用于可扩展远程监测自主性高血压反射的鲁棒学习框架：脊髓损伤的使用案例

为何突发性血压飙升至关重要

对于许多脊髓损伤者来说，日常最大的威胁不仅是瘫痪，还包括会导致中风甚至死亡的突发性、极端的血压飙升。这些被称为自主性高血压反射的事件往往几乎没有预兆，且难以在院外被追踪。本研究展示了如何将简单的可穿戴传感器与先进的计算算法结合，把日常设备变为早期预警系统，实现家庭中的持续防护，而不是仅依赖诊所中偶发的短时间检查。

脊髓损伤后的潜在危险

脊髓损伤常常扰乱身体对血压和心率的自主调节。在高位脊髓损伤者中，即便是膀胱充盈等轻微触发因素也可能在数分钟内导致血压飙升。由于这些事件不可预测且患者不一定有明显感受，常在严重症状出现后才被发现。传统监测依赖血压袖带和门诊就诊，检测频率太低，无法捕捉多数发作。作者们着眼于一个实际问题：佩戴在皮肤上的小型无创传感器能否足够可靠地捕捉到这些危险飙升的早期信号，从而指导实时护理？

把身体信号变成数字警示灯

研究团队在一次常规的膀胱试验中为27名慢性脊髓损伤者配备了一组可穿戴设备，这类试验常会触发血压变化。腕带记录了脉搏波、皮温、心率和皮电导；胸贴记录了心电和呼吸；另一个贴片测量核心体温和皮温。与此同时，医疗级血压袖带按常规记录血压。通过将所有记录按时间对齐，研究人员构建了一个关于在每次血压飙升前、中、后的身体信号如何变化的丰富图景。

教计算机读取身体节律

从这些原始信号中，团队提取了数百个数值特征，描述心脏跳动方式、脉搏波形态、皮电和温度如何变化，以及这些模式在短时间窗口内如何演变。随后他们训练了一个集成的机器学习模型——由多个较小的分类器组成，每个专注于某一传感器或信号类型并共同投票——以区分危险事件和正常时期。重要的是，模型以严格的跨受试者方式进行测试：在部分受试者的数据上训练，然后在从未“见过”的其他受试者上检测事件，这模拟了该系统在新患者中的实际运行方式。

传感器失效时哪些信号最重要

为使系统在现实中可行，作者不仅评估了其准确性，还考察了传感器噪声或脱落时的表现——这是可穿戴设备的日常问题。通过基于Shapley值的可解释性方法，他们对哪些特征和信号类型对正确检测贡献最大进行了排序。来自胸贴的心脏相关测量（包括心率、其随时间的变异性以及心电细节波形）被证明是事件的最强指示器。腕部的脉搏波特征提供了有益的补充，而呼吸率和温度的作用相对较小。当模拟某些传感器丢失时，保留心脏和胸贴信息的组合仍能保持良好表现，表明该系统在数据不完整时仍可保持鲁棒性。

从医院测试走向日常保护

总体而言，最佳的集成配置在区分危险事件时的表现远优于随机猜测，尽管真实事件在数据中相对少见。较长的观察窗口——每次约一分钟的信号——有助于模型捕捉到表征这些飙升的持续性心血管变化。尽管该研究仅纳入27名参与者并在受控的临床环境中进行，但它为可穿戴设备与可解释人工智能如何协同监测这一通常不可见的风险提供了具体蓝图。

这对日常生活可能意味着什么

对普通读者来说，核心结论是外观普通的贴片和腕带有朝一日能成为脊髓损伤者全天候安全网的潜力。通过谨慎地结合心脏、脉搏、皮肤和温度的信号，并设计在部分传感器失灵时仍能继续工作的算法，该框架将危险性血压飙升的远程监测从理论推向现实。经过在更大、更具多样性人群中的进一步测试，类似系统可帮助患者和护理者及早发现问题，在危机发生前采取行动，最终降低在家庭中出现危及生命并发症的风险。

引用: Fuchs, B., Ejtehadi, M., Cisnal, A. et al. Robust learning framework for a scalable remote monitoring of autonomic dysreflexia: use-case in spinal cord injury. Sci Rep 16, 9618 (2026). https://doi.org/10.1038/s41598-025-33797-8

关键词: 脊髓损伤, 自主性高血压反射, 可穿戴传感器, 远程患者监测, 医疗领域的机器学习