告別壓脈帶！物理AI驅動的智慧手錶，即時監測全血壓波形

將物理定律嵌入神經網路

核心的機器學習元件是一個「訊號標記物理神經網路」，它將流體力學定律寫入自身的架構中。有別於傳統從資料中學習關聯性的黑盒子深度學習模型，PINN 無法產生物理上不可能的結果，研究團隊認為這使得其預測結果在臨床決策上更值得信賴。

由於模型已內建脈動流體與電磁學的物理知識，它能夠單憑電訊號就重建出完整的壓力波形，完全不需要壓脈帶提供基準值。這正是該系統實現真正「免校準」的核心。

手錶能讀懂壓脈帶測不到的資訊

傳統壓脈帶只提供收縮壓與舒張壓這兩個瞬間數值。猶他大學團隊的智慧手錶則輸出連續的完整血壓時間波形。除了標準血壓外，該裝置還能估算出徑向血流速度與軸向血流速度——也就是血液流經動脈的速度。

共同作者、數學家布雷斯頓·奧斯汀生動地解釋了這項進展：「血壓不是兩個數字，而是時間的函數。數學上的挑戰，就在於如何從手腕上的間接電訊號，恢復出這整個波形」。

最終得到的是豐富的血行動力學圖像，可能揭露危險的短暫血壓飆升、夜間模式，以及傳統門診間歇性量測所遺漏的「隱匿性高血壓」。

涵蓋健康受試者與患者的測試

這款智慧手錶在總共150名參與者身上進行了評估，包含在休息中以及體能活動（走路、跑步、爬樓梯）後的健康個體。關鍵的是，研究還納入了在門診與加護病房環境中的高血壓與心血管疾病患者。這直接回答了生阻抗感測技術是否適用於最需要監測的族群。

雖然目前尚無2026年此研究的精確數值準確度指標，但同一團隊早先基於PINN的研究曾報告與參考測量值之間的高度相關性（收縮壓：0.90，舒張壓：0.89）。那些2023年的模型達到了收縮壓誤差 1.3±7.6 mmHg、舒張壓誤差 0.6±6.4 mmHg 的水準。新款裝置的目標是在真實世界的穿戴式型態中達到甚至超越該表現。

臨床潛力與待解難題

連續、免校準的血行動力學監測，其臨床分量不容小覷。該裝置可用於早期偵測高風險患者中危險的血壓不穩定情況、即時指引藥物劑量調整，並消除干擾單點讀數的白袍效應。

然而，仍有幾項挑戰存在。該裝置尚未取得任何地區的醫療器材監管許可，持有相關智慧財產權的猶他大學也才正處於初期的授權洽談階段。此研究由美國國家科學基金會、國家衛生研究院、猶他大學與 B‑Secur 有限公司資助，而主要作者班傑明·桑切斯·泰隆尼斯在資助公司中持有股權並擔任領導職務。這項潛在的利益關係值得讀者與臨床醫師權衡。

就技術層面而言，這種物理驅動方法的最大優勢也正是其最大挑戰：重建訊號的品質完全取決於模型能否忠實捕捉真實世界中的生阻抗變化。外在因素如動作雜訊、皮膚濕度與接觸壓力，仍可能降低訊號品質。後續研究需證明，此系統在日常生活中能像在控制試驗中一樣穩健。

目前市面上沒有一款穿戴裝置能提供如此深度的連續、免校準血行動力學監測。若猶他大學團隊能順利走完從實驗室到產品的路途，我們熟悉的壓脈帶將可能成為上個醫學時代的懷舊之物。