基于机器学习的个性化无创动脉血压监测：突破性别与种族限制的创新方法

本研究针对传统血压监测方法存在的不便与误差问题，开发了一种基于随机森林（RF）算法的无创血压估计模型。通过整合心电图（ECG）和血氧饱和度（SpO2）信号形态特征，结合患者年龄、BMI等个性化参数，模型实现了高精度动脉血压（ABP）估计（收缩压/舒张压平均绝对误差：4.29±5.00 mmHg/2.38±3.25 mmHg）。研究证实该方法无需针对性别或种族校准，仅需两个肢体导联或单个胸导联即可满足临床误差标准（<5 mmHg），为实时连续血压监测提供了创新解决方案。

　　

血压监测是心血管疾病管理的基石，但传统袖带式测量存在舒适性差、间歇性采样等局限。尤其对于需要持续监测的重症患者，金标准的动脉导管测压法虽准确却具有侵入性风险。如何实现无创、连续且精准的血压监测，成为临床亟待突破的技术瓶颈。

美国麻省总医院（Massachusetts General Hospital）的Rahul Kumar Sevakula团队在《npj Cardiovascular Health》发表的研究，通过机器学习技术开创性地解决了这一难题。研究人员利用重症监护室（ICU）约30百万次心跳、400患者日的多模态生理信号数据（ECG、SpO_{2和动脉导管ABP），构建了基于随机森林的血压估计算法。关键技术包括：1）混合卷积神经网络（CNN）噪声检测模型确保信号质量；2）从ECG和SpO2提取48项形态学与时频特征；3）采用五折交叉验证优化模型性能；4）开发个性化增强模型以降低数据集偏移风险。}

模型超参数调优

通过网格搜索确定随机森林包含400棵树时达到最优平衡，此时模型在5-50次心跳窗口长度下均满足AAMI标准（MAE<5 mmHg）。选择5次心跳窗口作为最佳方案，兼顾实时性与准确性（收缩压/舒张压MAE：4.29/2.38 mmHg）。

特征选择与人口学因素影响

研究发现ECG分形维数和SpO₂自回归系数对血压预测贡献度低，而年龄、BMI和心率（HR）是关键特征。值得注意的是，添加性别或种族特征反而降低模型性能（p>0.01），证明该方法具有天然的人口统计学普适性。

导联配置优化

通过系统评估不同ECG导联组合发现：仅需SpO₂配合两个肢体导联（如I+II）或单个胸导联（如V1），即可维持MAE<5 mmHg的临床可接受误差。这为可穿戴设备设计提供了重要依据，表明精简导联数不影响核心功能。

个性化模型突破

开发的282个患者特异性模型将MAE进一步降低至3.51/1.85 mmHg。为避免数据偏移，创新性采用"增强型个性化模型"，即综合主模型与个体模型的双重预测，使误差标准差减少15%-20%。模型在Bland-Altman分析中显示良好一致性（均值差≈0 mmHg），且能实时追踪血压波动（窗口交叉相关系数峰值滞后0样本）。

这项研究标志着无创血压监测技术的重大进步。其临床意义体现在三方面：首先，首次在大规模多样化人群（含不同种族、年龄、BMI）中验证了机器学习模型的鲁棒性；其次，通过特征工程揭示了ECG胸导联和SpO₂脉动特征（如T2SpO₂、脉冲到达时间PAT）的血压指示价值；最后，提出的增强型个性化框架为克服机器学习临床转化中的数据集偏移问题提供了范例。相比现有振荡法设备，该技术可实现每分钟600次的连续监测，且功耗降低90%，有望推动家庭和ICU场景的血压管理范式变革。未来研究需扩大训练数据覆盖极端血压范围，并探索模型在运动、应激等动态生理状态下的适应性。