告別血壓臂帶？內置物理定律嘅AI手錶，持續監測血流全貌

將物理定律嵌入神經網絡

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」。

手錶睇到啲乜嘢？臂帶睇唔到嘅嘢

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 。

研究共同作者、數學家 Braxton Osting 好直白噉解釋呢個突破：「血壓唔係兩個數字咁簡單；佢係一個時間函數。數學上嘅挑戰就係點樣由手腕上嘅間接電氣測量，恢復返成個波形出嚟」。

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」。

由健康人士到ICU病人嘅實測

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。

臨床潛力同仲要解決嘅疑問

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」。