《Canadian Journal of Physiology and Pharmacology》：The era of continuous data is now: wearables and artificial intelligence
编辑推荐：
可穿戴生物识别技术的迅猛发展使得生理数据的连续采集成为可能。临床医生如今能够获取患者日常活动中收集的海量数据。结合边缘计算与云端人工智能的进步，这些信息为早期诊断、风险分层和个性化医疗拓展了机遇。连续监测捕捉到了此前被遗漏的昼夜节律和长期生理模式，而人工智能模
可穿戴生物识别技术的迅猛发展使得生理数据的连续采集成为可能。临床医生如今能够获取患者日常活动中收集的海量数据。结合边缘计算与云端人工智能的进步，这些信息为早期诊断、风险分层和个性化医疗拓展了机遇。连续监测捕捉到了此前被遗漏的昼夜节律和长期生理模式，而人工智能模型正越来越多地利用这种多模态数据。若对数据相关性、预测目标及监管监督给予审慎且周密的关注，可穿戴技术结合人工智能有望重新定义个体化及群体层面的医疗服务。
论文解读：可穿戴技术与人工智能驱动的连续数据时代
一、研究背景与问题提出
传统医学数据采集具有间歇性和场景局限性，通常在固定的时间和地点进行，无法完整捕捉人体生理状态的动态变化。昼夜节律在许多疾病的发生发展中扮演关键角色，例如Brugada综合征患者心室颤动的峰值发病率出现在午夜至凌晨6点，长QT综合征I型和II型的致死性心律失常则分别在下午和早晨达到高峰。缺乏连续监测，临床医生很可能错过这些关键事件。此外，年龄和激素变化导致心脏骤停、糖尿病酮症酸中毒和哮喘急性发作等疾病呈现多峰分布，建立基线并检测连续监测趋势中的细微变化对于早期发现和预防性治疗至关重要。
然而，连续监测产生海量数据，如何从中识别有临床意义的趋势并消除噪声，成为其广泛有意义应用的主要障碍。在此背景下，研究人员开展本研究，旨在探讨可穿戴技术与人工智能（AI）及机器学习（ML）的结合如何应对这一挑战，推动医疗实践从间断式向连续式转变。
二、研究内容与核心结论
本研究系统综述了可穿戴技术连续数据采集的现状，分析了AI与ML在医学中的应用范式，提出了未来发展方向。研究得出结论：AI和ML最有价值的应用在于将连续数据流转化为清晰、有时间依赖性的预测，且该预测需足够早以实现干预，并嵌入可操作的临床路径中。数据质量、情境相关性和可解释性比单纯的数据量更为重要。通过审慎关注数据相关性、预测目标和监管监督，可穿戴技术结合AI有潜力重新定义个体化和群体层面的医疗服务。
三、主要关键技术方法
本文为综述性质，未涉及具体实验操作。所讨论的关键技术方法包括：光电容积描记术（Photoplethysmography, PPG）用于无创心率及血压估计；边缘计算（Edge Computing）与云计算（Cloud Computing）两种计算架构；基于闭环控制算法的连续血糖监测（Continuous Glucose Monitoring, CGM）与胰岛素泵系统；植入式循环记录仪（Implantable Loop Recorders, ILRs）的云端心律分析平台；多模态生理数据融合的风险指数生成平台（如Etiometry平台）；以及应用于非接触式检测的大语言模型（Large Language Models, LLMs）、语音分析和面部表情分析技术。文中引用了多项前瞻性研究和临床试验数据，例如Bodyport心脏秤的前瞻性研究、COPD患者个人空气质量监测数据整合研究等。
四、研究结果分述
4.1 引言
可穿戴技术的快速扩张使得持续生物特征处理覆盖了日益增长的人群。硬件和计算处理的进步允许从心率到血糖水平的连续生物标志物采集。当前多数数据用于即时决策，而结合AI可辅助疾病早期检测或慢性及潜在致命性疾病的风险分层。
4.2 可穿戴设备与连续数据
消费者级可穿戴监测器自1980年代以胸带式心电图系统问世，2010年代PPG技术进步推动了无创光学传感器设备的爆发。连续监测的优势显著：可捕捉昼夜节律相关的病理事件，如Brugada综合征的心室颤动夜间高峰；长期监测可为年轻患者提供更深入见解，如建立基线以检测年龄和激素变化导致的多峰分布疾病趋势。主要劣势在于数据量庞大，如何识别有意义的趋势并消除噪声是核心难题。
4.3 医学中的人工智能与机器学习
AI和ML已成为现代医学不可或缺的部分。计算发生在本地（边缘计算）或远程服务器（云计算）。边缘计算适用于需要即时临床响应的场景，如闭环CGM与胰岛素泵系统；云计算适用于大规模数据聚合与纵向分析，如ILR心律检测和Etiometry平台的风险指数生成。AI/ML应用范围广泛：糖尿病管理从间断测量发展到连续数据驱动的预测建模和自适应给药；心力衰竭（Heart Failure, HF）预测中，Bodyport心脏秤通过阻抗测量生成充血指数，前瞻性研究显示可提前30天识别HF事件；肺病领域，ML模型整合个人空气质量数据预测COPD短期恶化；此外，AI可从语音和面部表情提取临床生物标志物，如区分房颤、帕金森病、痴呆风险、抑郁症与双相情感障碍、精神分裂症等。在ICU等高强度环境中，ML模型可预测30天死亡率、心血管ICU结局及VA-ECMO患者的神经损伤风险。大语言模型（LLMs）则专注于非结构化文本数据处理，辅助文献综合、临床文档和电子病历摘要。
4.4 未来方向
下一代AI和ML在医学中的成功将取决于临床对齐程度，而非算法新颖性。首要任务是定义正确的预测目标：最有效的预测目标应在时间上接近干预时机，如房颤、心源性休克和血糖波动。预测必须足够早以改变管理策略，否则价值有限。其次需优化数据采集窗口和采样频率：更多数据并不必然带来更好预测，应优先考虑生理上有意义的间隔、自适应采样策略和简约特征选择。结构层面需要多学科协作、提升临床医生的ML素养，以及将预测与干预有意耦合。展望未来十年，基于电生物标志物的ML将在遗传性和结构性心律失常综合征中扩展；PPG-ML将从心律失常检测延伸至卒中、心梗和心衰失代偿预测；非接触式传感技术将加速发展；ML还有望通过将专业知识推广至资源有限环境来推进健康公平。
五、讨论与结论
讨论部分强调，AI和ML的最终影响取决于与临床现实的契合度，而非单纯的算法复杂度。可穿戴和非接触式技术的进步产生了前所未有的连续生理数据，使实时和纵向洞察成为可能。最有效的ML应用是将数据流转化为清晰、有时间依赖性的预测，且该预测需足够早以实现干预，并嵌入可操作的护理路径中。随着领域成熟，优先考虑数据相关性而非数量、将ML输出整合到临床工作流程、维持临床医生、患者、工程师和监管者之间的紧密合作至关重要。
结论部分指出，结合严格监管监督和对健康公平的坚定承诺，利用可穿戴衍生数据的AI系统不仅有可能改善个体患者预后，还能通过及时、可扩展且有临床意义的照护来转变群体健康。
