收益：
- 能够解释利用人工智能处理可穿戴传感器数据（PPG、加速度计、皮肤温度）的机会和陷阱
- 能够评估运动伪影、肤色偏差和非医疗设备限制
- 能够管理误报负担以及对连续监测警报进行临床验证的需求
可穿戴设备（智能手表、腕带、贴片、戒指）已将生理测量带出医院并带入日常生活。这些设备持续测量心率、氧饱和度、活动、睡眠，有时还测量心电图。对于生物医学工程师来说，这是前所未有的数据来源：不仅仅是实验室中的几分钟，而是现实生活中数周的连续监测。但这个数据与临床环境的受控条件相差甚远。在本单元中，我们将看到利用人工智能处理可穿戴传感器数据的机会、最重要的陷阱（运动伪影、肤色偏差、设备类别）和误报负担。
让我们先区分一下：大多数消费者可穿戴设备不是医疗设备；而是医疗设备。它是为了“健康生活/保健”的目的。某些功能（某些心电图或心房颤动通知）可能已获得监管部门的批准，但即使这些功能也不是诊断性的，而是需要咨询医生。人工智能在这些数据中产生趋势和意识；诊断属于医生。
传感器类型及其测量内容
PPG（光电体积描记法）：将绿光/红外光发送到皮肤，并根据反射的变化估计脉搏率和间接氧饱和度。它便宜且常见，但对运动非常敏感。
加速度计：测量运动和位置；它用于计步、跌倒检测和睡眠/活动分类。
皮肤温度和皮肤电活动：出汗引起的温度趋势和电导率；它为压力和周期监测提供间接线索。
单导联心电图：某些设备通过手指接触进行短期单导联心电图。它不能替代 12 导联诊断心电图；它是一个有限的扫描工具。
三个最重要的陷阱
运动伪影。步行、挥手或驾驶时 PPG 信号会失真。该模型可能会将运动噪声误认为是心跳。因此，在可穿戴人工智能中，加速度计数据让 PPG 质疑“它值得信赖吗？” （传感器融合）。
肤色和身体偏见。对于较深的肤色、纹身和低灌注（寒冷、血液循环不良），光学传感器可能不太准确。如果一个模型主要由浅肤色、年轻、健康的用户进行训练，那么它会在不同的群体中产生系统性错误。这是一个正义和患者安全的问题。
设备类别和上下文。消费者设备数据不如临床监测数据准确。 “睡眠阶段”或“压力评分”等标签通常是粗略估计，尚未经过临床诊断验证。
三个迷你案例：从数字来看
情况 1 — 误报负载。房颤通知功能每月在活跃用户组中生成数千条通知；经过医学心电图确认后，一小部分报告是真实的。许多健康用户承受着不必要的焦虑和不必要的入院治疗，这一事实提醒我们，由于预检概率较低，许多阳性报告可能会被证明是错误的。该通知是筛查标志，而不是诊断。
情况 2 — 脉搏受到运动干扰。在一项跑步研究中，PPG 心率锁定了手臂摆动频率，显示为 130，而不是实际的 160。当添加加速计融合时，心率可靠性标志在运动密集期间降低，并且不会报告错误值。传感器融合显着提高了准确性。
案例 3——捕捉趋势。在 ICU 出院后的随访中，在感染发生之前，可穿戴设备的静息心率在几天内缓慢增加，从而可以对患者进行早期评估。这里的值不是单一的测量值，而是相对于自己基线的趋势；然而，该决定是根据医生的评估做出的。
弱提示/强提示
弱提示：
看看我手表的数据，我是不是生病了？[数据]
强力提示：
您的角色：您是一名可穿戴数据分析助手（您不是诊断，也不是医疗设备）。评估以下匿名可穿戴测量结果：- 将这些值解释为相对于个人基线的趋势，将诊断归因于单次测量。- 标记运动伪影和低信号质量的可能周期。- 在每个打印输出中指出该设备尚未经过医疗诊断验证。- 在末尾单独列出“建议医生咨询”标志。匿名测量：[心率趋势、SpO2、活动、睡眠、信号质量]
四个可复制模板
1）趋势分析：
根据人的基线总结以下14天静息心率系列作为趋势；标记显着偏差。不要诊断。系列：[数据]
2) 信号质量标记：
在此 PPG 心率系列中，根据随附的加速度计数据将可能的运动伪影标记为“低置信度”时段。数据：[系列]
3）误报评估：
对于通知功能，起草一份简报，解释在预测试概率较低的情况下有多少阳性通知可能是误报。
4）用户信息文本：
在屏幕上写下显示可穿戴设备输出的文本：用简单的语言“这不是医疗诊断；如果您有症状，请咨询医生”。
模型的角色：按任务类型
任务类型
人工智能贡献
关键性
验证
活动/步骤分类
高
低
抽查
静息人力资源趋势
高
中等
基线比较
睡眠阶段估计
中等
低
粗鲁，不临床
节奏通知（扫描）
中等
高
医疗心电图+医生
诊断决定
无
非常高
临床评价
提示：寻找个人历史记录中可穿戴数据的趋势，而不是单个快照。最有价值的信号是一个人偏离基线的情况；总体平均值可能会误导个人解释。
注意：仅仅因为可穿戴设备具有“经过认证的功能”并不意味着其所有输出在临床上都是准确的。批准仅对特定功能和用途有效；其余指标主要是出于健康目的的估计。
常见错误
- 将消费者设备数据误认为临床数据。大多数设备都没有经过诊断验证。
- 没有过滤掉运动伪影。如果没有加速计融合，PPG 心率将会产生误导。
- 忽略肤色偏差。不同组的光学传感器的工作精度不同。
- 不考虑误报负担。在预测试概率较低的情况下，许多阳性结果可能是错误的。
- 将诊断归因于单次测量。该值应被解释为趋势，并由医生决定。
总之
- 可穿戴设备提供连续的、真实的数据，但大多数不是医疗设备。
- PPG 容易出现运动伪影；传感器融合（带加速度计）提高了准确性。
- 光学传感器中的肤色偏差是一个公平和安全问题。
- 在预测试概率较低的情况下，许多报告可能是误报；必须管理误报负担。
- 最大值在趋势中；诊断始终由医生评估做出。
应用任务
从可穿戴设备创建 14 天静息心率系列（包括从基线缓慢增加）。使用强大的提示，让模型将这一系列数据解释为趋势，并查看它是否诊断出某一天的情况。然后在一段中描述设备的临床限制和“咨询医生”阈值。
清单
- [ ] 我了解常见的可穿戴传感器（PPG、加速度计、温度、单通道心电图）及其局限性。
- [ ] 我了解了运动伪影和传感器融合的作用。
- [ ] 我了解肤色偏差是一个公平和安全问题。
- [ ] 我可以评估误报负担和低预测试概率的影响。
- [ ] 我内心深处认为，我将可穿戴数据解释为一种趋势，并将诊断留给了医生。