Utvärdering av cross-dataset transfer learning för blodtrycksestimering baserad på fotopletysmografi

Varför blodtryck utan manschett är viktigt

Högt blodtryck är en ledande orsak till hjärtattacker och stroke, men de flesta kontrolleras bara sporadiskt med en arm­manschett hos läkaren. Denna studie undersöker hur bärbara sensorer och artificiell intelligens kan uppskatta blodtrycket kontinuerligt, utan att klämma åt armen, genom att lära från stora sjukhusdatabaser och sedan anpassa sig till nya enheter som smartklockor. Arbetet tar itu med ett centralt hinder: hur man får algoritmer som tränats i ett sammanhang att fungera bra när både sensor och omgivning förändras.

Från arm­manschetter till ljusburet mätande

Traditionella blodtrycksmanschetter är pålitliga men opraktiska för frekvent användning. De kräver uppumpning tills blodflödet tillfälligt stoppas, kan vara obehagliga och ger bara några få mätningar per dag. Ett alternativ är fotopletysmografi, eller PPG, som använder en liten ljuskälla och en detektor, ungefär som i pulsoximetrar och bärbara enheter, för att fånga mycket små förändringar i blodvolym vid varje hjärtslag. Dessa ljusbaserade vågformer bär information som relaterar till blodtrycket, vilket öppnar för möjligheten till manschettfri övervakning som kan fungera i vardagen, hemma eller i rörelse.

Att lära en algoritm att läsa pulsvågor

I stället för att handkonstruera en lång lista matematiska funktioner från PPG-signaler använder författarna en djupinlärningsmodell som lär sig mönstren direkt från korta, femsekunders utdrag av vågformen. De utgår från en befintlig arkitektur som kombinerar konvolutionella lager (bra på att upptäcka former) med rekurrenta lager (bra på att följa tidsmönster), och strömlinjeformar den så att den har mindre än hälften av det ursprungliga antalet träningsbara parametrar. Detta nedskalade nätverk är lättare att träna när bara några timmars data per person finns tillgängliga, men fångar ändå de komplexa sambanden mellan pulsvågornas form och blodtrycket.

Få sjukhustränade modeller att fungera på andra ställen

Ett stort hinder är att PPG-signaler förändras när hårdvaran, registreringsstället eller miljön ändras. Teamet testar om "transfer learning" kan hjälpa. De tränar först sitt neurala nätverk med data från en stor sjukhusdatabas, där patienter har fingertopps-PPG och invasivt blodtryck inspelat kontinuerligt. Därefter finjusterar de endast utvalda djupare lager i modellen för varje ny person med en mycket mindre mängd data från en andra, separat insamlad databas. Denna cross-dataset-upplägg efterliknar vad som händer i praktiken, där ett företag kan börja från offentliga sjukhusdata och sedan anpassa sin modell till en ny enhet eller användare med begränsade personliga inspelningar.

Hur väl de anpassade modellerna presterar

Forskarna jämför tre tillvägagångssätt: träning från början för varje person, transfer learning inom en och samma databas, och transfer learning över databaser. På 200 patienter hämtade från två stora dataset förbättrar cross-dataset transfer learning medel­felet med ungefär 13 procent jämfört med träning från början, och når ungefär 3,4 mmHg för systoliskt och 1,8 mmHg för diastoliskt tryck. Dessa resultat uppfyller centrala internationella prestandakriterier som används för att bedöma blodtrycksenheter. Viktigt är att modeller anpassade över databaser presterar inom cirka 1 procent av modeller anpassade inom samma databas, och skillnaden är inte statistiskt betydelsefull. Författarna visar också att transfer learning förblir användbart när mycket lite data finns för finjustering, och att det fortfarande ökar noggrannheten när det tillämpas på ett mindre, icke-sjukhusbaserat dataset insamlat med andra sensorer.

Vad detta betyder för vardaglig hälsomonitorering

För en icke-expert är slutsatsen att en algoritm tränad på stora sjukhusdatabanker framgångsrikt kan "återanvändas" och lätt justeras för nya personer, nya enheter och nya miljöer, utan att varje gång kräva omfattande nya kliniska prövningar. Genom noggrann signalrensning, krympning av modellstorlek och uppdatering enbart av de mest informativa lagren för varje användare visar studien att kontinuerlig, manschettfri blodtrycksestimering från ljusburna sensorer kan nå felnivåer förenliga med befintliga standarder. Även om mer arbete krävs i verkliga, aktiva vardagsförhållanden och för handledsbaserade sensorer tar denna cross-dataset transfer learning-strategi ett praktiskt steg närmare bärbar blodtrycksövervakning.

Citering: 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

Nyckelord: blodtryck utan manschett, fotopletysmografi, bärbar hälsomonitorering, djupt lärande, transfer learning