Google Research, 스마트워치 고혈압 선별 연구 발표

Google Research의 파올로 디 아킬레(Paolo Di Achille)와 밍저 포(Ming-Zher Poh) 연구진은 2026년 11월 5일 Nature에 스마트워치로 고혈압 징후를 수동적으로 탐지하는 인공지능 시스템 연구를 발표했습니다. AI-PPG-ACC-HTN은 커프 보정 없이 소비자용 스마트워치 센서를 사용하며, 24시간 활동혈압 측정(ABPM)과 비교해 검증됐습니다. 연구 결과는 Google Health 앱의 혈압 추세 기능에 반영됐습니다. 연구진은 이 연구가 가능성을 살피는 단계이며, 의료용 커프를 대체하거나 확정 진단을 내리는 방법은 아니라고 밝혔습니다.

시스템은 특정 순간의 수축기·이완기 혈압을 추정하는 대신 여러 날에 걸쳐 지속되는 고혈압 패턴을 찾습니다. 반사광으로 손목 혈액량 변화를 측정하는 광용적맥파(PPG)와 심장에서 혈액이 나갈 때 생기는 움직임 및 미세한 손목 진동을 기록하는 가속도계(ACC) 신호를 결합합니다. 센서 파형은 간결한 수치 표현인 임베딩으로 변환되고, 여러 날의 데이터를 합친 뒤 키 정보와 함께 고혈압 가능성을 추정하는 데 쓰입니다.

연구진은 먼저 동의를 받은 참가자 2,109명의 비라벨 센서 데이터 492,347시간 분량으로 1차원 심층 합성곱 신경망을 학습시켰습니다. 자기지도 대조 학습을 통해 같은 사람에게서 나온 서로 겹치는 15초 길이의 PPG·ACC 파형을 잠재 공간에서 가깝게 배치하도록 했습니다. 이 과정은 수작업 특징 설계나 의료 라벨 없이 생리적 특징을 찾도록 했습니다. 두 번째 단계에서는 여러 날의 파형 특징을 사람별로 평균 내 일시적 잡음을 줄이고, 동맥 경로 길이의 대리 지표로 키를 더한 뒤 정규화 로지스틱 회귀를 적용했습니다.

미국 5개 기관에서 진행한 전향적 임상 연구에는 알려진 심혈관 질환이 없고 혈압약을 복용하지 않는 참가자 196명이 동의 후 참여했습니다. 초기 선별에서 스마트워치는 민감도 65.8%, 특이도 90.0%, 양성예측도(PPV) 80.6%를 기록했습니다. 진료실 선별은 민감도 55.3%, 양성예측도 77.8%였습니다. 초기 진료실 측정에서 수치가 높았던 참가자 48명의 확인 검사에서는 스마트워치가 민감도 78.4%, 특이도 90.9%, 양성예측도 96.7%를 보였습니다. 재진 진료실 측정은 각각 67.6%, 63.6%, 86.2%였고, 여러 날 가정 측정은 89.2%, 81.8%, 94.3%였습니다.

위험 예측이 높은 사용자에게서는 맥파 폭이 약간 좁고 수축기 상승 속도가 느리며 d/a 비율이 낮은 파형이 관찰됐습니다. 가속도계 신호에서는 K파가 더 깊고 IJK 복합파가 더 넓었습니다. 연구진은 위험이 있는 사람에게 정식 임상 평가를 받도록 알리는 수동적·기회적 선별의 가능성을 제시했지만, 단독 진단 방법을 입증한 것은 아니라고 밝혔습니다. 기존 또는 계획된 상용 제품 기능도 아니라고 덧붙였습니다. 협력 기관에는 Google Research, Beth Israel Deaconess Medical Center와 Harvard Medical School이 참여했습니다.

Google Research의 파올로 디 아킬레(Paolo Di Achille)와 밍저 포(Ming-Zher Poh) 연구진은 2026년 11월 5일 Nature에 스마트워치로 고혈압 징후를 수동적으로 탐지하는 인공지능 시스템 연구를 발표했습니다. AI-PPG-ACC-HTN은 커프 보정 없이 소비자용 스마트워치 센서를 사용하며, 24시간 활동혈압 측정(ABPM)과 비교해 검증됐습니다. 연구 결과는 Google Health 앱의 혈압 추세 기능에 반영됐습니다. 연구진은 이 연구가 가능성을 살피는 단계이며, 의료용 커프를 대체하거나 확정 진단을 내리는 방법은 아니라고 밝혔습니다.

시스템은 특정 순간의 수축기·이완기 혈압을 추정하는 대신 여러 날에 걸쳐 지속되는 고혈압 패턴을 찾습니다. 반사광으로 손목 혈액량 변화를 측정하는 광용적맥파(PPG)와 심장에서 혈액이 나갈 때 생기는 움직임 및 미세한 손목 진동을 기록하는 가속도계(ACC) 신호를 결합합니다. 센서 파형은 간결한 수치 표현인 임베딩으로 변환되고, 여러 날의 데이터를 합친 뒤 키 정보와 함께 고혈압 가능성을 추정하는 데 쓰입니다.

연구진은 먼저 동의를 받은 참가자 2,109명의 비라벨 센서 데이터 492,347시간 분량으로 1차원 심층 합성곱 신경망을 학습시켰습니다. 자기지도 대조 학습을 통해 같은 사람에게서 나온 서로 겹치는 15초 길이의 PPG·ACC 파형을 잠재 공간에서 가깝게 배치하도록 했습니다. 이 과정은 수작업 특징 설계나 의료 라벨 없이 생리적 특징을 찾도록 했습니다. 두 번째 단계에서는 여러 날의 파형 특징을 사람별로 평균 내 일시적 잡음을 줄이고, 동맥 경로 길이의 대리 지표로 키를 더한 뒤 정규화 로지스틱 회귀를 적용했습니다.

미국 5개 기관에서 진행한 전향적 임상 연구에는 알려진 심혈관 질환이 없고 혈압약을 복용하지 않는 참가자 196명이 동의 후 참여했습니다. 초기 선별에서 스마트워치는 민감도 65.8%, 특이도 90.0%, 양성예측도(PPV) 80.6%를 기록했습니다. 진료실 선별은 민감도 55.3%, 양성예측도 77.8%였습니다. 초기 진료실 측정에서 수치가 높았던 참가자 48명의 확인 검사에서는 스마트워치가 민감도 78.4%, 특이도 90.9%, 양성예측도 96.7%를 보였습니다. 재진 진료실 측정은 각각 67.6%, 63.6%, 86.2%였고, 여러 날 가정 측정은 89.2%, 81.8%, 94.3%였습니다.

위험 예측이 높은 사용자에게서는 맥파 폭이 약간 좁고 수축기 상승 속도가 느리며 d/a 비율이 낮은 파형이 관찰됐습니다. 가속도계 신호에서는 K파가 더 깊고 IJK 복합파가 더 넓었습니다. 연구진은 위험이 있는 사람에게 정식 임상 평가를 받도록 알리는 수동적·기회적 선별의 가능성을 제시했지만, 단독 진단 방법을 입증한 것은 아니라고 밝혔습니다. 기존 또는 계획된 상용 제품 기능도 아니라고 덧붙였습니다. 협력 기관에는 Google Research, Beth Israel Deaconess Medical Center와 Harvard Medical School이 참여했습니다.