成個系統嘅機器學習核心係一個「訊號標記物理知情神經網絡」,佢直接將流體動力學嘅法則「焗」咗入神經網絡嘅架構入面 。傳統嘅深度學習模型係「黑箱作業」,純粹從數據中搵關聯性;但PINN唔同,佢受物理定律約束,冇辦法產生物理上唔可能發生嘅結果。研究員就認為,呢點令到AI喺臨床決策上更加值得信賴
。
因為模型本身就已經「明白」脈動血流同電磁學嘅物理原理,佢可以單憑手腕嘅電訊號,就重構出成個壓力波形,完全唔需要靠臂帶提供基線校準。呢個就係點解呢套系統可以做到真正嘅「免校準」。
傳統血壓臂帶只會喺某一瞬間,畀到收縮壓同舒張壓兩個數字你。猶他大學團隊呢隻智能手錶,輸出嘅係一條隨時間連續變化嘅血壓波形 。除咗基本壓力值之外,裝置仲可以估算橈動脈血流速度同軸向血流速度——即係血液喺動脈入面流動得有幾快
。
換句話講,呢個豐富嘅血流動力學圖像,可以揭示出嗰啲間歇性量度永遠捉唔到嘅危險短暫峰值、夜間血壓模式,同埋「隱蔽性高血壓」。
呢款智能手錶總共喺150位參與者身上進行咗評估,當中包括咗靜止狀態同進行體力活動(行路、跑步、爬樓梯)之後嘅健康人士 。更加關鍵嘅係,研究仲涵蓋咗門診同深切治療部(ICU)入面,患有高血壓同心血管疾病嘅病人。呢個直接驗證咗BioZ感測喺最需要呢項技術嘅人群身上究竟Work唔Work。
雖然2026年研究嘅準確度數值喺現有摘要入面未有詳細列出,但係同一團隊早前用PINN技術做嘅研究,已經報告過同標準測量有極高嘅相關性(收縮壓:0.90,舒張壓:0.89)。佢哋2023年嘅模型,收縮壓誤差係 1.3 ± 7.6 mmHg,舒張壓誤差係 0.6 ± 6.4 mmHg 。新款裝置嘅目標,就係喺真實穿戴產品層面達到甚至超越呢個表現。
持續、唔洗校準嘅血流動力學監測,佢嘅臨床重量絕對唔講得笑。呢款裝置可以提早偵測高危病人出現危險血壓不穩定嘅情況,實時指導醫生調整藥物劑量,仲可以消除因為「白袍效應」(指病人見到醫生緊張導致血壓飆升)而扭曲嘅單次讀數 。
不過,有幾個要點要注意。呢個裝置暫時仲未攞到任何監管機構嘅審批,而持有相關知識產權嘅猶他大學,目前只係處於早期嘅授權討論階段 。呢項研究由美國國家科學基金會(NSF)、美國國立衛生研究院(NIH)、大學本身,同埋 B‑Secur, Ltd. 資助;值得留意嘅係,主要作者 Benjamin Sanchez Terrones 喺 B-Secur 呢間公司持有股權同擔任領導角色
。呢層關係代表住潛在嘅利益衝突,讀者同醫護人員需要自行判斷。
從技術層面睇,物理驅動方法最大嘅優勢,同時亦係佢最大嘅挑戰:重構波形嘅質素,完全取決於模型有幾準確捕捉到真實世界嘅生物阻抗變化。外來因素例如動作偽影、皮膚濕度、手錶接觸壓力,都有可能降低訊號質素。後續嘅研究,必須要證明呢套系統喺日常生活入面,同喺受控實驗室測試一樣咁穩健先得。
時至今日,市場上冇任何穿戴式裝置,可以提供到呢種深度嘅連續、免校準血壓監測。如果猶他大學團隊能夠成功將呢項技術由實驗室帶到量產產品,咁我哋由細戴到大嗰個充氣臂帶,可能真係會成為舊醫學時代嘅「歷史遺物」。
Comments
0 comments