一种新型人工智能模型能够通过简易可穿戴传感器数据估算你血管的“真实”年龄，揭示的年龄差异可为未来心血管风险提供关键洞察。
在《自然》旗下《通讯医学》期刊发表的一项研究中，研究人员推出了AI-PPG年龄——一种基于深度学习的生物标志物，其数据源自光电容积描记术（PPG）信号。这类光学脉冲信号可被智能手表等常见可穿戴设备捕获。
研究团队发现，个体的AI-PPG年龄（血管生物学年龄的估算值）常与其实际年龄存在差异。这种差异即“年龄差”，被证实是心血管事件和死亡风险的有力预测指标，为群体健康监测提供了一种可扩展的无创方法。
背景
心血管疾病仍是全球首要死因，但早期检测常受限于需依赖诊所专用设备。PPG信号已被众多可穿戴设备采集，提供了无创且广泛可及的替代方案。尽管先前研究利用PPG数据检测心房颤动等特定病症，但尚缺乏全面评估血管健康的综合指标。
AI-PPG年龄正是为此而生。研究人员构建了深度学习模型，通过原始PPG信号估算生物学年龄。该AI推导年龄与实际年龄之间的差距，成为一种新型生物标志物，可警示心血管风险升高并指导主动健康决策。
模型开发与验证
该模型主要基于大规模英国生物银行（UK Biobank）数据训练，并利用独立PulseDB数据集的VitalDB子集进行微调。外部验证采用PulseDB的MIMIC-III子集，该数据集包含院内死亡率等临床结局关联信息。
关键技术挑战在于英国生物银行数据集的年龄分布失衡（偏向中年人群）。为此，研究者引入“分布感知损失函数”（Dist Loss），将传统平均绝对误差（MAE）与校准模型预测与实际年龄分布的组件相结合，从而提升个体精度和群体层面可靠性。
模型采用一维卷积神经网络（Net1D）从PPG波形中提取有意义特征。通过显著性图谱增强可解释性，揭示模型主要依赖舒张期峰值——这与已知的血管老化生理标志物一致。核心指标为AI-PPG年龄差，即预测生物学年龄与实际年龄的差值，其与心血管结局和死亡率的关联经过统计验证。
AI-PPG年龄差的预测价值
AI-PPG年龄差在多项健康结局中展现出强大预测力。在英国生物银行队列中，年龄差每增加一年，主要不良心血管和脑血管事件（MACCE）风险显著上升，糖尿病和高血压等相关疾病风险亦同步提高。
AI-PPG年龄超过实际年龄九年以上的参与者，所有结局风险均大幅升高；反之，年龄差反向超过九年的参与者风险显著降低。纵向分析还发现，年龄差分类随时间恶化的参与者，未来发生MACCE的可能性增加。重症监护环境的外部验证证实，AI-PPG年龄越高，院内死亡率风险越高。
尽管模型的平均绝对误差因数据集不同在7.6至11.8年之间波动（反映生物和信号变异性），但其预测效用依然强劲。
推动预防性心脏病学发展
研究证明AI-PPG年龄是心血管健康的真正且可扩展的指标，能独立预测普通人群和危重病患的主要心脏事件及死亡风险。连续测量进一步提升了价值，显示年龄差的时序变化可优化风险评估。
技术层面，研究通过分布感知损失函数解决训练数据偏斜问题，并用显著性图谱确认模型聚焦于生理相关的波形组件。更重要的是，模型与消费级可穿戴设备的兼容性，为大规模筛查和实时个性化健康监测开辟了道路。
需指出的是，研究者也提及某些局限，包括与实际年龄的中等相关性，以及依赖需进一步验证的数据驱动风险阈值。团队强调AI-PPG年龄是临床诊断的补充工具而非替代品，但其在增强早期检测和预防策略方面潜力巨大。
结论
本研究提出AI-PPG年龄作为一种新型无创生物标志物，通过可穿戴技术评估血管健康。AI估算生物学年龄与实际年龄的差距，被证实是心血管风险和死亡率的可靠指标，为前瞻性健康监测提供了实用解决方案。
通过利用日常PPG信号，该技术有望将心血管护理重心转向早期个性化干预，最终在全球范围内减轻心脏病负担。
期刊参考文献
Nie等（2025）. 人工智能衍生的光电容积描记术年龄作为心血管健康的数字生物标志物.《通讯医学》，5(1), 481–481. DOI:10.1038/s43856-025-01188-9.
【全文结束】
