Ocena transferu uczenia między zbiorami danych dla estymacji ciśnienia krwi na podstawie fotopletyzmografii

Dlaczego ciśnienie krwi bez mankietu ma znaczenie

Nadciśnienie jest jedną z głównych przyczyn zawałów serca i udarów, a mimo to większość ludzi mierzy je tylko okazjonalnie za pomocą mankietu na ramieniu w gabinecie lekarskim. Badanie to bada, jak czujniki noszone na ciele i sztuczna inteligencja mogłyby oszacować ciśnienie krwi w sposób ciągły, bez zaciskania ramienia, ucząc się na podstawie dużych baz danych szpitalnych, a następnie adaptując do nowych urządzeń, takich jak smartwatche. Praca podejmuje kluczową przeszkodę: jak sprawić, by algorytmy wytrenowane w jednym środowisku nadal dobrze działały, gdy zmienia się sprzęt i warunki pomiaru.

Od mankietów do pomiaru światłem

Tradycyjne mankiety do pomiaru ciśnienia są wiarygodne, ale nieporęczne przy częstym użyciu. Wymagają napompowania do momentu krótkotrwałego zatrzymania przepływu krwi, mogą być niewygodne i dają jedynie kilka pomiarów dziennie. Alternatywą jest fotopletyzmografia (PPG), która wykorzystuje małe źródło światła i detektor, podobnie jak pulsoksymetry i urządzenia noszone, aby wychwycić niewielkie zmiany objętości krwi przy każdym uderzeniu serca. Te falowe sygnały oparte na świetle niosą informacje powiązane z ciśnieniem krwi, co stwarza możliwość bezmankietowego monitorowania działającego podczas codziennych aktywności, w domu lub w ruchu.

Nauczanie algorytmu odczytywania fali tętna

Zamiast ręcznie tworzyć długą listę matematycznych cech z sygnałów PPG, autorzy używają modelu uczenia głębokiego, który wykrywa wzorce bezpośrednio z krótkich, pięciosekundowych fragmentów przebiegu. Rozpoczynają od istniejącej architektury łączącej warstwy splotowe (dobre w rozpoznawaniu kształtów) z warstwami rekurencyjnymi (dobre w śledzeniu wzorców w czasie), a następnie upraszczają ją tak, by miała mniej niż połowę pierwotnej liczby uczonych parametrów. Zmniejszona sieć jest łatwiejsza do wytrenowania, gdy dla każdej osoby dostępne są tylko godziny danych, a mimo to nadal uchwyca złożone zależności między kształtem fali tętna a ciśnieniem krwi.

Sprawienie, by modele wytrenowane w szpitalu działały gdzie indziej

Główną przeszkodą jest to, że sygnały PPG zmieniają się, gdy zmienia się sprzęt, miejsce rejestracji lub środowisko. Zespół sprawdza, czy „transfer learning” może pomóc. Najpierw trenują sieć neuronową na danych z jednej dużej bazy szpitalnej, w której pacjenci mają rejestrowane palcowe PPG i inwazyjne ciśnienie krwi ciągle. Następnie dostrajają (fine-tuning) tylko wybrane głębsze warstwy modelu dla każdej nowej osoby, używając znacznie mniejszej ilości danych z drugiej, niezależnie zebranej bazy danych. Taka konfiguracja międzyzbiorowa imituje praktyczne scenariusze, w których firma może zacząć od publicznych danych szpitalnych, a potem dostosować model do nowego urządzenia lub użytkownika przy ograniczonych nagraniach osobistych.

Jak dobrze działają modele po adaptacji

Naukowcy porównują trzy podejścia: trenowanie od zera dla każdej osoby, transfer learning w obrębie jednej bazy danych oraz transfer learning między bazami danych. Na grupie 200 pacjentów pochodzących z dwóch dużych zbiorów danych transfer międzyzbiorowy poprawia średni błąd o około 13 procent w porównaniu z trenowaniem od zera, osiągając około 3,4 mmHg dla ciśnienia skurczowego i 1,8 mmHg dla rozkurczowego. Wyniki te spełniają kluczowe międzynarodowe kryteria wydajności używane do oceny urządzeń pomiarowych ciśnienia krwi. Co ważne, modele adaptowane między bazami osiągają wyniki w granicach około 1 procenta modeli adaptowanych w tej samej bazie, a ta niewielka różnica nie ma istotności statystycznej. Autorzy pokazują także, że transfer learning pozostaje pomocny, gdy do dostrojenia dostępnych jest bardzo mało danych, oraz że nadal poprawia dokładność w przypadku mniejszego, poza szpitalnego zbioru danych zbieranego innymi czujnikami.

Co to oznacza dla codziennego monitorowania zdrowia

Dla osoby niebędącej ekspertem wniosek jest taki, że algorytm wytrenowany na dużych zasobach danych szpitalnych może być skutecznie „ponownie użyty” i lekko dopasowany do nowych osób, urządzeń i środowisk, bez potrzeby przeprowadzania ogromnych nowych badań klinicznych za każdym razem. Poprzez staranne oczyszczanie sygnałów, zmniejszanie rozmiaru modelu i aktualizowanie tylko najbardziej informatywnych warstw dla każdego użytkownika, badanie pokazuje, że ciągła, bezmankietowa estymacja ciśnienia krwi z czujników optycznych może osiągnąć poziomy błędu zgodne z obecnymi standardami. Choć potrzeba więcej pracy w warunkach codziennego, aktywnego życia oraz na czujnikach nadgarstkowych, strategia transferu uczenia między zbiorami danych przybliża praktyczne, noszone monitorowanie ciśnienia krwi o kolejny krok.

Cytowanie: 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

Słowa kluczowe: bezmankietowe ciśnienie krwi, fotopletyzmografia, noszone urządzenia do monitorowania zdrowia, uczenie głębokie, transfer learning