谷歌AI用普通手表测高血压：196人研究准确率65.8%，已并入健康App趋势功能

一句话看懂：Google Research 训练出一个神经网络，仅凭智能手表已有的脉搏和运动传感器就能估算高血压风险，无需袖带校准；在一项 196 人研究中检出率为 65.8%，高于传统诊室测量的 55.3%。

事件核心：发生了什么

根据 Google 博客与发表在《Nature》上的研究，这套 AI 方案不依赖血压计做初始校准，而是读取现代手表普遍内置的脉搏传感器和运动传感器数据。训练阶段，神经网络在约 50 万小时的传感器数据上做自监督学习——把短片段两两比对，判断是否来自同一人，从而自行学到脉搏与心搏的典型模式，全程没有使用诊断标签引导。系统随后把多天的模式取平均，输出一个高血压概率。Google 的健康模型 SensorFM 同样从手表数据中学习。

研究覆盖美国五个研究站点、共 196 名参与者。目前公开信息显示，该方法仍属研究项目，不构成诊断，但相关发现已并入 Google Health 应用中的血压趋势功能。

为什么重要

高血压的难点不只是测量，而是发现：按 Google 的说法，超过一半的高血压患者并不知道自己患病。袖带测量的门槛在于设备和场景，而手表是长期佩戴的。如果仅靠既有传感器就能给出风险信号，可穿戴设备的价值会从“记录运动与心率”转向“慢病早筛入口”。对 Google 而言，这也说明 SensorFM 这类健康基础模型的路线是先用大规模无标注数据预训练，再适配具体任务，而非为每个指标单独采集标注数据——这套训练范式在数据获取成本高的医疗场景尤其有吸引力。

对用户/开发者/创作者的影响

普通用户应把它理解为“提示你去检查”的工具，而不是替代血压计：65.8% 的检出率意味着仍有相当比例的高血压者不会被识别，概率偏高的结果需要临床确认。开发者值得注意两点：一是研究强调无需袖带校准，降低了硬件门槛，说明传感器数据本身加自监督学习可能比新增专用传感器更经济；二是健康类 AI 功能的边界很清楚——输出概率而非诊断结论，这在产品设计与合规上都是更稳妥的定位。内容创作者在解读此类研究时，应避免把 196 人样本的结果外推为普遍准确率。