索汉·南迪（Soham Nandi）撰 贝珊·戴维斯（Bethan Davies）审阅 2025年11月28日
一种新型人工智能模型可通过简易可穿戴传感器数据估算你血管的真实年龄，揭示的年龄差可能为未来心血管风险提供关键洞察。
研究：基于人工智能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。图片来源：Good dreams - Studio/Shutterstock.com
在发表于《通讯医学》的一项研究中，研究人员介绍了AI-PPG年龄，这是一种基于深度学习的生物标志物，源自光电容积描记术（PPG）信号——即智能手表等常见可穿戴设备捕获的光学脉冲。研究团队发现，个人的AI-PPG年龄（血管生物学年龄的估计值）常与其实际年龄存在差异。这一差异，或称“年龄差”，被证实是心血管事件和死亡风险的有力预测指标，为人群层面的健康监测提供了一种可扩展的非侵入性方法。
背景
心血管疾病仍是全球主要死因，但早期检测常受限于对诊所专用设备的需求。
PPG信号已被许多可穿戴设备采集，提供了一种非侵入且广泛可及的替代方案。尽管先前研究已利用PPG数据检测特定疾病如心房颤动，但尚缺乏更全面的血管健康指标。
AI-PPG年龄应运而生。研究人员构建了一个深度学习模型，从原始PPG信号中估算生物学年龄。此AI推导年龄与个人实际年龄之间的差距，成为一个新型生物标志物，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，随后使用独立PulseDB数据集的VitalDB子集进行微调。外部验证采用PulseDB的MIMIC-III子集，其中包含与住院死亡率等临床结局的关联。
一个关键技术挑战是UK Biobank数据集中年龄分布偏向中年人群。为解决此问题，研究人员引入了分布感知损失函数（Dist Loss），将传统平均绝对误差（MAE）与使模型预测匹配实际年龄分布的组件相结合，从而提高了个体准确性和整体人群可靠性。
该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。主要指标为AI-PPG年龄差，即预测生物学年龄与实际年龄之差，并经统计检验验证其与心血管结局和死亡率的关联。
AI-PPG年龄差的预测能力
AI-PPG年龄差在多个健康结局中显示出强大的预测价值。在UK Biobank队列中，年龄差每增加一岁，主要不良心血管和脑血管事件（MACCE）的风险就升高，相关疾病如糖尿病和高血压亦然。
AI-PPG年龄超过实际年龄9年以上的参与者，所有结局风险显著升高。相反，年龄差反向超过9年的参与者风险明显降低。
纵向分析还发现，年龄差分类随时间恶化的参与者，未来MACCE可能性增加。重症监护环境中的外部验证证实，较高的AI-PPG年龄与住院死亡率升高相关。
尽管模型的MAE根据不同数据集在7.6至11.8年之间（反映一定的生物学和信号变异性），但其预测效用依然强劲。
推动预防心脏病学的发展
研究表明，AI-PPG年龄是心血管健康真实且可扩展的指标。它在普通人群和危重病患者中均能独立预测主要心脏事件和死亡率。连续测量增加了另一层价值，显示年龄差随时间的变化可细化风险评估。
技术上，该研究解决了常见建模挑战，使用分布感知损失函数管理倾斜训练数据，并通过显著性图谱确认模型聚焦于生理相关的波形组件。或许最重要的是，该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打开了大门。
尽管如此，研究人员也指出某些局限性，包括与实际年龄的相关性中等，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年龄是补充工具，非临床诊断替代品，但具有增强早期检测和预防策略的强大潜力。
结论
本研究将AI-PPG年龄引入为一种新型非侵入性生物标志物，用于通过可穿戴技术评估血管健康。AI估算的生物学年龄与实际年龄之间的差距，成为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点转向早期、个性化的干预——最终在全球范围内减轻心脏病负担。
期刊参考
Nie等人（2025）. 基于人工智能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.
【全文结束】
