利用 PPG 信号向数十亿人提供心脏健康筛查迈出了一步

我们描述了一种使用光电容积描记器 (PPG) 数据的方法，用于早期检测心血管疾病风险，并发布了使用智能手机收集 PPG 信号的工具。

心脏病、中风和其他心血管疾病仍然是全球死亡的主要原因，每年夺走数百万人的生命。然而，全球数十亿人仍然无法接受必要的心脏健康检查。对于世界各地的许多人来说，获得医疗设施和实验室的检查既困难又不可靠，甚至连血压和体重指数 ( BMI ) 测量等简单检查都无法进行。因此，无数人直到很晚才意识到自己患心脏病的风险，无法从挽救生命的预防性护理中受益。

相比之下，世界上大多数人（54%）都有智能手机。从智能手机和可穿戴设备获取的信号是实现非侵入性护理的有希望的途径。事实上，早期研究表明，智能手机摄像头可用于准确测量心率和呼吸频率，这可以为医疗保健提供者提供有价值的诊断信息。

考虑到这一点，在我们发表于PLOS Global Public Health 的论文“使用光电容积描记法和深度学习预测心血管疾病风险”中，我们表明光电容积描记法 (PPG)（使用光测量血流变化）对于早期检测心血管疾病风险具有重要前景，这在资源匮乏的环境中尤其有价值。我们证明，结合年龄、性别、吸烟状况等基本元数据，来自简单指尖设备的 PPG 信号可以预测个人患重大长期心脏健康问题（如心脏病发作、中风和相关死亡）的风险。这些预测的准确性与通常需要测量血压、BMI 和胆固醇的传统筛查相似。为了鼓励收集与长期心血管结果配对的智能手机 PPG 数据，我们正在开源一个软件库，以便更轻松地从 Android 智能手机收集 PPG 信号。

心血管风险分层使用各种风险评分。这些评分的输入各不相同，从需要较难获取的信息来源（如医院测量和实验室）到较易获取的测量（如 BMI 和血压）。通常，随着我们沿着这一范围前进，风险预测的可访问性和质量之间会存在权衡。然而，我们提出的方法至少与基于办公室测量的风险评分一样准确，同时更易于获取。

什么是 PPG？

当您的心脏跳动时，流经身体中哪怕最细小血管的血量也会发生轻微变化。PPG 使用照射在您的指尖或耳垂上的光（通常是红外光）来测量这些轻微的波动。如果您曾经使用脉搏血氧仪测量过血氧水平，或者戴过智能手表或健身追踪器，那么您可能接触过 PPG。您还可以通过录制手指遮住手机摄像头的视频来获取 PPG 信号。多项研究已经探讨了 PPG 在各种心血管评估中的实用性，例如血压监测、血管老化和动脉僵硬。此外，谷歌之前的研究表明，智能手机获取的 PPG 信号可以准确测量心率。

我们的方法是利用手指 PPG 信号进行操作，该信号可以从脉搏血氧仪和智能手机等设备轻松收集，并且可以将该 PPG 信号与一些易于收集的元数据转换为心血管风险评分。

使用 PPG 预测长期心脏健康

不幸的是，很少有大型数据集将 PPG 数据与长期心血管结果配对。为了在一般人群中获得统计上有用的此类结果数量，数据集需要非常大，通常应涵盖 5-10 年的时间跨度。最近，生物库已成为一种流行的方式，用于收集各种生物标志物和结果的此类配对纵向数据。

为了实现这一目标，我们利用了英国生物库，这是一个大型的去识别生物医学数据集，涉及约 500,000 名来自英国的知情同意人士，并结合了大量心脏病发作、中风和相关死亡的长期结果。我们使用了英国生物库中包含 PPG 信号的子集，筛选出年龄在 40-74 岁的参与者，以更好地反映先前关于预测心血管疾病的研究。这产生了约 200,000 名参与者，然后我们将其分为训练集、验证集和测试集。

我们的方法分为两个阶段。首先，我们通过训练 1D- ResNet18模型来构建 PPG 的通用表示（模型嵌入），以仅使用 PPG 信号预测个体的多种属性（例如年龄、性别、BMI、高血压状态等）。然后，我们将生成的嵌入和相关元数据用作生存模型的特征，以预测 10 年内主要不良心脏事件的发生率。生存模型是Cox 比例风险模型，通常用于研究个体可能失访时的长期结果，也常用于估计疾病风险。

我们将此方法与几种估计风险评分的基线方法进行了比较，同时包括血压和 BMI 等额外信号。我们发现，我们的 PPG 嵌入可以在不依赖这些额外信号的情况下提供具有相当准确度的预测。评估生存模型整体价值的一种标准方法是一致性指数(C 指数)。根据这一指标，我们表明，使用年龄、性别、BMI、吸烟状况和收缩压的生存模型的 C 指数为 70.9%，而用我们易于获得的 PPG 特征替换 BMI + 收缩压的生存模型的 C 指数为 71.1%，并通过了统计非劣效性检验。

我们的深度学习系统 (DLS) 的Kaplan-Meier 生存曲线根据系统预测个体是低风险还是高风险进行分层。阈值通过匹配基于相同数据（收缩压 > 140mmHg）的简单血压筛查算法的特异性 (63.6%) 来确定。分层曲线表明，在十年的时间范围内，被视为高风险的个体发生重大心血管事件的概率明显高于被视为低风险的个体。

前景

这一突破可能使未来数十亿人都能接受心脏健康筛查。然而，还需要进一步研究来确认我们的研究结果是否适用于我们研究的英国生物库队列以外的其他人群。目前，没有其他足够大的数据集可以用来展示如何使用 PPG 来估计心血管风险。因此，我们的研究结果是证明全球投资前瞻性数据收集是合理的重要的第一步。

除了地理通用性之外，进一步的研究对于确认我们的模型是否适用于各种皮肤类型也至关重要，因为文献中报道了PPG 信号对氧合的估计存在不一致之处。英国生物库的研究使用了一种红外传感器 (PulseTrace PCA2)，它通过使用最佳波长 ( 940nm ) 来部分缓解由于皮肤色素沉着导致的吸收差异。还有进一步的证据表明，对于最先进的传感器来说，这个问题要小得多。我们的模型还依赖于在这个最佳波长下获得的波形形状，而不是在不同波长下获得的波形 (如 SpO2) 之间的比较，因此我们预计它不太容易受到这种偏差的影响。尽管如此，用实际数据来证实这一点也很重要。

最后，为了将此模型部署到智能手机上，我们的研究结果必须通过智能手机的 PPG 信号进行复制，但由于缺乏数据，目前无法实现。我们希望我们的开源软件库能够让其他研究人员轻松收集来自 Android 智能手机的 PPG 信号，以帮助克服这一问题。我们还将通过 UK Biobank Returns提供我们工作中的 PPG 嵌入。

我们相信，通过与国际社会合作，我们可以改变对抗心脏病的方式，尤其是在资源匮乏的环境中。通过将无处不在的智能手机与人工智能的力量相结合，我们可以迎来一个所有人都能接受挽救生命、经济实惠的心脏健康检查的未来。

致谢

这项工作凝聚了软件工程师、研究人员、临床医生和跨职能贡献者组成的多学科团队的努力。该项目的主要贡献者包括：Wei-Hung Weng、Sebastien Baur、Diego Ardila、Christina Chen、Lauren Harrell、Mariam Jabara、Babak Behsaz、Cory Y. McLean、Alicia Martin、Preeti Singh、Narayanan Sundararajan、Yossi Matias、Greg Corrado、Leor Stern、Shravya Shetty、Shruthi Prabhakara、Sunny Virmani、Jamie Rogers、Yun Liu、Fred Hersch、Madhuram Jajoo 、 Divya Ramnath、Jing Tang 、 Chandrashekar Sankarapu 和 Arun Samudrala。我们还感谢 Goodarz Danaei 博士（哈佛大学陈公共卫生学院 Bernard Lown 心血管健康教授）和 Yogeshwar Kalkonde 博士（印度 Sangwari公共卫生医生和研究员）为该项目贡献了专业知识。我们还要特别感谢 Tom Small 为本博文制作动画。