背景:高血压是心血管发病率和死亡率的重要贡献因素,但常存在诊断不足和控制不佳的问题,间歇性基于袖带的测量仅提供离散读数,忽略了短期的血管动态变化。光电容积描记法(PPG)作为一种非侵入性光学技术,通过追踪脉动性血容量变化,提供了一种实用、低成本且兼容可穿戴设备的替代方案,能够捕捉时间与波形形态模式。与双传感器或依赖校准的系统不同,单部位PPG能够提取与动脉僵硬度、顺应性和波反射相关的指标,提供具有生理可解释性的血管信息。信号处理与可解释机器学习(ML)的进步已将PPG分析从描述性形态学转向特征驱动的临床预测。整合波形指标——如收缩期振幅、轮廓尖锐度和谐波能量分布——与人口统计学变量,能够实现对血压状态的透明建模。目的:开发一个可解释的机器学习模型,利用从单一PPG信号中提取的生理和形态特征,对收缩压(SBP)状态进行分类。方法:研究人员分析了860名参与者,并从90秒的指尖PPG记录中提取了波形衍生和临床特征。采用带有五折交叉验证的LASSO正则化逻辑回归模型进行特征选择和分类,并使用SHAP值评估模型的可解释性。结果:最终模型获得了0.83 (95% CI 0.79–0.87) 的AUC值、0.83的F1分数和1.39的Cohen’s d效应量。模型保留了五个预测因子:年龄、身体质量指数(BMI)、P1振幅、波形尖锐度(1_10)和谐波比(H2/H1)。更高的P1、更大的波形尖锐度和更高的BMI与收缩压升高呈正相关,而H2/H1则与之呈负相关。结论:一个利用具有生理意义特征的可解释PPG模型能够区分高血压和正常血压个体,并可能成为一种实用的数字筛查工具,用于筛查收缩压升高。
**四、论文解读**
**研究背景与问题提出**
高血压是全球主要的公共卫生挑战,影响着超过30%的世界人口,但其诊断率和控制率普遍偏低,许多患者甚至未意识到自身患病状况。这一“沉默的流行病”显著增加了心血管疾病、中风和慢性肾脏病等严重并发症的风险。当前临床实践中,诊断高血压主要依赖于间歇性、基于袖带的血压测量,这种方法不仅操作不便,且只能提供离散时间点的读数,容易受到“白大衣效应”等干扰,无法捕捉日常生理活动中的短时血管动力学变化。因此,开发一种便捷、低成本且可连续监测的早期筛查技术,对于改善高血压的防控至关重要。
光电容积描记法(PPG)作为一种非侵入性光学检测技术,通过测量微血管床的脉动性血容量变化,近年来在心血管监测领域展现出巨大潜力。传统的基于PPG的血压评估方法常依赖于脉搏传导时间(PTT)或脉搏波速度(PWV)等指标,但这些方法通常需要结合心电图(ECG)信号进行校准,限制了其在可穿戴设备和大规模筛查中的可扩展性。与此同时,尽管人工智能(AI)和机器学习(ML)在高血压管理中的应用日益增多,但许多高性能模型本质上是“黑箱”,缺乏生理可解释性,这阻碍了其在临床实践中的采纳与信任。因此,亟需一种既能保持数据驱动建模优势,又具备清晰生理含义和可解释性的新方法,尤其是在生理信号分析方面。本研究旨在解决上述问题,开发一个快速、可解释、仅依赖单一传感器的机器学习框架,用于区分高血压与正常血压人群。
**研究工作与核心结论**
研究人员开展了一项横断面临床研究,招募了860名来自中国医药大学附设医院心脏科门诊的成年参与者。通过标准化的流程,获取了他们静息状态下90秒的指尖PPG信号,并记录了基于袖带的参考血压值。研究的核心创新在于构建了一个从信号质量控制、生理特征提取到可解释模型构建的完整分析流程。
研究的主要结论是:一个仅使用五个关键预测因子——年龄、身体质量指数(BMI)、收缩期振幅(P1)、波形尖锐度(1_10)和谐波比(H2/H1)——的紧凑型可解释机器学习模型,能够有效地区分高血压(SBP ≥140 mmHg)与正常血压(SBP ≤120 mmHg)个体。该模型在五折交叉验证中达到了0.83的曲线下面积(AUC),显示出良好的判别性能。更重要的是,模型中每个特征都具有明确的生理学解释:P1反映左心室射血与动脉系统的相互作用,1_10捕捉动脉僵硬度与波反射时相,H2/H1表征血管顺应性和反射波衰减,而年龄和BMI则是公认的血管负荷系统性决定因素。这一发现证明了单一PPG信号结合人口统计学信息,可以作为一种实用、低成本的数字生物标志物,用于高血压的初步筛查和风险分层,为在资源有限或远程医疗环境中进行大规模心血管健康监测提供了新的可能性。该研究成果发表于《Frontiers in Physiology》期刊。
**主要技术方法**
本研究采用的主要技术方法包括:首先,使用MAX30102光学传感器采集参与者的指尖PPG信号,并设计了基于信号质量指数(SQI)的质量控制流程以排除低质量片段。其次,从信号中提取了包含19个PPG衍生特征(涵盖时域、频域及波形形态学参数)和11个临床/衍生变量在内的30个候选特征。最后,应用了带五折交叉验证的LASSO正则化逻辑回归模型进行特征选择和分类,并利用SHAP (SHapley Additive exPlanations) 值进行模型解释性评估。研究样本来源于中国医药大学附设医院心脏科门诊的就诊人群。
**研究结果详解**
* **3.1 按SBP分层的基线特征**:研究人员将参与者分为正常血压组(SBP ≤120 mmHg)和高血压组(SBP ≥140 mmHg)。分析显示,高血压组患者的年龄和身体质量指数(BMI)显著高于正常血压组,而两组在性别比例、主要心血管合并症及用药情况上无显著差异,这表明年龄和BMI是与收缩压水平相关的关键因素。
* **3.2 模型性能**:在对五种分类器(LASSO逻辑回归、随机森林、XGBoost、支持向量机和K近邻)的比较中,LASSO逻辑回归模型表现最优,获得了0.831的AUC值和1.39的Cohen’s d效应量,表明其在区分两类人群方面具有强大的判别力。该模型在精确率、召回率和F1分数上也表现出良好的平衡性。
* **3.3 特征重要性与模型解释**:通过SHAP分析,研究人员发现五个关键预测因子对模型输出的贡献具有明确的方向性。较高的P1振幅、更尖锐的波形(1_10)和较高的BMI值均会增加模型预测高血压的概率,而较高的H2/H1比值则会降低该概率。这验证了每个特征与收缩压之间符合预期的生理学关联,增强了模型的可信度。
* **3.4 整体模型比较**:尽管随机森林和XGBoost等集成方法也取得了与LASSO模型接近的AUC值,但LASSO模型在提供相当性能的同时,通过特征稀疏化和透明的系数结构,实现了更优的可解释性,这对于临床应用和理解模型决策过程至关重要。
* **3.5 心率对P1影响的额外分析**:研究进一步发现,P1振幅受到心率的影响。为此,研究人员引入了一个心率校正参数P1' = ln(P1/心率)。使用该参数后,模型性能保持稳定甚至略有提升,说明对这种非线性生理影响的考量可以增强特征的鲁棒性。
**总结与讨论**
本研究开发并验证了一个基于单一PPG信号的可解释机器学习框架,用于无创筛查收缩压升高。该框架的亮点在于将严格的信号质量控制、基于生理意义的LASSO特征选择以及透明的逻辑回归模型相结合,克服了以往PPG血压研究多侧重于描述性关联或采用黑箱模型的局限。通过将初始的30个候选变量精简为5个可解释的预测因子,模型在保持高判别力(AUC=0.83)的同时,提供了清晰的临床洞察。尽管研究存在单中心、横断面设计、仅关注二分类收缩压等局限,但其结果表明,这种简约、可解释的模型具备作为大规模、低成本高血压初级筛查数字工具的潜力,尤其适用于门诊和社区健康监测场景。
**结论翻译**
本研究证明,一个仅使用五个预测因子(包括年龄、BMI、P1、1_10和H2/H1)的紧凑型可解释模型,无需借助ECG或动脉压力传感器等辅助设备,即可有效区分高血压与正常血压个体。该框架仅依赖单一通道PPG信号和基本的人口统计学输入,使其适用于门诊及更广泛的社区环境,实现快速、无创、低成本的高血压初步筛查。从临床角度看,该模型可作为早期预警数字生物标志物,帮助识别需要进行确认性血压测量或进一步心血管评估的个体。其简单性支持无缝集成到便携式或可穿戴设备中,允许在资源有限或远程医疗环境中进行机会性筛查。此外,模型基于生理可解释特征而非不透明的潜表示构建的可解释结构,增强了临床信任并有助于符合监管要求。生理洞察、算法透明度和实际可部署性的融合,使该框架成为连接信号级PPG分析与现实世界高血压预防计划的可扩展桥梁。