Google Research、スマートウォッチで高血圧の兆候を検出するAIを発表

カフ不要で兆候を検出

Google Researchは2026年11月5日、市販のスマートウォッチに搭載されている標準的なセンサーだけを使い、高血圧の兆候を受動的に検出するAIシステムを発表した。成果は査読誌Natureに掲載されており、システム名はAI-PPG-ACC-HTNとされている。腕に巻くカフ型の血圧計による較正を必要としない点が特徴である。

高血圧は「サイレントキラー」と呼ばれ、世界で10億人以上が該当するとされるが、半数以上の成人が自分が高血圧であることを認識していないという。特に18〜44歳の若年層でこの認識ギャップが大きいとされ、診断の遅れが脳卒中や心不全などのリスクを高める可能性が指摘されている。研究チームは、受動的なスクリーニングによってリスクのある人を診察へ促せる可能性を示している。

2段階の機械学習の仕組み

システムは、血圧の瞬間的な収縮期・拡張期の値を推定するのではなく、複数日にわたる生理的な特徴を集約して、その人の持続的な高血圧状態を判定する設計になっている。使うのはスマートウォッチで計測できる2種類の信号だ。PPG（光電脈波）はリストの血流量変化を捉える光学センサーで、ACC（加速度）は静止状態の検出と、心臓から大動脈への血液拍出に伴う微細な振動（BCG、心弾動図）を捉える。

学習は2段階で行われる。第1段階では、1次元の深層畳み込みニューラルネットワークを自己教師ありの対比学習で訓練した。2,109人の同意を得た参加者から集めた492,347時間分のラベルなしセンサーデータを使い、同一人物の15秒波形を潜在空間上で近づけるよう学習させる。これにより、手作業による特徴設計や医学ラベルなしで、血管・心機能に関する特徴を獲得できるとする。

第2段階では、15秒単位の埋め込み（特徴ベクトル）を複数日分にわたって平均集約し、動きや気温変化といった一時的なノイズをならす。集約した個人レベルの埋め込みに身長（動脈の経路長の代理指標）を加え、正則化ロジスティック回帰によって連続的な高血圧確率スコアを算出する構成である。

臨床の基準値と比較して検証

検証は米国5施設の前向き多施設臨床研究として実施され、既知の心血管疾患がなく血圧降下薬を服用していない196人が参加した。比較対象は、高血圧診断における臨床的なゴールドスタンダードである24時間自由行動下血圧モニタリング（ABPM）である。

初期スクリーニングのシナリオでは、感度65.8%、特異度90.0%、陽性的中率（PPV）80.6%だった。同じ条件で診察室での初期スクリーニングは感度55.3%、PPV77.8%と報告されている。

診察室で高血圧の疑いとなった48人を対象とした確定検査のシナリオでは、感度78.4%、特異度90.9%、PPV96.7%を記録した。診察室での再測定は感度67.6%、特異度63.6%、PPV86.2%、複数日の家庭血圧モニタリングは感度89.2%、特異度81.8%、PPV94.3%だった。研究チームは、既存の臨床フレームワークにおけるカフ型血圧計に匹敵する精度だとまとめている。

モデルが捉えた波形の特徴

モデルが何に注目しているかを知るため、研究チームは高血圧確率が高い群と低い群の平均脈波波形を可視化した。高リスク群では脈波幅がやや狭く、血管の拡張性が低下している可能性が示唆されるという。また、収縮期の立ち上がりが遅く、d/a比が低い傾向があった。

加速度センサーが捉えたBCGでも違いが見られ、高リスク群ではK波が深く、IJK複合体が広いという結果だった。これらは平均波形として観察された特徴であり、判断根拠を理解するための可視化として位置づけられている。

研究段階であり診断ではない

Google Researchは、スマートウォッチによる高血圧スクリーニングが、標準的な上腕カフの代替や単独での確定診断を目的としたものではないと明記している。今回の取り組みは初期段階の実現可能性研究であり、記載された手法は純粋に探索的なもので、既存または今後の商用製品の機能やデバイス性能を示すものではないとしている。

一方で、今回の研究成果がGoogle Healthアプリの血圧トレンド機能「Health Guardian」の検討に活かされたことにも触れている。ただし、その内容や反映の度合いについての詳細は原文では説明されていない。