心力衰竭（HF）涉及缓解与加重的循环，这些循环难以通过静态疾病指标来表征。消费级可穿戴设备在每日监测HF症状方面的潜力尚未得到充分研究。本文报告了一项观察性队列研究的结果，该研究对自由生活的心力衰竭患者进行了中位94.5天的监测，作为Ted Rogers理解心力衰竭加重（TRUE-HF）研究的一部分。该研究测量了苹果手表数据预测临床心肺运动试验（CPET）测得的峰值摄氧量（pVO₂）的能力。我们使用154名患者（46名女性，108名男性）的数据训练了一个深度学习模型，并在63名患者（24名女性，39名男性）的保留测试集上进行了验证，用于计算可穿戴设备衍生的每日pVO₂，该值与CPET测得的pVO₂高度相关（Pearson相关系数=0.85）。可穿戴设备衍生的每日pVO₂每下降10%，未计划医疗事件的风险比（HR）增加3.62倍（95%置信区间（CI），1.37–9.55；P<0.01），这些事件发生在首次pVO₂下降10%后中位7.4天。这些发现在一个独立的外部队列（All of Us研究计划）中得到了外部验证，该队列使用了一个跨平台模型，该模型考虑了该外部队列中可用的传感器能力减少的情况。使用这种减少传感器变体的模型，可穿戴设备衍生的每日pVO₂下降与未计划医疗保健利用相关（HR 1.32，95% CI 1.03–1.69；P=0.03），这些事件发生在首次pVO₂下降10%后中位21天。这些结果表明，与现有的可穿戴设备健康度估计和已建立的临床标志物相比，可穿戴设备衍生的每日pVO₂提供了更早且改进的风险区分，并为纵向HF研究和监测提供了一种可扩展且可推广的方法。
心力衰竭（HF）是一场全球健康危机，影响全球约6430万患者。HF的年度全球成本估计为3460亿美元，其中很大一部分归因于住院、误工和医疗保健服务利用。HF还与预期寿命缩短相关，女性中位生存期为3.2年，男性为1.7年。尽管近期医学进步，HF患者仍面临不良后果的高风险，这表明需要更好的预后标志物来增强风险分层，并实现更有效和及时的干预。
HF的特征是相对稳定期与急性加重期交替出现，需要及时干预以防止住院。相比之下，HF的风险评估传统上依赖于间歇性和静态的临床评估工具，这使得准确及时的风险分层成为挑战。许多心脏中心使用心肺运动试验（CPET）来估计1年预后，从而根据已建立的运动参数对患者进行分层。然而，尽管连续CPET趋势在临床上有价值，但其高成本、有限的地理可及性和患者负担使得每日或每周监测不切实际。临床监督的6分钟步行试验（6MWT）提供了HF患者运动不耐受的替代测量。然而，支持其与CPET相比预后价值的证据有限。此外，与监督相比，无监督6MWT的准确性不确定，限制了其在自由生活远程监测中的广泛应用。纽约心脏协会（NYHA）功能分级在实践中常用，但具有主观性，未能捕捉患者波动的临床状态。因此，尽管这些传统的HF风险分层工具提供了对患者健康的重要见解，但它们无法解释HF的发作性病程。这突显了需要更好的自由生活预后标志物来改善风险评估，并实现更有效和及时的干预。
远程患者监测模式将患者状态的静态和间歇性测量转变为每日测量，并显示总住院率降低高达15%。远程患者监测的有效性已在多项研究中得到证实，这些研究报告当这些系统主动且正确实施时，患者预后改善且医疗保健利用减少。然而，患者手动数据输入的需求和临床医生的持续监督阻碍了这些计划的依从性和更广泛实施。
可穿戴技术和人工智能的进步为应对这些挑战提供了有希望的途径。消费级可穿戴设备，如苹果手表，可以提供近乎连续的广泛生理数据捕获，包括心率和身体活动，为被动、无创、实时健康监测提供了有希望的途径。可穿戴设备已被研究用于监测门诊HF患者的心率和运动，以及检测心房颤动。关于心肺健康度，苹果手表上的苹果心肺健康度估计可以在健康人群中准确估计CPET的一个关键预后指标：峰值耗氧率（pVO₂）。然而，尚不清楚在非患病人群中验证的可穿戴设备衍生算法是否可以可靠地转化为HF患者，这些患者独特的病理生理学特征可能需要定制的评估方法。
为研究这一知识空白，我们发起了Ted Rogers理解心力衰竭加重研究（TRUE-HF），这是一项前瞻性3个月观察性队列研究，研究对象为自由生活中使用苹果手表的HF患者。我们假设：（1）消费级可穿戴数据可用于估计自由生活条件下HF患者的心肺健康度；（2）每日健康度监测标志物将预测患者健康状况恶化，表现为未计划医疗保健利用。
可穿戴TRUE-HF队列
本观察性研究的主要目标是研究广泛可用的消费级可穿戴数据、心肺健康度和自由生活环境中HF加重之间的关系。在2019年12月至2024年4月期间，217名HF患者被纳入TRUE-HF研究（NCT05008692）。患者在研究期间获得苹果手表Series 6和/或兼容的iPhone，或允许使用其现有兼容设备。所有参与者被指示，如果他们打算进行某种活动，则使用苹果手表捕获步行活动；但他们未被指示进行额外的步行活动。
每位患者完成了一次入组门诊访问和3个月研究结束门诊访问，期间他们接受了正式的CPET检查、血液检查、临床检查、监督下的6MWT和Tecumseh立方体测试。记录了入组和3个月研究结束门诊访问时所有人口统计学和临床测量。参与者的中位观察期从入组到研究结束为94.5天。苹果手表数据通过HealthKit在门诊访问和自由生活观察期间收集。在此窗口期间，进行了关于患者健康状况和未计划医疗保健利用的每日自我管理调查（图1）。我们将未计划医疗保健利用定义为住院、非计划门诊访问或静脉注射呋塞米治疗。这些非计划事件通过电子健康记录（EHR）和医生笔记（如有）进行手动验证。
在217名入组患者中，191名完成了研究，其中187名完成了研究结束CPET。在研究期间，25名患者从入组到研究结束CPET pVO₂下降，32名患者有未计划医疗保健利用。在我们队列的32个事件中，19个通过临床记录确认为直接与HF相关，经2名委员会认证心脏病专家一致同意，4个确认为非心脏相关，9个为自我报告住院。9个自我报告住院是患者报告的结果，发生在没有集中链接医疗记录的患者中，因此无法通过EHR或医生笔记进行验证；30名患者因死亡（n=2）、接受左心室辅助装置（n=2）、退出（n=7）、无法完成研究结束评估过程（n=4）或设备使用不足（n=15）而被排除在主要分析之外（图2）。设备使用不足定义为在整个90天自由生活期佩戴苹果手表少于10天（15名参与者的中位使用天数为4天）。患者人口统计学总结于表1。
我们预先分配了最后50名成功完成研究结束评估的患者用于保留测试，仅在研究完成时进行评估，以减少重复模型优化带来的测试集过拟合偏差。成功完成研究结束评估定义为完成研究结束CPET。这导致前154名患者用于模型开发和交叉验证训练（n=137次成功评估），最后63名患者用于保留测试（n=50次成功评估）。本文报告的所有模型性能结果均来自该保留测试集。
在我们的保留测试队列（n=63）中，5名患者因设备使用不足被排除在评估之外。在剩余的58名保留患者中，50名完成了研究和研究结束CPET。8名患者经历了未计划医疗保健利用事件：5次意外住院，2次非计划门诊访问，1次需要静脉注射呋塞米治疗。其中，4个事件被判定为HF相关，3个为自我报告，1个与HF无关。人口统计学细节见扩展数据表1。
TRUE-HF可穿戴基预测模型
我们开发了一种自回归变换器框架，称为TRUE-HF模型（扩展数据图1），该模型结合可穿戴数据与患者特定临床信息，以预测每日结果。我们的方法处理30天的可穿戴数据，最初以90分钟间隔聚合，然后逐步合并到更大的时间窗口，使模型能够学习多个分辨率下的关系，详见方法。在我们的研究中，我们将预测的每日TRUE-HF pVO₂视为自然连续测量。我们预先指定CPET pVO₂的临床有意义下降为≥10%的减少，基于先前文献观察到6%至10%的CPET pVO₂下降与HF患者中期至长期住院或死亡风险增加相关。因此，此后，模型预测的TRUE-HF pVO₂下降≥10%被视为测试阳性。
在All of Us队列中的外部验证
我们在美国国立卫生研究院（NIH）All of Us研究计划的独立患者队列中进行了外部验证，该队列使用Fitbit可穿戴设备。我们确定了193名患者，他们密切匹配我们的TRUE-HF队列纳入标准，包括EHR中记录的HF诊断、足够的可穿戴数据覆盖（定义为研究期间至少40%的天数有可穿戴使用，非连续）以及用于事件判定的详细EHR记录（扩展数据图2）。然而，关于HF严重程度，在All of Us所有可能的1,664名HF且有可穿戴数据的患者中，1,653名（99%）的EHR中缺少NYHA分级，917名（1,664名中的55%）缺少BNP。因此，为了更接近TRUE-HF人群中观察到的临床严重程度（其中77%为NYHA分级≥II），我们增加了在入组前至少有一次记录在案的未计划医疗保健事件作为纳入标准。为了在All of Us队列中为患者建立一致的起点，我们将研究入组时间点定义为每个患者同时满足指标事件发生和可穿戴数据可用的第一个时间点。此外，由于All of Us研究计划中的数据可用性，我们采用了更严格的未计划医疗保健利用定义，将事件限制为住院或静脉注射呋塞米治疗。门诊访问被排除，因为我们无法可靠确定其是否为计划或非计划，且该数据集中无自我报告结果。患者人口统计学总结于扩展数据表2。
All of Us外部验证队列的中位观察期为120天，期间20名患者经历了至少一次未计划医疗保健利用事件。注意，为了为患者开始使用可穿戴设备提供校准和调整期，并考虑初始临床相遇后的不应期，我们引入了研究入组日期后的7天缓冲期，这在TRUE-HF中未使用。为了确保及时模型预测与TRUE-HF一致，后者仅需要30天可穿戴数据即可进行pVO₂预测，同时容纳必要的7天缓冲期，我们允许在收集20天可穿戴数据后开始预测。
为与All of Us研究计划中可用的数据兼容，我们训练并测试了TRUE-HF pVO₂模型的减少传感器变体，此处称为TRUE-HF-RS，该变体仅依赖心率和步数以及减少的临床特征集（方法）。为公平比较，该模型仅使用与TRUE-HF模型相同的训练集（n=154）进行训练。
TRUE-HF队列中模型预测绝对CPET pVO₂的分析
我们训练TRUE-HF框架预测绝对CPET pVO₂（l/min）测量值，并在保留测试集（n=50次成功研究结束评估）中针对研究结束绝对CPET pVO₂测量值进行回归分析，作为验证性能指标。选择绝对pVO₂（l/min）是因为它消除了对体重的线性索引需求，并减轻了体重对模型预测结果的混杂影响。我们将TRUE-HF pVO₂性能与苹果手表模型（苹果心肺健康度测量VO₂max算法）作为基线进行比较。TRUE-HF模型通过评估前30天数据提供每日预测，并在观察期内提供近乎连续的远程心肺健康度波动评估，平均每天一个预测。相比之下，苹果算法由于需要最低身体活动水平的设计要求，产生的预测较少，在观察期内，CPET pVO₂<1 l/min的患者平均预测4.6次，1-2 l/min之间6.3次，>3 l/min的患者18.0次。
模型性能通过Spearman系数（ρ）、Pearson r和平均绝对误差（m.a.e.）在保留测试集上评估，比较患者研究结束日期前一天的预测值与金标准研究结束CPET pVO₂测量值。观察到TRUE-HF pVO₂预测与金标准研究结束CPET pVO₂测量值之间存在强一致性（图3a）。TRUE-HF在保留测试集中实现了Pearson r=0.85和m.a.e.=0.25 l/min。Spearman系数测量（图3b）也表明TRUE-HF模型能够根据pVO₂准确对HF患者进行排序。
然而，请注意，模型可能与静态临床测量具有高相关性，但如果预测误差较大的患者经历了最大的变化，则对临床测量随时间变化的敏感性可能较差。因此，我们测量了每个模型在研究结束门诊访问时检测临床有意义下降的能力，与入组临床测量值对比。阳性患者定义为在入组到研究结束门诊访问期间CPET pVO₂下降≥10%（预定义。对于每个模型和患者，我们计算了研究中第一个和最后一个可穿戴设备衍生pVO₂之间的百分比差异进行比较。使用受试者工作特征曲线下面积（AUROC）来评估诊断准确性。TRUE-HF模型pVO₂预测在检测研究结束CPET pVO₂下降方面显示出显著准确性，AUROC为0.82（95% CI 0.69–0.92），而苹果算法的AUROC为0.52（95% CI 0.39–0.70），基于DeLong双尾检验（P<0.01）（图3c）。
TRUE-HF中每日pVO₂监测与未计划医疗保健利用的关系
我们进行了一项探索性二次分析，以研究可穿戴设备衍生的每日pVO₂与近期未计划医疗保健利用（定义如上）之间尚未被探讨的潜在关系，在TRUE-HF保留组和All of Us队列中均进行了分析。TRUE-HF pVO₂模型需要30天数据，因此，我们对TRUE-HF保留测试集中每位患者的回顾性风险分层分析从第31天开始。
在TRUE-HF保留队列中，所有数据充足的保留测试患者，包括那些无法完成研究结束门诊访问的患者，均被纳入分析，共58名患者。所有患者在未计划医疗保健利用或研究结束访问时被删失。我们计算了TRUE-HF模型、可穿戴设备衍生每日pVO₂从首次模型预测到删失前当日预测的最大百分比下降的AUROC，并与入组门诊访问时的典型临床静态测量（CPET pVO₂、6MWT距离（6MWTD）、NYHA分级和NT-proBNP）以及临床HF模型（西雅图心力衰竭模型（SHFM）、慢性心力衰竭荟萃分析全球组（MAGGIC）和心力衰竭侵入性导管检查预后评估（PREDICT-HF））进行比较。
pVO₂下降的患者在研究期间发生非计划医疗保健利用的风险显著更高（图4）。每日pVO₂预测的预测能力通过AUROC衡量，为0.77（95% CI 0.62–0.90）。TRUE-HF模型预测未计划医疗保健利用的能力在统计学上显著高于基线临床指标：CPET pVO₂（P=0.04，校正P（Padj）=0.05）、NT-proBNP（P<0.01，Padj=0.01）、6MWTD（P=0.05，Padj=0.05）、NYHA（P=0.01，Padj=0.02），基于DeLong单尾检验和Benjamini-Hochberg校正（假发现率0.05）的Padj值。我们针对预先指定的≥10% TRUE-HF每日pVO₂下降（见上文）进行的风险分层分析，在图4a的ROC曲线上表示为一个特定点（指示该阈值下的灵敏度和特异度）。在此≥10%下降阈值下，TRUE-HF在整个观察期内的灵敏度为88%，特异度为62%。绘制了观察到的TRUE-HF预测每日pVO₂下降≥10%的时间依赖性扩展Simon和Makuch Kaplan-Meier累积风险曲线（图4c）。在自由生活期间，58名患者中有26名观察到TRUE-HF可穿戴设备衍生每日pVO₂下降。在下降组中，26名患者中有7名（26.9%）经历了未计划医疗保健利用，而在未检测到下降组中，32名参与者中有1名（3.1%）。TRUE-HF模型检测到的下降在未计划医疗保健利用之前中位7.4天（四分位距（IQR），4.5–8.5天）。对前向填充的局部加权散点图平滑（LOWESS）平滑的TRUE-HF预测轨迹的纵向定性分析表明，经历未计划医疗保健事件的患者表现出每日TRUE-HF pVO₂的进行性下降，而无事件患者则保持稳定或略有增加（图4c）。
扩展Cox比例风险模型和双边Wald检验量化了连续变化TRUE-HF每日pVO₂协变量与随后未计划医疗保健利用之间的未调整HR，表明每下降10% pVO₂与风险显著升高相关（HR 3.62，95% CI 1.37–9.55，P<0.01；表2）。针对独立协变量（年龄、性别、种族、体重指数、吸烟或左心室射血分数）进行调整的敏感性分析证实，该关联仍然显著（扩展数据表3）。对常见临床风险测量和传统临床HF模型（在入组门诊访问时测量）的进一步分析未达到显著HR（表2）。
使用内部保留组（n=63）的减少传感器模型TRUE-HF-RS，我们观察到对未计划医疗保健利用的适度区分能力，AUROC为0.57（95% CI 0.35–0.79），并且在时间至事件分析中呈正相关但不显著（HR=1.79，95% CI 0.77–4.16，P=0.18；扩展数据表4）。
All of Us未计划医疗保健利用的外部验证
在All of Us队列中，使用TRUE-HF-RS模型（如上所述）进行外部验证，揭示了未计划医疗保健利用风险特征化的积极趋势。
与TRUE-HF测试集中观察到的趋势一致，在All of Us中，预测每日pVO₂每下降10%与未计划医疗保健使用风险升高相关（HR 1.32，95% CI 1.03–1.69，P=0.03；表2）。TRUE-HF-RS模型在事件发生前中位21天（IQR 9.25–67.25）预测了未计划医疗保健利用。重复All of Us的敏感性分析，我们发现HR针对每个协变量仍然显著（扩展数据表5）。在All of Us队列的HF患者观察期内，TRUE-HF-RS模型在我们预先指定的≥10%每日pVO₂下降阈值下，对未计划医疗保健使用的灵敏度为50%，特异度为59%（图4d）。定性上，我们在有和无事件的患者中也观察到类似趋势，如图4e所示，其中有事件患者的预测pVO₂随时间下降，而无事件患者则未下降。与All of Us研究计划中观察到的这些趋势一致，时间依赖性标志AUROC在月窗口中评估，第10天为0.51（95% CI 0.33–0.68），到第80天为0.72（95% CI 0.39–0.92）（扩展数据图3）。
方法扩展到TRUE-HF队列中的6MWT距离
我们将框架和方法扩展到6MWTD，作为另一个可以使用可穿戴设备预测的变量，并进一步检查了其对未计划医疗保健利用的预测。为6MWTD训练了一个单独的TRUE-HF模型，并与苹果的算法sixMinuteWalkTestDistance进行了比较。与CPET pVO₂评估一样，评估了6MWTD下降（从基线到研究结束随访减少10%）和医疗保健利用。扩展数据图4显示了使用苹果手表生物特征数据进行的6MWTD预测。HealthKit中的sixMinuteWalkTestDistance在所有相关性指标上表现与6MWTD研究模型相当，并有效检测了6MWTD性能的下降（扩展数据图5）。然而，两者均未达到未计划医疗保健利用的统计学显著性。
TRUE-HF模型的特征分析
为评估结构化锻炼时段的作用，我们屏蔽了在每月无监督6MWT和Tecumseh立方体测试期间收集的可穿戴数据。排除这些结构化时段导致预测性能差异可忽略不计（预测pVO₂的m.a.e.变化0.00575；补充图2）。具体来说，回归性能、检测预测pVO₂下降10%的分类准确性以及预测未计划医疗保健利用均保持不变，AUROC分别为0.82（95% CI 0.69–0.92）和0.77（95% CI 0.62–0.90）。
我们还检查了在训练和评估期间使用较短输入窗口持续时间（20天和10天）时TRUE-HF预测性能的变化，观察到模型性能下降（20天窗口的未计划医疗保健利用：AUROC 0.61（95% CI 0.40–0.80）；10天窗口：AUROC 0.61（95% CI 0.39–0.82））；与完整的30天输入窗口（AUROC 0.77（95% CI 0.62–0.90））相比（补充表1和2），表明较长的趋势可能提供更可靠的信息。
基于显著性的分析显示，可穿戴传感器数据，尤其是AppleExerciseTime、StepCount和OxygenSaturation，对模型预测有贡献，较高的活动水平通常与较高的预测pVO₂相关（补充图3）。临床变量（年龄、性别、种族和呋塞米剂量）也影响预测，但表现出情境依赖性（补充图4），未观察到独立的持续方向趋势。重要的是，由于可穿戴技术在较深肤色上表现有所下降，在两个队列的白人和非白人参与者之间进行的亚组分析显示，在TRUE-HF和All of Us验证集中模型性能相当（补充表4）。
最后，评估可穿戴和临床输入独立和联合贡献的消融分析（补充表3）表明，仅可穿戴数据就提供了相当大的预测能力（未计划医疗保健利用AUROC 0.60（95% CI 0.42–0.78））。相比之下，仅基于临床变量的预测较弱（未计划医疗保健利用AUROC 0.52（95% CI 0.32–0.71））。然而，可穿戴和临床数据的整合（即TRUE-HF模型）在所有结果中表现出最强的性能。
讨论
本研究结果提供了强有力的证据，支持消费级可穿戴数据在估计心肺健康度和建立HF远程监测方法方面的潜力。使用变换器模型分析自由生活环境中的消费级可穿戴数据，显示出与金标准CPET测量值的高度一致性。可穿戴设备衍生的每日心肺健康度评估提供了新的见解：临床上显著的每日pVO₂下降可预测门诊HF患者即将发生的未计划医疗保健利用事件，并且减少传感器模型的外部验证维持了正向风险关系。最后，辅助分析发现可穿戴数据与6MWTD高度一致。
本文的发现对HF风险评估至关重要，原因如下。首先，我们的发现证明了可穿戴设备在门诊HF人群中进行准确连续pVO₂评估的前景，将pVO₂评估能力从门诊扩展到每日自由生活环境。TRUE-HF模型与金标准CPET测量pVO₂高度一致，其m.a.e.在先前报告的HF患者CPET重测CI范围内。TRUE-HF模型在预测入组和研究结束门诊访问之间CPET pVO₂下降（10%下降）方面的高准确性，进一步证明了这一点。使用TRUE-HF实现的可穿戴设备衍生pVO₂的高准确性，使得从静态、低频临床CPET向频繁、动态、每日pVO₂监测的潜在转变成为可能。
其次，从低频临床CPET转向每日pVO₂监测，可以检测到先前未被识别的、临床上显著的心肺健康度下降（每日pVO₂下降10%），这些下降先于未计划医疗保健利用。TRUE-HF模型增强了恶化的早期检测，在临床症状出现前作为识别高危患者的早期预警信号。在10%下降阈值下，TRUE-HF模型在预测未计划医疗保健利用方面表现出88%的灵敏度和62%的特异度。高灵敏度强调了TRUE-HF模型在准确识别低风险患者方面的有效性，从而排除不太可能需要立即干预的个体，并支持对高风险个体进行早期低风险干预（临床接触点）。优先考虑灵敏度至关重要，因为早期识别高危患者能够采取主动措施，如加快门诊就诊，这可以降低未计划医疗保健利用的风险。
可穿戴设备衍生的每日pVO₂的连续变化与未计划医疗保健利用密切相关，每下降10%的HR显著。静态测量本质上是对生理状态的单一快照，而我们的模型捕捉了更接近临床事件时间的生理变化，可能增强了预测性能。TRUE-HF pVO₂的近乎连续监测代表了一种更动态、更灵敏的风险分层方法，或未来试验中潜在的动态监测终点。因此，尽管实用，但传统的静态指标，如NT-proBNP水平、CPET pVO₂、6MWTD或NYHA功能分级，未能提供与我们的模型相同的主动早期预警信号，我们的模型利用30天可穿戴数据窗口，在未计划医疗保健利用发生前中位7.4天进行预测。
All of Us研究计划的外部验证分析重申了每日可穿戴设备衍生pVO₂的下降仍然是短期未计划医疗保健利用的有意义预测指标。尽管存在传感器减少和人口统计学差异，但这种关联仍然成立。具体来说，与原始队列中可用的更全面的苹果手表指标相比，All of Us队列提供的Fitbit每分钟测量数据较少，仅限于心率和步数。没有AppleExerciseTime或OxygenSaturation，这两个在我们的特征分析中被强调为必要的测量值。尽管随着可穿戴传感器减少，预测性能略有下降，但一致的方向性、HR的显著性和预测领先时间支持了在现实世界异质性环境中可穿戴设备衍生每日pVO₂的实践可行性。
此外，我们的发现表明，依赖特定运动阈值来触发健康预测对病情较重的患者构成了跟踪健康的障碍，而使用较长趋势则能产生更一致的测量结果。HF患者常因肺血管扩张受损、心脏储备减少、骨骼肌功能障碍和其他合并症而出现运动不耐受，这可能限制他们触发基于强度的运动阈值的能力。例如，在研究期间，苹果的pVO₂算法要求患者在报告观察结果前达到其最大心率的至少60%和某些活动参数。因此，我们注意到在病情较重的HF患者中预测次数要少得多。相比之下，关注较长时间窗口内的趋势，如TRUE-HF pVO₂模型，为我们队列中的所有患者（包括晚期HF患者）提供了一致的每日预测。
还评估了6MWTD预测，从而可以对可穿戴设备衍生的远程测量进行单独比较。尽管我们的发现表明可穿戴设备可以可靠地跟踪日常身体活动并预测在门诊测量的6MWTD，但6MWTD变化与未计划医疗保健利用风险之间的直接相关性不那么明显。应注意，远程6MWTD测量的HR超过了静态6MWTD测量的HR。然而，这种差异未达到统计学显著性。下游未计划医疗保健利用的差异可能源于6MWT和CPET作为临床终点之间的内在区别。与CPET相比，6MWT反映了不同的生理结构。CPET pVO₂捕捉最大意志能力（通过在CPET期间达到呼吸交换比≤1.1来验证）。相比之下，6MWT可能更受次最大努力的影响。因此，尽管6MWTD指示整体健康状况和功能能力，但它可能无法独立预测HF人群中的急性临床事件。
尽管使用可穿戴设备进行远程监测前景广阔，但挑战依然存在。使用可穿戴设备进行远程监测每周每位患者可产生超过5GB的数据。分析这些数据以识别生物标志物特征最适合现代人工智能技术，特别是深度学习（DL）。我们使用基于变换器的骨干网络来解释可穿戴数据序列，并评估HF患者心肺健康度的功能变化。我们新的TRUE-HF DL模型还采用了基于池化的方法，使其能够评估30天的可穿戴数据，并将其聚合为越来越大的时间段进行分析，同时保留时间关系。TRUE-HF研究每个小时如何融入该天，该天如何融入该周，以及该周如何融入30天。相比之下，其他人工智能方法将每个时刻视为独立；因此，它们难以理解周二的锻炼如何影响周四的活动。在此，我们使用TRUE-HF变换器模型来理解可穿戴数据序列及其测量HF患者心肺健康度功能变化的能力，这在之前未被探索过。
本研究存在一些需要考虑的局限性。首先，将我们的TRUE-HF队列分为开发集和最终保留测试集的必要性减少了可用于测试的样本量。尽管TRUE-HF模型对未计划医疗保健利用的预测能力非常令人鼓舞，并且我们的患者入组高度多样化，但患者队列中事件发生率较低限制了我们针对HF特定亚组进行结果亚分析的能力。例如，在射血分数保留的HF患者中，测试集中仅存在6例。因此，本研究不足以支持表型特异性推断，亚组分析被认为是探索性的。因此，我们的样本量限制了在不冒过拟合风险的情况下进行完全调整的多变量分析的可行性。未来需要更大验证集的研究，以在全面调整潜在混杂因素后，全面评估TRUE-HF pVO₂下降的独立预后价值。
传统预后标志物，包括NT-proBNP、基线pVO₂和6MWT距离，在我们的分析中显示有限的预后效用。尽管点估计通常与已建立的预后关系一致，但相应的HR未达到统计学显著性，可能反映了鉴于临床事件数量较少，统计功效有限。对于已建立的静态风险评分（SHFM、MAGGIC和PREDICT-HF）也观察到了类似模式，这些评分通常针对1至2年风险视界进行校准，并在许多情况下提供适度的区分能力。
最后，苹果的pVO₂估计可能在此队列常见的条件下偏高。心率限制药物可能减弱运动心率反应，并可能导致苹果pVO₂算法的高估。此外，并非所有参与者都进行了足够的户外活动，这可能会进一步降低苹果pVO₂的准确性。
TRUE-HF观察性队列研究的结果为使用消费级可穿戴设备在门诊、自由生活环境中远程监测HF患者的每日心肺健康度提供了令人信服的证据。具体来说，可穿戴设备衍生的每日pVO₂下降是HF相关未计划医疗保健利用的早期指标。TRUE-HF模型彻底改变心脏病学中远程患者监测的潜力令人乐观。这种观察到的pVO₂恶化与未计划医疗保健利用风险增加之间的关联，强调了进一步研究的必要性。
方法
伦理声明
TRUE-HF研究（NCT05008692）根据大学健康网络（UHN）研究伦理委员会（加拿大安大略省多伦多；REB no. 20-5205）批准的协议进行了总结，并在此提供摘要。统计分析计划包含在补充信息中。
对All of Us研究计划的回顾性分析使用了通过其受控访问平台访问的去标识化数据。该计划在中央机构审查委员会下运作，所有参与者均提供了数据收集和二次研究使用的书面知情同意。分析符合计划政策及适用的伦理和监管要求。
TRUE-HF观察性研究的研究参与者
TRUE-HF研究（NCT05008692）纳入了在UHN接受治疗的门诊HF患者（图1）。符合条件的参与者年龄≥18岁，能够独立或在护理人员帮助下充分理解英语。研究协调员在知情同意时提供研究信息，并联系患者进行随访。
在初次入组访问（研究入组）期间，我们指导患者设置其苹果手表。在此过程中，我们教育患者如何使用苹果手表。下载了适当的电子病例报告表（eCRF）和心电图（ECG）应用程序，并可在iPhone上使用。苹果手表ECG仅对年龄>22岁的患者进行了验证；因此，仅要求22岁以上的参与者下载苹果ECG应用程序。参与者与eCRF iOS移动应用程序交互。应用程序中收集的数据不用于治疗患者。所有患者在入组和研究结束门诊访问期间均接受了CPET、全面血液检查、临床检查和监督下的6MWT。
在入组和研究结束门诊访问期间记录的所有人口统计学和临床测量值均捕获在Research Electronic Data Capture中，确保研究队列的数据转录。与苹果开发者合作，使用Swift开发了eCRF iOS移动应用程序，以在研究期间安全且去标识化地向患者传达研究信息、进行每日调查并收集HealthKit可穿戴数据。可穿戴设备衍生的数据未用于指导临床决策。
每日调查在自由生活观察期间捕获了未计划医疗保健利用事件。指示患者完成每日调查，评估以下症状：呼吸急促加重、腿部肿胀、心悸、胸痛、头晕和昏厥。此外，每日调查评估患者在过去24小时内是否需要以下医疗措施：药物变更、静脉注射呋塞米、非计划健康访问、急诊室访问和/或住院。每月，我们还进行月度健康度测试，指示患者参与每月一次的无监督6MWT和Tecumseh立方体测试。可使用教学视频异步支持这些测试。我们排除了非依从性患者，定义为在90天自由生活期内佩戴苹果手表少于1天。
在推导预测模型时，没有假设检验指导样本量计算。因此，我们旨在计算模型区分能力临床可接受测量值各种置信区间宽度所需的样本量。研究的样本量使用基于分类的方法确定，以预测pVO₂下降>10%，该阈值先前与HF患者更差预后相关。假设AUROC为0.70，估计样本量（n=200完成CPET）可为研究目标提供稳健的置信区间下限，包括模型开发（n=150）和保留测试（n=50）。为防止分析偏差，对保留测试集的模型评估是预先指定的，并仅在研究完成且所有参与者退出随访后进行。
外部验证队列：All of Us
外部验证队列使用NIH All of Us研究计划v8的数据构建，以验证未计划医疗保健利用实验。最初，All of Us数据集中有1,664名参与者有记录的HF诊断，并有Fitbit设备的可穿戴数据可供分析。其中，400人因缺失或用于事件判定和准确队列特征化的EHR数据不完整而被排除。
为使All of Us队列的临床严重程度与TRUE-HF人群保持一致，我们将队列限制为仅包括有记录在案既往未计划医疗保健利用的患者。我们将未计划事件定义为住院（排除计划程序）或静脉注射呋塞米。对于每位参与者，研究入组日期设置为以下两个日期中较晚者：合格未计划医疗保健事件出院日期，或可穿戴传感器数据收集的第一天。为确保数据充足，我们排除了研究入组后可穿戴数据少于30天的参与者。然后筛选参与者以确保足够的可穿戴数据覆盖，定义为在观察期内至少40%的天数有测量覆盖，导致额外参与者被排除。
最后，我们将观察终点（“研究结束”访问）定义为在120天内发生第二次未计划医疗保健利用事件，或完成与TRUE-HF队列中位持续时间（约94.5天）相匹配的随访期，最长120天。未满足任一终点标准的参与者被排除，最终外部验证队列包括193名个体。患者人口统计学总结于扩展数据表2。
可穿戴数据和特征工程
在约90天自由生活期（即排除基线和研究结束随访门诊访问日）内，通过HealthKit从苹果手表收集以下数据，并获得研究参与者知情同意：步数、锻炼时间、行进距离、站立时间、主动能量消耗、基础能量消耗、心率、心率变异性和O₂饱和度。选择这些变量是因为它们在监测期的中期分析中是最频繁和一致记录的，每种变量的详细信息在苹果HealthKit中定义。
标准化总结协议解决了不同数据类型间的时间分辨率差异。首先，使用异常值方法移除异常数据记录错误。移除值>各数据类型总体均值3个标准差的记录。接下来，构建了可穿戴数据的表示，以整合大规模数据供下游使用。具体来说，首先，通过合成90分钟聚合指标（均值、中位数、最小值、最大值和标准差）对差异化的数据流进行归一化；使用总和而非均值，以更准确地捕捉这些HealthKit数据类型在90分钟时间窗口内的整体锻炼质量。为在传感器非记录期间维持变量轨迹的估计，我们采用了患者内前向填充插补来处理90分钟总结数据中的间隙，从而保持时间序列的自回归完整性。我们使用患者内前向填充插补来保持时间序列的自回归完整性，并在传感器非记录期间保守估计变量轨迹。
TRUE-HF框架详情
利用可穿戴数据并结合患者特定临床信息，如性别、种族、年龄、处方剂量、体重和身高，我们的模型预测个体患者的心肺健康度及其随时间的变化。图1b中呈现的所有九个可穿戴衍生特征均作为模型输入。
我们的新方法利用上下文化DL模型来保留和分析30天患者可穿戴数据中的时间趋势，通过次日预测提供近乎连续的每日监测。为实现这一点，我们的模型包含三个不同组成部分：（1）它使用自底向上的方法将数据的时间表示上下文化，范围从90分钟间隔到全天聚合；（2）它将患者特定临床信息直接整合到可穿戴数据特征中，允许自适应特征计算；（3）它明确考虑时间约束，认识到日常活动受前几天的活动影响，并利用这一点为每天进行持续预测。
TRUE-HF模型（扩展数据图1）处理30天90分钟可穿戴数据总结，从连续的90分钟总结开始，并将其组装成更大的时间窗口，使模型能够学习不同时间分辨率下的时间关系，同时提高处理效率。这种方法体现在模型架构中，即变换器模型的自底向上变体，通过池化优化特征图并降低时间分辨率。
HealthKit数据首先通过一维卷积进行标记化，沿时间域折叠特征。然后输入通过一个TRUE-HF块处理，该块由一个变换器层和一个池化层组成。变换器层学习每个TRUE-HF块内时间分辨率的关系。随后，池化层聚合连续时间点对（即90–180分钟）。使用四个连续的TRUE-HF块，我们有效地分析了90分钟、180分钟、360分钟、720分钟和1,440分钟（日分辨率）的时间分辨率。最终预测层然后聚合过去30天（含）的信息，以预测当天的测量值。
为增强模型对可穿戴数据的理解，TRUE-HF整合了患者特定临床信息（如上所述），使其能够根据输入属性学习不同的操作，而不是平等对待所有输入。我们通过使用特征线性调制块增强TRUE-HF来实现这一点，该块根据临床细节调节神经网络中的激活。该模型仅使用基线门诊访问的人口统计学信息以保持时间因果关系。
最后，通过纳入因果自注意力机制，我们在TRUE-HF框架中明确约束时间学习仅向前移动（自相关）。该机制为时间学习引入了自回归属性。它确保任何给定日期的预测仅受该日期及之前日期数据的影响。我们利用因果注意力来启用额外的半监督训练，如下所述。
模型训练
所有迭代模型训练完全在前154名患者中进行，而最后63名患者仅用于保留测试。我们从训练中排除了研究入组和研究结束门诊访问的日期。
为缓解缺乏每日临床CPET和6MWT结果标签的问题，我们利用半监督学习，针对研究中每次测试的线性近似值进行训练。
在我们的研究中，缺少明确的每日标签，只有基线和研究结束门诊访问为我们的目标结果（CPET pVO₂或临床6MWT）提供临床状态。为为每个30天窗口建立目标结果（pVO₂或临床6MWT）的合理近似值，我们使用在初始入组评估和随访访问时记录的临床结果的线性插值，产生每日结果（补充图2）。
最终的TRUE-HF模型是一个由10个模型组成的集成，每个模型使用相同的TRUE-HF框架但不同的随机种子进行训练。TRUE-HF模型仅使用可穿戴数据和临床数据来预测未来状态，从不预测过去状态。使用这些模型的平均预测来推导TRUE-HF预测。
将TRUE-HF模型扩展到All of Us
All of Us数据集提供每分钟的可穿戴测量值，仅限于心率和步数，而原始TRUE-HF模型中的关键特征，如ActiveEnergyBurned、BasalEnergyBurned、Distance、AppleStandPlusTime、AppleExerciseTime、OxygenSaturation和HeartRateVariabilitySDNN不可用。
为应对这些差异，我们采用了知识蒸馏方法，具体是教师-学生训练策略。在这种方法中，由更全面的教师模型（TRUE-HF模型）生成的预测作为训练目标（伪标签），用于适应减少特征集的精简学生模型。鉴于原始TRUE-HF模型与All of Us兼容变体之间巨大的特征差距，我们引入了“教师助手”模型以促进知识转移并减轻性能下降。
该教师助手模型保留了所有原始可穿戴特征，但使用与All of Us队列对齐的简化临床特征集。对于每个训练批次，从原始TRUE-HF十模型集成中随机选择一个成员生成伪标签。随后，训练好的教师助手模型集成提供伪标签，以训练最终的All of Us兼容TRUE-HF-RS模型，该模型仅依赖心率、步数和简化临床特征集。
所有TRUE-HF和TRUE-HF-RS模型均仅在TRUE-HF队列的训练集（n=154）上进行训练。All of Us研究计划仅用于外部验证。
模型验证和结果
我们将我们的TRUE-HF pVO₂和TRUE-HF 6MWTD与临床测量的CPET pVO₂和6MWTD，以及苹果VO₂max和sixMinuteWalkTestDistance进行比较。为预测研究结束门诊访问的CPET值，我们使用了此前30天收集的可穿戴数据。这确保了所有模型输入反映自由生活条件，不受访问日进行的结构化CPET或测试影响。苹果VO₂max和苹果sixMinuteWalkTestDistance通过我们的iOS移动应用程序收集。注意，某些限制心率的情况或药物可能导致苹果VO₂max算法的高估——如苹果用户界面中所述。
为进一步评估我们的预测在检测pVO₂随时间变化方面的准确性，我们测量了模型在研究结束门诊访问时检测下降的能力，与入组临床测量值对比。对于CPET pVO₂，研究结束CPET pVO₂下降定义为从入组访问到研究结束门诊访问减少≥10%，选择该阈值是因为pVO₂下降6%至10%与HF患者中期至长期住院或死亡风险增加相关。为将患者分类为pVO₂下降≥10%，我们计算了最终模型预测（即门诊访问前一天的TRUE-HF预测）与研究入组CPET pVO₂之间的百分比差异。TRUE-HF 6MWTD模型使用相同的评估方法，我们分别测试了相关性测量值和6MWTD下降，并分类了6MWTD下降。
我们的次要目标是评估TRUE-HF预测的每日pVO₂下降与90天随访期间未计划医疗保健利用之间的关联。将该关联与基线测量的传统静态风险因素和临床模型（MAGGIC、SHFM和PREDICT-HF）的关联进行比较。我们将未计划医疗保健利用定义为在研究入组和研究结束访问之间发生的住院、非计划门诊访问或紧急静脉注射呋塞米治疗。我们的TRUE-HF pVO₂模型的首次预测需要30天数据。因此，本目标仅评估在研究前31天内未发生未计划医疗保健利用的患者。
可解释性和特征分析
我们检查了移除结构化月度锻炼时段的影响。通过排除开始和结束时间周围90分钟窗口内的测量值，屏蔽了在这些时段收集的所有可穿戴数据。在最终分析前选择了30天窗口（在统计分析计划中描述）。我们还通过比较较短窗口（10天或20天）与30天窗口，使用重新训练的模型和零样本推断，评估了输入窗口长度对准确性的影响。对组合TRUE-HF模型的显著性分析量化了特征重要性，每日平均显著性值用于可视化。为评估特征贡献，我们训练并比较了（1）一个具有临床基线变量的全连接神经网络和（2）一个仅使用可穿戴数据的模型。
统计分析
分析和方法是预先指定的，并在数据评估前进行，仅对保留测试集（n=63）执行，该测试集由最后50名成功完成研究结束门诊访问的患者组成。我们遵循了STROBE和MI-CLAIM报告指南。
主要分析比较了我们模型的观察值和预测值CPET pVO₂。我们使用Spearman系数测量观察值和预测值之间的基于秩的关联。使用Pearson r量化线性相关性。这两个相关性测量一起捕捉了模型预测保真度的互补方面。选择m.a.e.是因为其可解释性，与结果单位相同。使用AUROC评估正确预测结果测量有意义下降的诊断准确性。
为估计AUROC置信区间，我们采用了1,000次分层bootstrap重采样和分层数据重采样技术。基于DeLong检验，双边P<0.05被认为模型间显著。
次要分析使用了时间依赖性扩展Simon和Makuch的Kaplan-Meier累积风险曲线，以评估观察到的TRUE-HF每日pVO₂下降≥10%与未计划医疗保健利用之间的关联。在此分析中，队列被分为两组：（1）每日pVO₂下降≥10%的患者；（2）每日pVO₂下降<10%的患者。我们构建了未计划医疗保健利用的累积发生率曲线，并考虑了自变量的时间依赖性性质。为评估两组间无事件生存概率，我们构建了累积风险曲线，以考虑每日pVO₂协变量的连续变化，促进与未计划医疗保健利用相关的临床结果的纵向比较。扩展Cox比例风险模型量化了HR以及TRUE-HF每日pVO₂中时间依赖性pVO₂下降发生（以10%下降为尺度）与随后临床事件之间的关联强度。进行了涉及最小协变量调整的敏感性分析。由于样本量有限，这些分析使用了单一协变量调整，而非全面的多变量调整。
次要分析AUROC计算为每个患者从首次模型预测到事件或研究结束门诊访问（删失）前当天预测的最大百分比下降。执行DeLong单尾检验以评估连续监测方法将超越静态测量在区分性能方面的先验假设。使用Benjamini-Hochberg方法（目标假发现率=0.05）进行多重检验校正。在外部验证期间进行基于标志的时间依赖性AUROC分析，以评估模型基于到每个标志时间t识别的最大百分比下降来预测结果的能力。该分析以10天为间隔进行，重复30天结果窗口。
TRUE-HF预测观察到的趋势的定性结果是使用LOWESS平滑轨迹创建的，通过使用删失或事件前的最后一个观察值前向填充整个研究窗口中的删失或缺失数据。
数据预处理和模型开发使用Python中的Pandas（v1.5.3）、NumPy（v1.21.3）和PyTorch（v2.0.0）进行。相关性分析、m.a.e.计算和Simon和Makuch的Kaplan-Meier估计使用SciPy（v1.7.1）和lifelines（v0.28.0）进行。AUROC、DeLong检验、Benjamini-Hochberg校正和Cox比例风险模型在R中使用pROC（v1.18.5）和survival（v3.6-4）包以及timeROC包（v0.4）实现。TRUE-HF模型架构定义、可穿戴数据预处理和推理工作流已在GitHub上公开提供。
报告总结
有关研究设计的更多信息，请参见本文链接的《自然组合报告总结》。
数据可用性
支持本研究结果的数据包括TRUE-HF研究的临床可穿戴数据集和All of Us研究计划的去标识化参与者数据。TRUE-HF数据是在研究伦理委员会批准的协议下收集的，并获得了书面知情同意，不允许公开发布个体水平数据。符合条件的科研人员可考虑获取去标识化的TRUE-HF数据，但需获得UHN研究伦理委员会批准并签署数据使用协议，限制用于非商业研究目的，并禁止重新识别或进一步共享。请求应发送给通讯作者，并将逐案审查，通常在收到完整请求后4-6周内给予答复。All of Us数据可通过该计划的受控访问研究平台获取，面向符合资格要求并同意All of Us数据使用政策（禁止重新识别和未经授权的数据共享）的注册研究人员。访问请求由All of Us研究计划根据其治理框架进行审查，审查时间由该计划确定。
代码可用性
模型代码已在GitHub上提供。模型权重将不会公开发布，因为它们是在敏感临床可穿戴数据上训练的，受数据使用和同意限制。可为符合条件的科研人员提供运行TRUE-HF模型权重的安全接口，用于外部验证，但需获得请求机构的相关机构批准、UHN研究伦理委员会批准、数据使用协议以及适用的隐私法规。请求应发送给通讯作者，并将逐案审查，可在4-6周内给予答复。
参考文献
（此处列出了59篇参考文献，涵盖了心力衰竭流行病学、指南、可穿戴设备研究、机器学习方法等相关文献。由于篇幅限制，具体文献列表已从略，但所有引用均在原文中可查。）
致谢
我们感谢所有参与本研究的患者及其对研究的奉献。本研究由Ted Rogers心脏研究中心资助。本研究还部分由加拿大自然科学与工程研究委员会资助。C.M. 持有UHN联合医学影像系和多伦多大学医学影像系的医学影像教席。H.R. 是Loretta Rogers心脏功能教席持有者。Y.G. 部分由加拿大卫生研究院加拿大研究生奖学金博士奖和多伦多大学TRANSFORM HF学员奖资助。我们衷心感谢All of Us研究计划的参与者，没有他们的贡献，这项研究不可能完成。我们也感谢NIH的All of Us研究计划提供本研究所用的参与者数据。本研究使用了All of Us研究计划受控层级数据集v8，该数据集可供研究平台上的授权用户使用。资助方在研究设计、数据分析、数据解释或提交论文发表的决定中未发挥作用。苹果公司为本研究提供了iPhone和苹果手表设备，合作构建了研究专用的移动应用程序，并对稿件提供了反馈。其他资助方未参与数据收集或稿件准备。
作者信息
作者注释
Yuan Gao和Yasbanoo Moayedi共同贡献。
Chris McIntosh和Heather J. Ross共同指导本工作。
作者与单位
Ted Rogers心脏研究中心，多伦多大学，安大略省多伦多，加拿大
Peter Munk心脏中心，大学健康网络，安大略省多伦多，加拿大
医学生物物理学系，多伦多大学，安大略省多伦多，加拿大
Vector Institute，安大略省多伦多，加拿大
计算机科学系，多伦多大学，安大略省多伦多，加拿大
医学影像系，多伦多大学，安大略省多伦多，加拿大
贡献
所有作者均参与了研究设计、调查、数据验证和结果解释，并审阅、编辑和批准了稿件发表。H.R. 构思了研究。Y.M.、H.R. 和F.F. 撰写了方案。Y.G.、J.D. 和C.M. 处理并验证了可穿戴数据。Y.G. 和C.M. 构思、开发并验证了机器学习模型，并撰写了稿件初稿。B.V. 进行了All of Us数据分析。Y.G.、B.V.、C.M. 和F.F. 进行了统计分析。E.D.L.、M.B. 和B.K. 进行了入组和研究结束的非临床评估，并验证了临床和人口统计学数据。B.K. 和A.S. 协调并收集了患者合作伙伴反馈。H.R.、Y.M. 和D.H.B. 提供了数据和结果的临床解释。H.R.、C.M. 和Y.M. 监督了研究。
通讯作者
通讯作者：Chris McIntosh 或 Heather J. Ross。
伦理声明
竞争利益
苹果公司为本研究提供了200部iPhone和苹果手表设备，对稿件提供了反馈，并与所有作者合作构建了研究专用的移动应用程序。所有作者正在为本文所述的TRUE-HF模型申请专利。
同行评审
同行评审信息
《自然医学》感谢Yogesh Reddy和其他匿名审稿人对本工作的同行评审贡献。首席处理编辑：Michael Basson，与《自然医学》团队合作。
附加信息
出版商注：Springer Nature在已发表地图和机构隶属关系中的管辖权主张保持中立。
扩展数据
（包含扩展数据图1-5和扩展数据表1-7的链接，具体内容从略。）
补充信息
（包含补充图1-4、表1-4和统计分析计划PDF的链接。）
权利与许可
开放获取：本文根据知识共享署名-非商业性-禁止演绎4.0国际许可协议授权，允许任何非商业性使用、共享、分发和复制，前提是您适当注明原作者和来源，提供知识共享许可协议链接，并标明是否修改了许可材料。您无权分享本文或本文部分内容的改编版本。本文中的图像或其他第三方材料包含在文章的知识共享许可协议中，除非在材料的来源行中另有说明。如果材料未包含在文章的知识共享许可协议中，并且您的预期使用不被法定法规允许或超出允许使用范围，您需要直接获得版权持有人的许可。要查看本许可协议的副本，请访问知识共享网站。
关于本文
引用本文
Gao, Y., Moayedi, Y., Foroutan, F. 等。使用智能手表远程监测心力衰竭加重。《自然医学》32, 924–933（2026）。
【全文结束】