ウェアラブルとAIが実現する個人化心血管デジタルツイン

腕時計型バイオインピーダンスセンサーとAIを組み合わせた新しいアプローチにより、非侵襲的かつ少数のサンプル数で個人化された血圧推定と心血管パラメータの算出が可能になりました。

背景

血圧の正確かつ継続的な監視は心血管疾患の診断と管理に不可欠です。従来、臨床用の非侵襲的血圧計測にはカフを使用した方法が標準でしたが、ウェアラブルデバイスの急速な進展により、日常生活における連続監視が現実になりつつあります。しかし既存の機械学習モデルは大量の訓練データを必要とし、個人の生理特性を十分に反映できないという課題がありました。

本研究では、Windkessel model（血管系を電気回路で模擬したモデル）の物理原理を深層学習に組み込むことで、この課題を解決する新しいアプローチを開発しました。

主な発見

Windkessel Physics-Informed Neural Networks（WPINNs）は従来のデータ駆動型モデルと比較して12～25%のRMSE（二乗平均平方根誤差）改善を達成し、収縮期血圧で6.49 mmHg、拡張期血圧で3.99 mmHgの精度を実現しました
個人化された心血管パラメータ（動脈コンプライアンス、末梢血管抵抗）を0.77～6.07%の誤差範囲で正確に推定できました
Windkessel残差を用いた物理駆動型の不確実性定量化により、精度が低下しやすい予測を統計的に有意に同定することができました（p<0.001）
データが極めて限定的な場合でも高性能を維持し、拡張期血圧推定で約5サンプル、収縮期血圧推定で約15サンプルで性能が飽和に達しました

臨床的意義

本アプローチの最大の利点は、少数の訓練データで個人に最適化されたモデルを構築できることです。これにより、ウェアラブルデバイスから得られる信号をリアルタイムで個人の心血管特性に基づいて解析し、単なる血圧値だけでなく、動脈コンプライアンスや血管抵抗といった臨床的に重要な心血管パラメータを推定することが可能になります。

このデジタルツインアプローチは、精密医療における早期疾患検出、個人化された治療介入、および継続的な患者モニタリングへの応用が期待されます。物理学的な原理に基づいた不確実性定量化は、臨床医による意思決定支援にも有用です。