;(3)纯理论性或模拟研究而无现实世界验证;(4)病例报告或参与者少于10人的小样本病例系列;(5)以英语以外语言发表的研究;(6)重复发表或随后以全文形式发表的初步报告。
鉴于叙述性综述形式,未采用正式的质量评估工具,但优先考虑样本量较大、方法学严谨且在多样化人群中验证的研究。特别关注纳入塑造该领域的里程碑式研究以及代表当前最新方法的最新发表文献。
2.3. 研究选择与数据提取
研究选择分两个阶段进行。初步筛选通过审阅标题与摘要,依据纳入标准识别可能相关的研究。随后对选定的研究进行全文审阅以确定最终纳入。鉴于叙述性综述方法,研究选择强调覆盖人工智能增强可穿戴心血管监测不同方面的广度,而非穷尽性纳入所有可得研究。
数据提取聚焦于关键研究特征,包括人群人口学特征、设备类型与规格、所采用的人工智能算法、临床应用、性能指标与主要发现。特别关注提取有关验证方法学、监管批准、临床结局与实施挑战的信息。在可得情况下记录设备与算法的技术规格,以便在不同方法之间进行比较。
对于临床验证研究,提取特定结局指标,包括灵敏度、特异度、阳性预测值、阴性预测值、曲线下面积,以及住院率与不良事件等临床终点。在报告情况下提取经济学数据,包括成本效果分析与医疗利用影响。
2.4. 数据综合与分析方法
鉴于这一快速演进领域中研究设计、人群、设备与结局指标的异质性,采用叙述性综合方法而非定量荟萃分析。研究按设备类型、人工智能方法、临床应用与实施考量进行主题分组。在每个主题领域内,对发现进行综合以识别共同模式、分歧与知识空白。
综合过程强调识别多项研究间的趋同证据,同时承认局限性与相互矛盾的发现。特别关注区分实验室验证研究与现实世界临床实施,因为受控环境与自然情境中的性能往往不同。本综述还考虑技术随时间的演进,认识到早期研究可能无法反映当前能力。
采用批判性分析评估不同应用的证据强度,考量样本量、研究人群、验证方法学以及在不同研究组之间的可重复性等因素。本综述力求平衡呈现该领域既有前景的发展与重大挑战。
2.5. 综述类型与文献检索范围
为避免关于本工作性质的任何歧义,我们明确说明本手稿为叙述性综述,并非系统性综述或范围综述。尽管使用了结构化的多数据库检索策略(见2.1节),该策略旨在为结构化的叙述性综合提供依据,而非支持正式的系统性评价。因此,检索并非设计为穷尽性的,未注册正式方案,也未进行双人独立筛选。结构化检索主要用于确保覆盖广度并降低遗漏里程碑式与最新研究的风险,而非识别每一条符合条件的记录。
为提高选择过程的透明度与可重复性,我们提供研究流程的近似说明。跨PubMed/MEDLINE、Embase、IEEE Xplore、Cochrane图书馆与Web of Science的结构化检索,连同参考文献列表与灰色文献筛选,共识别出1355条记录(1320条来自数据库检索,35条来自参考文献列表与灰色文献筛选)。去除重复后,筛选1050篇标题与摘要,其中812篇因与人工智能增强可穿戴心血管监测不相关而被排除。其余238篇全文文章依据纳入与排除标准进行评估,排除157篇(非基于人工智能/机器学习、无可穿戴组件或数据不足)。最终共有81项研究纳入本叙述性综合。文章选择与筛选过程见图1。
与叙述性格式一致,未对单项研究应用正式的风险偏倚工具(如QUADAS-2或Cochrane风险偏倚工具)。我们承认,缺乏正式质量评估是一项局限,尤其考虑到研究设计的显著异质性以及人工智能研究的快速演进特性(见9.1节)。为部分缓解这一问题,在综合过程中贯穿采用了对证据强度的非正式评价:对大规模前瞻性研究、随机对照试验与外部验证算法赋予更大的解释权重,而源自小型、单中心、回顾性或内部验证研究的发现则明确标注为初步性。在可能的情况下,文中以及表1、表2和表3下方所加的解读性注释中,标明了支持每项主要应用的证据水平与临床实施程度。
3. 用于心血管监测的可穿戴设备技术
表1概述了五类连续心血管监测设备,涵盖消费级智能手表、医疗级贴片、胸带式与织物集成传感器以及植入式系统,并在监测时长、传感器模态、主要临床应用与监管状态等关键维度上进行比较。需注意,植入式循环记录器(如美敦力LINQ、雅培Confirm)并非传统意义上的可穿戴设备;此处将其纳入是作为更广泛连续心脏监测生态系统的长时程端,可穿戴技术最适合与之对照,并在表中明确标注为植入式。总体而言,这些类别展示了现有技术广泛且不断升级的谱系。
表1. 心血管监测可穿戴设备类别比较(摘要)
| 设备类别 | 监测时长 | 传感器模态 | 主要临床应用 | 监管状态 |
|---|---|---|---|---|
| 消费级智能手表(Apple Watch、Samsung Galaxy、Fitbit) | 连续监测(依赖电池) | PPG、单导联心电、加速度计 | 心率、房颤检测、健身追踪 | 已获FDA房颤检测许可 |
| 医疗级贴片(Zio Patch、VitalPatch、ePatch) | 连续1至14天 | 多导联心电、温度、加速度计 | 心律失常诊断、术后监测 | FDA批准的医疗器械 |
| 胸带式监测器(Polar H10、Wahoo TICKR) | 基于场次 | 心电、加速度计 | 运动监测、临床试验 | 有消费级与医疗级版本 |
| 织物集成传感器(Hexoskin、BioHarness) | 延长佩戴 | 心电、呼吸、活动 | 科研、军事、临床研究 | 研究性用途 |
| 植入式设备(美敦力LINQ、雅培Confirm) | 数年级 | 心腔内电图 | 长期心律失常监测 | FDA批准的医疗器械 |
注: 各类别的证据成熟度与临床实施程度差异显著。医疗级贴片与植入式记录器拥有最强证据支持(包括随机与大型队列数据),已获全面监管许可并常规用于临床。消费级智能手表已就特定、狭窄适应证(尤其是房颤通知)获得监管许可,但其证据基础以筛查与可行性研究为主,关键局限包括假阳性、运动时信号质量以及在较深肤色人群中PPG准确性下降。胸带式与织物集成传感器在很大程度上仍限于科研、健身与临床试验用途,作为诊断设备的监管地位有限。因此,读者应将各设备类别理解为在从研究性到常规临床就绪的谱系上处于非常不同的位置。
3.1. 消费级智能手表与健身追踪器
消费级可穿戴设备已从简单的计步器迅速演变为能够进行连续心血管监测的复杂健康监测平台。现代智能手表,包括Apple Watch Series 8与9、Samsung Galaxy Watch 5与6、Fitbit Sense以及Garmin Vivosmart系列,集成了多种专为心血管评估设计的传感器模态。Apple Watch同时具备用于连续心率监测的PPG传感器与通过数码表冠实现的单导联心电功能,使用户能够按需采集医疗级心电记录。
这些设备所采用的光电容积脉搏波技术利用LED光源与光探测器测量血流的容积变化,提供连续心率数据与心率变异性指标,并实现不规则节律的检测。先进算法处理PPG信号以识别潜在的房颤发作,Apple心脏研究在超过40万名参与者中证明了大规模房颤筛查的可行性。在该研究中,0.52%的参与者收到不规则脉搏通知。重要的是区分两种常被混淆的独立性能指标。第一,在收到通知并随后交回可分析数据心电贴片的参与者中,约34%的病例在心电贴片上确认了房颤;这反映的是在随后一段有时限的监测期内记录到房颤的通知个体比例,并不等同于算法的阳性预测值。第二,当将不规则脉搏通知与同期心电贴片记录进行比较时,通知的阳性预测值约为84%,表明绝大多数通知在检测时刻与真实的不规则节律相吻合。较低的34%这一数字在很大程度上反映的是房颤的阵发性特征以及通知与确认性监测之间的时间间隔,而非算法的特异性差。
消费级可穿戴设备的最新进展包括增强的传感器融合能力,通过整合多路数据流来提高准确性并减少假阳性。加速度计数据的整合有助于区分真正的心律失常与运动相关伪差,显著提高节律检测算法的特异性。此外,较新的设备还纳入了用于睡眠呼吸暂停检测、通过心率变异性分析进行压力监测以及通过最大摄氧量估算进行心肺适能评估的先进分析功能。
3.2. 医疗级连续监测设备
医疗级可穿戴设备代表着连续心血管监测的重大进步,与消费级设备相比,提供更优的信号质量、更长的监测时长与更强的诊断能力。Zio Patch(iRhythm Technologies)是这一类的典型代表,通过轻质、防水的黏性贴片提供长达14天的连续单导联心电监测。临床研究表明,与传统的24至48小时动态心电图监测相比,Zio Patch延长监测可检出显著更多的心律失常事件,某些心律失常类型的诊断率提升高达58%。
VitalPatch(VitalConnect)代表医疗级监测的另一项进步,不仅具备心电功能,还通过集成加速度计实现呼吸频率、皮肤温度、体位与跌倒检测。这种多参数监测方法使全面的生理评估成为可能,并已在术后监测与慢性病管理应用中显示出特殊价值。临床验证研究显示,与遥测监测相比,心率测量的相关系数超过0.95,呼吸频率评估的一致性极佳。
新兴的医疗级设备包括CardioInsight无创心脏标测系统,可为复杂心律失常诊断提供详细的心电标测,以及具备增强的人工智能驱动心律失常检测算法的先进植入式循环记录器。这些设备展示了向更复杂、人工智能集成、能够实时提供可操作临床洞察的监测解决方案的演进。
3.3. 新兴生物传感器技术
可穿戴心血管监测的前沿已超越传统的 ECG 与 PPG 传感器,涵盖能够同时评估多种生理参数的多样化生物传感器技术。基于汗液的生物传感器是一项尤为有前景的发展,其设备能够测量电解质、乳酸、葡萄糖与应激激素,从而提供有关心血管功能与代谢状态的洞察。
无袖带血压监测是另一项重大进步,利用脉搏传导时间、脉搏波速度与机器学习算法,无需充气袖带即可连续估算血压。基于 PPG 的方法通过分析动脉僵硬度与波反射特征来推导血压估算值,近期研究显示其平均绝对误差处于可接受的临床限度内。Aktiia、Biospectal 与三星等公司已开发出商业化解决方案,在高血压管理与心血管风险评估方面显示出前景。
先进的传感器集成平台正在涌现,将多种模态整合为全面的监测解决方案。这些包括同时测量心电、皮肤电导、温度与生化标志物的贴片式系统,提供整体心血管评估能力。通过皮肤阻抗与光谱学进行无创血糖监测的研究,可能很快使糖尿病连续管理与心血管监测相整合,从而应对这些疾病之间的显著重叠。
4. 心血管数据分析中的人工智能方法
表2呈现了应用于可穿戴心血管监测的六类人工智能算法,从经过

