Evaluatie van cross-dataset transfer learning voor bloeddrukschatting op basis van fotoplethysmografie

Waarom bloeddruk zonder manchet ertoe doet

Hoge bloeddruk is een belangrijke oorzaak van hartaanvallen en beroertes, maar de meeste mensen laten hun bloeddruk alleen af en toe controleren met een armmanchet bij de arts. Deze studie onderzoekt hoe draagbare sensoren en kunstmatige intelligentie continu de bloeddruk zouden kunnen schatten, zonder je arm samen te knijpen, door te leren van grote ziekenhuisdatabanken en zich vervolgens aan te passen aan nieuwe apparaten zoals smartwatches. Het werk pakt een belangrijke hindernis aan: hoe algoritmen die in één omgeving zijn getraind toch goed kunnen blijven werken wanneer de sensor en de omstandigheden veranderen.

Van armbandmanchetten naar lichtgebaseerde detectie

Traditionele bloeddrukmanchetten zijn betrouwbaar maar onhandig voor frequent gebruik. Ze moeten worden opgepompt totdat de bloedstroom kort wordt gestopt, kunnen oncomfortabel zijn en geven maar een paar metingen per dag. Een alternatief is fotoplethysmografie, of PPG, waarbij een kleine lichtbron en detector, vergelijkbaar met die in pulsoximeters en wearables, worden gebruikt om de kleine veranderingen in bloedvolume bij elke hartslag op te vangen. Deze lichtgebaseerde golfvormen bevatten informatie die samenhangt met de bloeddruk, wat de mogelijkheid opent voor manchetloze monitoring die kan werken tijdens het dagelijks leven, thuis of onderweg.

Een algoritme leren polsgolven te lezen

In plaats van handmatig een lange lijst wiskundige kenmerken uit PPG-signalen te halen, gebruiken de auteurs een deep learning-model dat patronen rechtstreeks leert uit korte, vijf seconden durende fragmenten van de golfvorm. Ze beginnen met een bestaande architectuur die convolutionele lagen (goed in het herkennen van vormen) combineert met recurrente lagen (goed in het volgen van tijdspatronen), en versimpelen die vervolgens zodat het minder dan de helft van het oorspronkelijke aantal trainbare parameters heeft. Dit verkleinde netwerk is gemakkelijker te trainen wanneer er slechts een paar uur data per persoon beschikbaar zijn, maar legt toch de complexe relaties tussen de polsgolvorm en de bloeddruk vast.

Ziekenhuisgetrainde modellen bruikbaar maken elders

Een grote uitdaging is dat PPG-signalen veranderen wanneer de hardware, de opnamelocatie of de omgeving verandert. Het team test of “transfer learning” kan helpen. Ze trainen hun neuraal netwerk eerst met gegevens uit één grote ziekenhuisdatabase, waar patiënten oprotale PPG en invasieve bloeddruk continu laten registreren. Vervolgens fijnstemmen ze alleen geselecteerde diepere lagen van het model voor elke nieuwe persoon met een veel kleinere hoeveelheid gegevens uit een tweede, apart verzamelde database. Deze cross-dataset opzet bootst na wat er in de praktijk gebeurt, waarbij een bedrijf kan starten met openbare ziekenhuisdata en zijn model vervolgens aanpast aan een nieuw apparaat of gebruiker met beperkte persoonlijke opnames.

Hoe goed de aangepaste modellen presteren

De onderzoekers vergelijken drie benaderingen: vanaf nul trainen voor elke persoon, transfer learning binnen één database, en transfer learning over databases heen. Bij 200 patiënten afkomstig uit twee grote datasets verbetert cross-dataset transfer learning de gemiddelde fout met ongeveer 13 procent vergeleken met trainen vanaf nul, met resultaten rond 3,4 mmHg voor systolische en 1,8 mmHg voor diastolische druk. Deze resultaten voldoen aan belangrijke internationale prestatienormen die gebruikt worden om bloeddrukapparaten te beoordelen. Belangrijk is dat modellen die over databases heen zijn aangepast binnen ongeveer 1 procent presteren van modellen die binnen dezelfde database zijn aangepast, en dat het kleine verschil niet statistisch betekenisvol is. De auteurs laten ook zien dat transfer learning nuttig blijft wanneer er zeer weinig data beschikbaar zijn voor fijn-tuning, en dat het de nauwkeurigheid nog steeds verhoogt wanneer het wordt toegepast op een kleinere, niet-ziekenhuisdataset die met andere sensoren is verzameld.

Wat dit betekent voor dagelijkse gezondheidsmonitoring

Voor niet-experts is de conclusie dat een algoritme dat op grote ziekenhuisdatabanken is getraind succesvol kan worden “hergebruikt” en licht aangepast voor nieuwe mensen, nieuwe apparaten en nieuwe omgevingen, zonder elke keer grootschalige nieuwe klinische proeven te hoeven houden. Door signalen zorgvuldig te reinigen, het model kleiner te maken en alleen de meest informatieve lagen voor elke gebruiker bij te werken, laat de studie zien dat continue, manchetloze bloeddrukschatting met lichtgebaseerde sensoren foutniveaus kan bereiken die compatibel zijn met bestaande normen. Hoewel er meer werk nodig is in realistische, actieve alledaagse omstandigheden en op polsgebaseerde sensoren, brengt deze cross-dataset transfer learning-strategie praktische, draagbare bloeddruktracking een stap dichterbij.

Bronvermelding: Kim, Y.C., Baek, H.J. Evaluating cross-dataset transfer learning for photoplethysmography-based blood pressure estimation. Sci Rep 16, 10725 (2026). https://doi.org/10.1038/s41598-026-43409-8

Trefwoorden: bloeddruk zonder manchet, fotoplethysmografie, draagbare gezondheidsmonitoring, deep learning, transfer learning