Google วิจัย AI ใช้สมาร์ทวอทช์ตรวจความดันโลหิตสูง ไม่ต้องใช้สายรัด

Hypertension หรือภาวะความดันโลหิตสูง มักถูกเรียกว่า "เพชฌฆาตเงียบ" ซึ่งส่งผลกระทบต่อประชากรมากกว่าหนึ่งพันล้านคนทั่วโลก ทว่าผู้ใหญ่ที่มีภาวะนี้มากกว่าครึ่งกลับ ไม่ทราบว่าตนเองเป็น เนื่องจากมักไม่แสดงอาการชัดเจนและตรวจพบได้ยากหากไม่ได้รับการคัดกรองทั่วไป

ช่องว่างในการรับรู้นี้รุนแรงเป็นพิเศษในกลุ่ม ผู้ใหญ่ตอนต้นอายุ 18 ถึง 44 ปี ซึ่งการวินิจฉัยที่ล่าช้าอาจขัดขวางการรักษาที่ช่วยชีวิตได้ทันท่วงที และเพิ่มความเสี่ยงระยะยาวต่อภาวะหลอดเลือดสมองหรือหัวใจล้มเหลว

การวัดความดันโลหิตที่สถานพยาบาลคือ ช่องทางคัดกรองเบื้องต้นหลัก แต่ปัจจุบันอุปกรณ์สวมใส่แบบไม่ต้องใช้สายรัดแขน (cuffless) เริ่มเข้ามามีบทบาทมากขึ้น อย่างไรก็ตาม อุปกรณ์ในปัจจุบันยังต้องมีการสอบเทียบ (calibration) กับสายรัดแขนเป็นประจำ ทำให้ยังมีข้อจำกัดในการเป็นเครื่องมือคัดกรองอิสระ

ใน งานวิจัยใหม่ ที่ตีพิมพ์ใน Nature เราได้นำเสนอระบบ AI แบบต่อเนื่อง (multimodal) ชื่อว่า AI-PPG-ACC-HTN ที่สามารถตรวจหาสัญญาณความดันโลหิตสูงได้อัตโนมัติ (passively) ผ่านสมาร์ทวอทช์ทั่วไปโดยไม่ต้องสอบเทียบ ผลการทดสอบพบว่ามีความแม่นยำเทียบเท่ามาตรฐานทางคลินิก (ABPM) ทั้งในการคัดกรองและยืนยันผล ซึ่งข้อมูลนี้ได้นำไปพัฒนาฟีเจอร์ Health Guardian ในแอป Google Health

ทำงานอย่างไร

แทนที่จะประมาณค่าความดันโลหิตซิสโตลิกและไดแอสโตลิก ณ จุดใดจุดหนึ่งซึ่งเสี่ยงต่อสัญญาณรบกวน ระบบของเราเน้นระบุสถานะความดันโลหิตสูงที่คงอยู่ภายในของแต่ละบุคคล โดยรวมสัญญาณทางสรีรวิทยาที่บันทึกอัตโนมัติตลอดหลายวันผ่านเซ็นเซอร์สองตัวในสมาร์ทวอทช์:

Photoplethysmography (PPG): เซ็นเซอร์ออปติคัลวัดการเปลี่ยนแปลงของปริมาตรเลือดที่ข้อมือผ่านแสงสะท้อน
Accelerometry (ACC): เซ็นเซอร์ตรวจจับการเคลื่อนไหวเพื่อบันทึก ballistocardiogram (BCG) หรือการสั่นสะเทือนทางกายภาพเล็กน้อยที่ข้อมือจากการบีบตัวของหัวใจ

Diagram of a machine learning workflow using wearable PPG and accelerometer data to predict a hypertension score.

ระบบ AI ใช้สัญญาณ PPG และ ACC จากสมาร์ทวอทช์สร้างการฝังตัวของรูปคลื่น (waveform embeddings) และรวมข้อมูลตลอดหลายวันร่วมกับส่วนสูงของผู้ใช้เพื่อทำนายสถานะความดันโลหิต

กระบวนการสร้างระบบใช้การเรียนรู้ของเครื่องสองขั้นตอน:

ขั้นที่ 1: การฝึกฝนล่วงหน้าแบบเรียนรู้ด้วยตนเอง (waveform encoder)

เราฝึกฝนโครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก 1 มิติ (1-D deep convolutional neural network) โดยใช้การเรียนรู้เชิงเปรียบเทียบแบบเรียนรู้ด้วยตนเอง (self-supervised contrastive learning) จากชุดข้อมูลเซ็นเซอร์กว่า 492,347 ชั่วโมง เพื่อให้โมเดลค้นพบคุณลักษณะที่ซับซ้อนของหลอดเลือดและหัวใจโดยไม่ต้องระบุป้ายกำกับทางการแพทย์ด้วยมือ

ขั้นที่ 2. การรวมกลุ่มและจำแนกประเภทระดับบุคคล

โมเดลจะรวมค่าเฉลี่ยคุณลักษณะ (embeddings) ตลอดการสวมใส่หลายวันเพื่อลดสัญญาณรบกวน เช่น การขยับตัวกะทันหัน จากนั้นจึงนำไปรวมกับข้อมูลส่วนสูง (ตัวแทนความยาวเส้นทางหลอดเลือดแดง) เพื่อคำนวณคะแนนความน่าจะเป็นของภาวะความดันโลหิตสูงผ่านตัวจำแนกประเภทแบบ logistic regression

การตรวจสอบความถูกต้องอย่างเข้มงวดเทียบกับมาตรฐานทางคลินิก

เราทำการศึกษาทางคลินิกใน 5 ศูนย์วิจัยทั่วสหรัฐฯ กับผู้เข้าร่วม 196 คนที่ไม่มีโรคประจำตัวด้านหลอดเลือดหัวใจ โดยเปรียบเทียบประสิทธิภาพสมาร์ทวอทช์กับมาตรฐานสูงสุดอย่างการติดตามความดันต่อเนื่อง 24 ชั่วโมง (ABPM) ในสองสถานการณ์:

สถานการณ์ที่ 1: การคัดกรองเบื้องต้น

สมาร์ทวอทช์มีค่าความไว (sensitivity) 65.8% และความจำเพาะ (specificity) สูงถึง 90.0% ซึ่งให้ค่าการทำนายผลบวก (PPV) 80.6% สูงกว่าการคัดกรองเบื้องต้นที่สถานพยาบาลที่มีค่าความไว 55.3% และ PPV 77.8% เมื่อเทียบกับมาตรฐานสูงสุด

Bar charts comparing sensitivity, specificity, PPV, and NPV across Demographics, Office BPM, and AI-PPG-ACC-HTN models.

สถานการณ์ที่ 2: การทดสอบเพื่อยืนยันผล

ในกลุ่มผู้ที่มีความดันโลหิตสูงจากการตรวจที่คลินิก (N=48) ระบบสมาร์ทวอทช์สามารถยืนยันภาวะนี้ได้ด้วยความไว 78.4% ความจำเพาะ 90.9% และ PPV สูงถึง 96.7% ซึ่งมีประสิทธิภาพเหนือกว่าการวัดซ้ำที่สถานพยาบาล และสามารถแข่งขันกับการติดตามผลที่บ้านหลายวันได้

Bar charts comparing hypertension detection methods show AI-PPG-ACC-HTN achieves the highest specificity (90.9%) and PPV (96.7%).

ความสามารถในการตีความของโมเดล

ภาพแสดงรูปคลื่นชีพจรเฉลี่ยช่วยให้เราเห็นสิ่งที่ AI ให้ความสำคัญ ดังนี้:

ความกว้างของชีพจรที่ลดลง: ผู้ที่มีความเสี่ยงสูงจะมีรูปคลื่นแคบลง บ่งชี้ถึงหลอดเลือดแดงที่แข็งตัวขึ้น
การสะท้อนของคลื่นชีพจร: คะแนนเสี่ยงสูงสัมพันธ์กับช่วงซิสโตลิกที่ช้าลงและอัตราส่วน d/a ที่ต่ำลง สะท้อนถึงแรงสะท้อนกลับจากเครือข่ายหลอดเลือด
การสั่นสะเทือนทางกลไกของหัวใจ: พบการเปลี่ยนแปลงในสัญญาณ BCG โดยเฉพาะ "K waves" ที่ลึกขึ้นในกลุ่มเสี่ยงสูง

Plots of pulse and acceleration waveforms and their derivatives, categorized by AI hypertension risk scores.

มุมมองในอนาคต

การคัดกรองด้วยสมาร์ทวอทช์ไม่ได้มาเพื่อแทนที่สายรัดแขนมาตรฐาน แต่เป็นเครื่องมือเสริมสำหรับ การคัดกรองเมื่อมีโอกาส ที่เข้าถึงง่าย งานวิจัยเบื้องต้นนี้ชี้ให้เห็นศักยภาพในการเตือนบุคคลที่มีความเสี่ยงให้เข้าสู่กระบวนการรักษาอย่างเป็นทางการ เพื่อปิดช่องว่างการรับรู้ภาวะความดันโลหิตสูงทั่วโลกก่อนที่จะเกิดความเสียหายถาวรต่อร่างกาย

กิตติกรรมประกาศ

งานวิจัยนี้เป็นความร่วมมือระหว่าง Google Research, Beth Israel Deaconess Medical Center และ Harvard Medical School โดยมีผู้เขียนร่วมอาทิ Lawrence Cai, Jiang Wu, และคณะ ภายใต้การสนับสนุนจากผู้เชี่ยวชาญหลายภาคส่วนใน Google