IA
Google investiga la identificación pasiva de signos de hipertensión con relojes inteligentes de consumo
Google Research publicó el sistema de IA multimodal AI-PPG-ACC-HTN, que utiliza las señales PPG y del acelerómetro de un reloj inteligente común para identificar el estado de hipertensión persistente agregando datos de varios días, sin necesidad de calibración con brazalete. El estudio afirma que, frente a la monitorización ambulatoria de la presión arterial de 24 horas, alcanza una precisión cercana a los procedimientos tradicionales con brazalete.
Paolo Di Achille y Ming-Zher Poh, investigadores de Google Research, presentaron un sistema de IA que detecta pasivamente signos de hipertensión utilizando sensores estándar de relojes inteligentes de consumo. La hipertensión afecta a más de 1000000000 de personas en todo el mundo, pero más de la mitad de los pacientes adultos no lo saben; en personas de 18 a 44 años, la falta de diagnóstico también puede retrasar una intervención temprana y aumentar riesgos cardiovasculares a largo plazo, como ictus e insuficiencia cardíaca.
Los dispositivos portátiles actuales sin brazalete suelen requerir una calibración periódica con un brazalete tradicional en el brazo y solo pueden seguir los cambios respecto a lecturas de referencia, por lo que tienen dificultades para identificar de forma independiente un estado absoluto de hipertensión. El nuevo sistema, AI-PPG-ACC-HTN, no estima la presión sistólica y diastólica exacta en un momento concreto, sino que agrupa señales fisiológicas pasivas recogidas durante varios días para determinar si una persona presenta un estado de hipertensión persistente.
El entrenamiento del modelo se dividió en dos fases. Primero se entrenó una red neuronal convolucional profunda unidimensional mediante aprendizaje contrastivo autosupervisado, basándose en un total de 492347 horas de datos de sensores sin etiquetar de 2109 participantes que dieron su consentimiento, para que el modelo aprendiera representaciones de formas de onda PPG y del acelerómetro superpuestas de 15 segundos de una misma persona y descubriera características de la función mecánica vascular y cardíaca. Posteriormente, el sistema agrupa mediante promediado los bloques de características generados por el usuario durante varios días de uso para reducir el impacto de ruidos a corto plazo, como movimientos bruscos o cambios de temperatura, y, combinando la estatura como indicador indirecto de la longitud del trayecto arterial, utiliza un clasificador de regresión logística regularizada para ofrecer una probabilidad continua de hipertensión.
La investigación se publicó en Nature y se validó frente a la monitorización ambulatoria de la presión arterial de 24 horas, el estándar de oro clínico. Google afirmó que la precisión del sistema en el cribado inicial y en el cribado de confirmación es comparable al proceso de diagnóstico tradicional con brazalete; los resultados también se utilizaron para la función de tendencias de presión arterial de Health Guardian en la aplicación Google Health. El material disponible no detalla completamente el tamaño de muestra ni los valores finales de rendimiento del estudio clínico multicéntrico.