研报速递最近Apple Watch拿到了第4个关于呼吸睡眠暂停的NMPA证。截至目前，Apple Watch分别通过国家药监局拿到了以下软件审批，移动心电图房颤提示软件（国械注进 20212210223）、移动脉率房颤提示软件（国械注进 20212210317）、移动脉率房颤迹象记录软件（国械注进 20252210606）、移动睡眠呼吸暂停迹象提示软件（国械注进 20262210328）。另外，高血压通知 HTNF（Hypertension Notification Feature），在2025年09月份拿到FDA的510 (k)批号（K250507），二类 SaMD，给未确诊高血压成人做高血压迹象提示，不直接测血压（目前想进国内，但暂时拒绝，看了本文你会发现拒绝有一定的道理，）。至于血氧 SpO₂、基础心率、HRV（心率变异性）、 腕部体温监测、排卵期估算、周期追踪（体温排卵）、有氧适能（Cardio Fitness VO₂max 估算）、睡眠分期、睡眠时长、呼吸速率等功能在 FDA 和中国 NMPA 均未按医疗器械审评，仅作为消费级健康参考功能，不能用于临床诊断。(给大家拜个早年，望各位老板有钱的捧个赞赏（1毛1块都行，多了咱也不拒绝）没赞赏的多转发，多少给博主一些动力，不枉博主每天夜肝)
摘要
Apple Watch 是当前用户基数最大的消费级可穿戴设备，也是少数以“软件即医疗器械”（SaMD）路径取得监管许可、并积累了大样本临床验证数据的产品线。它的健康功能建立在两条完全不同的物理通道上：一条是绿光 LED 与光电二极管构成的光电容积脉搏波（PPG）通道，被动、机会性、全天候，但只能“看”到脉搏动力学；另一条是表冠电极与表背导电层构成的单导联心电（ECG）通道，需要用户主动操作 30 秒，但能直接记录心脏电活动。两条通道的能力边界，决定了后续所有算法的设计取舍。
七个核心结论： ①心率是证据最充分、性能最好的指标：82 项研究中 38 项验证心率，合并平均偏置 −0.27 bpm，一致性界限 −7.19～6.64 bpm；第三代光学传感器（Series 6 及以后）一致性界限收窄至 −3.68～2.59 bpm。 ②房颤检测呈“高特异、中等敏感”：Apple 关键试验在可判读心电中敏感度 98.3%、特异度 99.6%，但独立合并（11 项 ECG 研究、n=3 144）仅为 79% 与 91%，AUC 0.93；差异主要来自受试人群、无法判定样本的处理方式与算法版本。 ③高血压通知是“风险提示”而非血压测量：总体敏感度 41.2%、特异度 92.3%，Stage 2 敏感度 53.7%；不输出血压数值、无需校准，收到通知必须用袖带复核。 ④睡眠呼吸暂停迹象提示代表另一类设计：以加速度计识别夜间呼吸相关运动，按滚动 30 天判定，中度以上 OSA 敏感度 66.3%、特异度 98.5%，重度亚组敏感度 89.1%；阳性结果值得转诊，阴性结果不能排除疾病。 ⑤血氧平均偏置很小（−0.04%），但一致性界限宽达 −4.01～3.94%，且在低氧范围进一步劣化，不能用于危重缺氧判断。 ⑥能耗、最大摄氧量、睡眠分期的误差大，只适合个人健康趋势参考，不宜进入临床决策。 ⑦ 全部功能均为筛查与提示性质；证据质量整体偏低（56% 的研究被评为高偏倚风险），厂商关键试验与独立验证之间存在系统性差距。 |
1 证据基础与评估框架
讨论可穿戴设备的“临床性能”时，容易把三件不同的事混为一谈：工程上能不能采到信号、分析上与参考方法差多少、临床上能不能改善结局。三者对应不同的验证层级，也对应不同的证据强度。本章先界定证据来源与评价口径，后续所有数字都在这套口径下解读。
1.1 数据分析来源
主要参考的是是厂商为监管申报而做的关键试验（pivotal study），设计严谨、样本量大、性能数字漂亮，但由利益相关方发起；另一条是独立团队完成的系统综述与 Meta 分析，纳入真实世界与学术研究，数字更保守，但更接近普通用户会遇到的性能。两条线的差距本身，就是重要的结论。
表 1 本报告的四份核心文献
文献 | 规模 | 在本报告中的作用 |
Apple《Using Apple Watch for Arrhythmia Detection》（2020-12） | AHS 419 297 人；ECG 1.0 588 人；ECG 2.0 534 人 | 心律不齐算法与受控验证的原始出处 |
Apple《Hypertension Notification Feature on Apple Watch》（2025-09） | 开发集 9 330 人；验证 2 229 人入组、1 863 人分析 | 高血压通知的算法流水线与性能 |
Apple《Apple Watch 心率准确性研究》（2026-09） | 1 460 人招募、1 254 人分析、6 款竞品 | 与竞品的头对头误差比较 |
Lambe R, et al. npj Digital Medicine 2026;9:63 | 82 项研究、430 052 名受试者、14 项健康指标 | 外部证据、偏倚评估、合并性能 |
四份文献的时间跨度是五年，恰好覆盖了 Apple 健康功能从“单点心率”走向“多指标风险提示”的过程。需要提醒的是，白皮书中的性能数字全部来自受控或半受控环境（这也是医疗器械注册的一个通病，在注册时数据异常漂亮，但一旦进入真实世界，性能效果急速下降）：受试者经过培训、佩戴位置被研究协调员确认、记录时被要求保持静止。这与普通用户在通勤、运动、睡眠中的实际使用条件有本质差别，也是后文反复出现的“真实世界落差”的来源。
1.2 评价框架：从工程验证到临床验证
数字健康领域目前通用的是 V3 框架，把证据分成三层：
验证（Verification）：工程层面，传感器能否在各类条件下产生可分析的信号。Apple 的预临床测试属于这一层，例如心律不齐算法在 2 300 名对照与 500 余名房颤受试者上做的压力测试，以及 1.3 百万份的肤色覆盖验证。
分析验证（Analytical validation）：设备测量值与参考方法的一致性，用 Bland–Altman 偏置与一致性界限、误差率、敏感度与特异度刻画。
临床验证（Clinical validation）：测量结果能否改变临床决策与结局，例如筛查是否降低卒中发生率、是否减少未诊断高血压的漏诊。这一层证据目前最薄弱，多数功能只有间接推断。
把三层分开看，可以解释一个常见的困惑：为什么一个“敏感度 98.3%”的功能，在真实世界里仍被批评“漏诊太多”。因为 98.3% 属于分析验证，且分母被限定为“可判读的记录”；一旦把无法判读的记录、间歇性发作的节律、以及人群患病率纳入，它就不再是同一个数字。
1.3 指标口径
为避免跨研究比较时口径混乱，本报告统一采用以下定义：
平均偏置（mean bias）：设备测量值与参考值之差的均值，反映系统偏差；接近 0 只说明“平均而言不偏”，不说明单次测量准。
一致性界限（LoA）：偏置 ±1.96 倍差值的标准差，刻画 95% 的单次测量差异范围。本报告引用的合并 LoA 采用 Tipton 与 Shuster 的框架，同时纳入研究内与研究间变异，因此比单项研究的 LoA 更宽，也更接近“换一个人、换一天”的真实波动。
RMSE 与 MAE：均方根误差对偶发大误差更敏感，平均绝对误差更稳健；两者同时报告可以区分“经常小偏”与“偶尔大偏”。
MAPE：平均绝对百分比误差，便于跨指标比较，但在低值区间会被放大。
敏感度、特异度与 AUC：诊断试验的固有属性，与被测人群无关；但阳性预测值（PPV）强烈依赖患病率，不能脱离人群谈论。
无法判定率（inconclusive）：设备主动“弃权”的比例（可能因为数据质量不达标等等问题造成，在真实世界时经常发生的）。它既是安全机制，也是分母陷阱——把它排除后再算敏感度，数字会显著变好。
1.4 证据质量：一半以上的研究存在高偏倚风险
系统综述按 COSMIN 框架对每项研究的每个指标单独评级，共 95 项评估：13 项（14%）为低偏倚风险，29 项（30%）为“部分担忧”，53 项（56%）为高偏倚风险。问题集中在两个域：27% 的研究没有连续、恰当地选取能代表目标人群的受试者；21% 使用了不恰当的统计方法，包括直接剔除测量失败的样本、用 t 检验代替一致性分析、不报告缺失数据、以及不处理重复测量带来的组内相关。
相反，参考标准这一域的表现最好，89% 的评估为低风险——说明多数研究“拿什么当金标准”是可靠的，问题主要出在“找谁测”和“怎么算”。这一分布对阅读文献很有指导意义：看到一项研究的敏感度异常高时，先看它的受试者是怎么招的、无法判定的样本是怎么处理的。
稳健性方面，综述对心率做了排除高偏倚研究后的敏感性分析，合并偏置为 −0.50 bpm（95% CI −1.47～0.47），LoA −7.54～6.53，与主分析基本一致，说明心率结论相对稳健（静息检测）；血氧与房颤因低偏倚研究不足 5 项，无法做同样的检验，结论的确定性更低。
2 传感硬件与信号通路
算法的上限由信号决定。理解 Apple Watch 的能力边界，必须先理解两条通道各自的物理约束：PPG 得到的是“血容积随心跳的变化”，信噪比天然很低；ECG 得到的是“心脏电活动在体表的电位差”，信号质量高但依赖用户配合。
2.1 PPG 光学通路
手表背面以绿色 LED 照射腕部皮肤，光敏光电二极管接收反射光。心脏收缩时动脉充盈、组织对光的吸收增加，反射光减弱；舒张时相反。由此得到的波形可分解为两部分：直流分量（DC）来自皮肤、肌肉、静脉血等相对静止的组织，交流分量（AC）来自随心动周期变化的动脉血。临床上把 AC/DC 的比值称为灌注指数，它直接决定信号的可分析性。
这里有一个常被忽略的物理事实：在腕部，搏动性动脉血只占组织总血量的一小部分，绝大部分光程被非搏动组织占据。这意味着 PPG 的 AC 分量本就微弱，任何运动、佩戴松动、末梢血管收缩都会让信噪比迅速恶化（这就是戒指产品利用指腹区域检测优于手表的原因之一）。系统综述把这一点列为三类误差源之一，并指出低体温或个体血管特性导致的低灌注，是腕式设备准确度下降的独立原因。
绿光的选择也有代价：黑色素在绿光波段的吸收很强，深色皮肤会显著衰减返回光强。Apple 的应对方式不是在算法端做肤色校正，而是在传感端做自适应（见 2.2）同样的，和其他厂家一样，在LED和PD形成通道的堆叠上，大家策略是一致的：尽可能增加LED和PD的排布数量，增加PPG的通道数量，提高其数据采集的稳定性和可靠性。
2.2 自适应感测平台：三个参数联动
为在全部肤色范围内维持足够的信号幅度，Apple Watch 的感测平台会动态调整三个参数：LED 驱动电流（决定发光强度）、光电二极管增益（决定对弱光的敏感度）、以及采样率。三者构成一个闭环：信号幅度偏低时提高电流与增益，噪声或饱和风险上升时回调。这是一种“把动态范围问题在模拟前端解决”的思路，优于事后在数字域做归一化。
验证层面，Apple 分析了 1 124 名受试者的 130 万份 tachogram，覆盖不同 Fitzpatrick肤色分型，其中近 5% 为最深的 VI 型，并以分光光度计测量腕部皮肤明度作为客观指标；结论是算法敏感度与特异度在不同肤色间无显著差异。需要辩证看待这一结论：它成立的前提是自适应平台工作正常、且受试者处于静止状态；独立研究提示在运动等低信噪比条件下，肤色仍可能带来性能差异，而系统综述因原始研究极少报告肤色分层，无法做亚组合并。
2.3 单导联心电通道
ECG App 使用两只干电极：数码表冠内的钛电极，以及表背蓝宝石晶体表面的铬-硅-碳-氮导电镀层。用户用对侧手的手指按住表冠，形成“指尖—表冠—设备—表背—腕部皮肤”的闭合回路，记录 30 秒的单导联心电，其导联轴等效于临床 I 导联。
干电极无需导电凝胶，适合长期佩戴，但代价是接触阻抗高、对微小位移敏感。Apple 的预临床测试（约 2 500 人，其中约 25% 有房颤或其他心律失常史）显示，算法性能的主要波动不是来自分类错误，而是来自“不可读”比例上升；诱因包括低信号幅度（右轴偏移，在低 BMI 人群中尤甚）、出汗、以及用户动作产生的伪影。这一点很关键：心电功能的瓶颈首先是信号质量，其次才是分类模型。
2.4 多传感器融合
加速度计在 Apple Watch 的健康功能中不是配角。它至少承担三项职责：一是在 PPG 采集中判定用户是否处于静止状态（高血压通知要求“静坐”才纳入样本）；二是作为运动伪影的参考信号，用于识别并剔除受污染片段；三是与心率、心率变异性一起构成睡眠分期与活动能量估算的多模态输入。系统综述指出，凡需要多传感器融合的指标（步数、最大摄氧量、能量消耗），单项误差会在融合中叠加，这也是这类指标整体表现最差的原因之一。
3 算法与模型建立
本章是报告的技术核心。需要先说明一个方法学前提：Apple 只公开了算法的输入、输出、训练数据的规模与来源、以及验证设计，未公开网络结构、超参数与具体滤波器参数。因此下文对“模型建立”的描述分为两类——有原文依据的部分直接引用，属于该类算法通用范式、但 Apple 未披露细节的部分，明确标注为“通用做法”，不做无根据的逆向推测。
3.1 从光强到心率：腕式 PPG 的通用处理链
无论是心率、心率变异性还是高血压通知，原始信号都要经过一条大致相同的处理链。这条链的每一步都对应一种特定的失效模式。
第 1 步：光强调制与采样。自适应前端根据返回光强调整 LED 电流、光电管增益与采样率，把信号推入模数转换器的最佳动态范围。失效模式：深肤色、纹身、佩戴过松导致信号过弱；佩戴过紧或环境光泄漏导致饱和。
第 2 步：预处理与带通滤波。去除直流基线漂移（呼吸、体位变化引起）与高频噪声（环境光、电子噪声），保留心率基频及其谐波所在的频带。通用做法是 0.5～5 Hz 量级的带通，但具体截止频率 Apple 未公开。失效模式：截止频率过高会削掉心动过缓的基频，过低则引入呼吸性基线波动。
第 3 步：运动伪影抑制。利用加速度计作为参考通道，识别与肢体运动相关的频谱成分并予以抑制或替换。常见实现包括自适应滤波、频谱峰值追踪、以及“运动强度超阈值即判为不可用”的门控策略。Apple 明确采用门控策略：只有用户足够静止、能获得有效读数时才采集和分析 tachogram。失效模式：门控过严导致数据缺失，过松则引入伪影。
第 4 步：搏动检测与间期序列构建。在滤波后的波形上检测每个心动周期的基准点（如收缩期波峰或最大斜率点），得到逐拍间期（IBI），再换算为瞬时心率，构成 tachogram——一张“心跳间隔随时间变化”的曲线。这一步的精度直接决定心率变异性的一切下游指标。失效模式：重搏波被误判为独立搏动、低灌注时漏检、早搏后出现代偿间歇。
第 5 步：信号质量评估。为每个片段打一个质量分，综合灌注强度、信噪比、运动强度、节律一致性等维度。只有超过质量阈值的片段才进入后续模型。这是“弃权机制”的物理基础，也是无法判定率的来源。
第 6 步：估计与融合。时域（逐拍间期）与频域（功率谱主峰）估计互相校验，输出心率及其置信度；在运动场景下通常更依赖频域，在静息场景下更依赖时域。
值得强调的是，这条链的绝大多数工程投入都花在第 3 步和第 5 步，而不是第 6 步。这也解释了为什么第三代光学传感器（Series 6 及以后）能把一致性界限从 ±8 bpm 量级收窄到 −3.68～2.59 bpm：改进主要来自前端信噪比与伪影抑制，而非换了一个更复杂的模型。
3.2 心律不齐通知（IRNF）：弱分类器 + 多次投票
IRNF 是 Apple Watch 最早的 SaMD 功能，适用于 Series 1 及以后机型（watchOS 5.1.2 起）。它不使用连续心电，而是复用为心率变异性而采集的 tachogram：设备在后台每 2～4 小时机会性采集一次，仅在用户相对静止、能获得有效读数时进行。
3.2.1 单段分类器
每一份 tachogram 被送入一个专有分类器，判断该段节律是否“不规则”。从问题结构看，这是一个典型的短序列异常检测任务：输入长度只有数十个心搏，输出是二分类概率。此类任务常用的特征族包括时域指标（RMSSD、pNN50、SDNN、变异系数）、分布特征（RR 间期直方图的熵）、非线性特征（Poincaré 图的 SD1/SD2、样本熵）、以及序列特征（相邻间期差分的符号序列与转移概率）。房颤的典型表现是“绝对不规则”——RR 间期随机分布、相邻差分的符号近似随机、低频功率消失。Apple 未公开具体特征集，但从其后处理规则可以反推：单段分类器被设计为一个“宁可放过、不可错杀”的弱分类器，可靠性由多段投票保证。
3.2.2 确认状态机：5/6 规则
IRNF 的决策逻辑是一个带重置条件的状态机，规则在原文中写得很明确：
基线状态：每 2～4 小时采集一份 tachogram，逐份分类。
触发状态：一旦某份被判为不规则，立即进入加密采集，采集频率提高到“尽可能快”，但两份之间至少间隔 15 分钟。
判定窗口：在 48 小时内，若连续 6 份 tachogram 中有 5 份（含最初触发的那份）被判为不规则，则推送“可能房颤”通知。
重置条件：在达到阈值之前，若出现 2 份被判为正常，计数清零，采集频率回落到基线。
为什么是 5/6，而不是 3/3 或 1/1？这是一个典型的“重复测量集成”设计。若把每份 tachogram 视为一次近似独立的观测，单段假阳性率为 p 时，6 段中至少 5 段阳性的概率约为 6p⁵(1−p)+p⁶。下表给出不同 p 下的等效概率，可以看到抑制效应急剧放大：单段假阳性率 20% 的弱分类器，经过 5/6 规则后等效假阳性率降到 0.16%；30% 时降到 1.09%。
表 2 IRNF “6 段中 ≥5 段判为不规则”规则的二项分布估算
单段判定概率 | 方向 | 经 5/6 规则后的等效概率 | 说明 |
1% | 假阳性 | ≈0.00006% | 几乎完全抑制 |
5% | 假阳性 | ≈0.00018% | 极度保守 |
10% | 假阳性 | ≈0.0055% | 仍远低于单段 |
20% | 假阳性 | ≈0.16% | 弱分类器也可用 |
30% | 假阳性 | ≈1.09% | 开始需要更高特异度 |
70% | 真阳性 | ≈42.0% | 单段检出率不足则整体敏感度受限 |
80% | 真阳性 | ≈65.5% | — |
90% | 真阳性 | ≈88.6% | 接近单段水平 |
这张表同时揭示了该设计的代价：整体敏感度被单段检出率“锁死”。即使单段对房颤的检出率达到 90%，整体也只有约 88.6%；若单段为 70%，整体就跌到 42%。更关键的是，房颤常为阵发性——在 48 小时窗口内，患者可能根本没有处于房颤状态，此时任何算法都无能为力。这是“机会性采集”相对“连续监测”的结构性劣势。
3.2.3 预临床压力测试
在进入临床验证之前，Apple 在 2 300 名对照受试者与 500 余名房颤受试者上做了系统性压力测试，覆盖的场景包括：深呼吸（呼吸性窦性心律不齐，最容易被误判为不规则）、乘车振动、手部震颤与运动、手部或腕部灌注降低、整夜佩戴、房颤伴快速心室率、以及其他类型的心律失常。这类测试的目的不是得到漂亮的数字，而是找出算法的系统性失效边界——最终这些边界被写进了产品说明书，而不是被算法“修掉”。
3.2.4 临床验证与输出形态
IRNF 的关键验证依托 Apple Heart Study（AHS）。这是一项完全线上、去中心化的前瞻性单臂实用性研究，共纳入 419 297 名受试者。收到不规则节律通知的受试者可申请佩戴动态心电贴片（ePatch，BioTelemetry）最多 7 天作为金标准；至少 1 小时可分析数据即视为有效。
AHS 主研究结果（Perez 等，NEJM 2019）显示，0.52% 的受试者收到通知；以通知为单位，房颤的阳性预测值为 0.84（95% CI 0.76～0.92）。白皮书披露的亚研究进一步限定了条件：在同时佩戴手表与贴片、且在此期间收到通知的57 名受试者中，78.9%（45 人）的贴片确认房颤，98.2%（56 人）确认房颤或其他具有临床意义的心律失常。
这个 98.2% 常被误读为“准确率 98.2%”。它真正的含义是：通知高度提示“存在心律异常”，但不特指房颤。频发房性早搏、室性早搏、房性心动过速都可能触发同一套规则，因为 PPG 只能看到“节律不齐”，看不到“有没有 P 波”。这也解释了为什么产品文案始终用“可能房颤”而非“房颤”，并要求用户在收到通知后就医确认。
3.3 ECG App：从波形生成到节律分类
3.3.1 类别空间与信号处理
ECG App 记录 30 秒单导联心电。信号处理需解决三类问题：基线漂移（呼吸与电极极化）、工频与肌电干扰、以及接触不良导致的片段性失真。处理后的波形一方面用于显示，另一方面送入分类器。分类器的输出不是“有房颤/无房颤”的二分，而是一个带弃权选项的多类别空间：
ECG 1.0：窦性心律（SR）、房颤（AFib）、无法判定（inconclusive）。
ECG 2.0：在 1.0 基础上增加“高心率房颤”（AFib，心率 100～150 bpm）、“窦性心动过速”（SR with high HR）、以及“记录质量差”（poor recording），并把可分类心率区间扩展到 50～150 bpm。
“无法判定”与“记录质量差”是两个不同的弃权类别：前者表示信号可读但节律无法归类（例如存在干扰判读的异位搏动），后者表示信号本身不合格。把两者分开，对用户是有实际价值的——前者需要复测或就医，后者通常重新测量即可。
3.3.2 模型建立与验证的统计学设计
Apple 公布的不是模型结构，而是一套相当规范的验证设计，这部分反而更值得同行借鉴。两项多中心研究分别验证 ECG 1.0 与 2.0，核心设计如下：
受试者：ECG 1.0 入组 602 人、588 人合格（301 例自报房颤、287 例无房颤）；ECG 2.0 入组 546 人、534 人完成（293 例房颤、241 例窦性心律）。
金标准：同步记录的 12 导联心电，由三名美国 board-certified 心脏科医生独立盲法判读，分歧由第三方裁定；判读者对算法结果不知情。
波形等效性：由三名认证心电技师将手表波形与 12 导联的 I 导联叠加，比较连续 6 个 PQRST 复合波的形态，给出通过/不通过；同时测量 R 波振幅的一致性。
主要终点与统计：敏感度与特异度分别计算单侧精确 97.5% 置信下界，预设性能目标为敏感度 >90%、特异度 >92%；ECG 2.0 因同一受试者存在静息与运动后多次测量，改用 bootstrap 重抽样得到双侧 95% 置信区间。
分析集：只在“可判读”样本上计算主要终点，同时报告把“无法判定”计入后的保守结果——这一点是理解后续数字差距的关键。
3.3.3 非房颤心律失常的失效模式
分类器最危险的错误不是“判不出”，而是“把别的心律失常判成房颤”。Apple 在预临床阶段系统测量了这类错误，结果构成了该功能最重要的使用边界：
表 3 非房颤心律失常对 ECG 分类算法的影响（ECG 2.0 预临床数据）
非房颤心律 | ECG 2.0 的表现 |
左或右束支传导阻滞 | 7.9% 的记录被判为房颤 |
一度房室传导阻滞 | 10.2% 无法分类；可分类者中 2.4% 被判为房颤 |
二联律 | 92.5% 无法分类 |
频发室性早搏（PVC） | 48.8% 无法分类；可分类者中 24.1% 被判为房颤 |
频发房性早搏（PAC） | 19.8% 无法分类；可分类者中 23.5% 被判为房颤 |
房性心动过速 | 7.7% 被判为房颤 |
混合节律 | 46.5% 无法分类；可分类者中 29.7% 被判为房颤 |
心率超出 50～150 bpm | 94.8% 无法分类 |
这张表解释了两个常见现象。第一，为什么频发早搏的用户会收到“房颤”提示——早搏造成的 RR 间期不规则，在单导联上极难与房颤区分；第二，为什么“无法判定”比例在真实世界中居高不下——二联律、混合节律、心率超界这些情况，算法选择了弃权，而弃权在临床上等价于“这次没查”。
3.4 高血压通知（HTNF）：三级流水线
2025 年 9 月上线的高血压通知，是 Apple 第一个不输出具体生理数值、只输出“风险提示”的健康功能。它适用于 Series 9 及以后、Ultra 2 及以后（SE 除外），面向 22 岁以上、既往未诊断高血压、非妊娠人群；后台被动运行，无需校准，不测量血压，也不向用户显示任何血压读数。
算法由超过 10 万名研究参与者的数据开发，输入是被动采集的 PPG，输出是“未来 30 天内是否应提示可能存在高血压”。整个流水线分三级，每一级解决一个不同的问题——这是本报告认为最值得细读的模型设计。
3.4.1 输入层：什么样的片段才有资格进入模型
输入是 60 秒的 PPG 片段，在非重叠的 30 天评估窗口内约每 2 小时采集一次。在进入模型之前，平台先用加速度计数据判定用户是否“静坐不动”——不满足则丢弃。这一道门控同时解决了三个问题：排除运动伪影、把测量条件标准化、并让模型只面对分布一致的输入。代价是数据缺失：用户越活跃，可用片段越少。
注意这里的采样策略：30 天、约每 2 小时、每次 60 秒。这意味着一份“评估”由数百个片段构成。高血压是慢变量，用长时间窗平均来对抗单次测量的噪声，是这个设计最核心的统计思想。
3.4.2 第 1 级：自监督学习的 PPG 特征提取器
第一级是一个深度特征提取器，把原始 PPG 转换为“可迁移的血管搏动表征”。关键在于它的训练方式：使用 Apple Heart and Movement Study 的大规模无标签数据，以自监督学习（self-supervised learning）训练，训练数据中不含任何血压或高血压标签。
自监督学习的典型做法是构造“pretext task”：把一段信号的一部分遮蔽或变换，让网络从其余部分把它重建出来，或判断两个变换版本是否来自同一段信号。网络为了完成这个任务，必须学会编码脉搏波的形态、周期结构、重搏波特征等与血管生理相关的通用信息。这样得到的表征不依赖标签，因此不受标签噪声、标注成本与人群偏倚的直接影响。
这一级的设计意图很清楚：把“学表征”和“学判别”解耦。表征层用海量无标签数据解决“看得懂波形”，判别层用小得多的有标签数据解决“判断有没有高血压”。
3.4.3 第 2 级：线性投影与风险打分
第二级由一组线性机器学习模型构成：先做线性投影降维，再分别通过“血压模型”与“高血压模型”，为每个 PPG 片段输出一个风险分数。训练数据是 PPG 片段与家用袖带血压的配对数据。
为什么在深度特征之后接线性模型，而不是端到端训练一个大网络？从方法学上看，这是“线性探针”思路：如果自监督学到的表征足够好，一个线性分类器就应当能达到不错的效果。这样做有三个好处——所需的有标签样本量小得多；模型可解释、便于监管审查；参数少、易于锁定，不会在部署后因数据漂移而悄然改变行为。对于要拿到监管许可的算法，最后一点尤其重要。
3.4.4 第 3 级：通知评估
第三级把片段级分数聚合成一个“人级”决策，包含三个动作：
睡眠过滤：剔除睡眠期间采集的样本。原因是模型在清醒时段的数据上训练，且产品定位是覆盖尽可能多的用户；睡眠期的血流动力学与清醒期不同，直接混入会引入分布偏移。
30 天平均：把剩余片段的风险分数在 30 天窗口内聚合平均，得到一个稳定的个体风险估计。
阈值比较：与预设阈值比较，超过则推送“可能高血压”通知。阈值来自开发集上的 ROC 曲线，工作点的选择原则是“优先保证高特异度、同时仍能提示相当比例的高血压人群”。
工作点的选择直接决定了产品的性格。高特异度意味着低误报，用户不会被频繁打扰，但代价是敏感度被压低——这正是最终 41.2% 敏感度的由来。Apple 在文档中明确表示，这一取舍是有意为之：宁可漏掉一部分，也不让大量健康用户收到无意义的警报。
3.4.5 开发数据与人群构成
算法开发历经训练、验证、测试三个阶段，三个阶段的人群构成如下表。值得关注的是测试集中 Stage 1/2 高血压占比高达 64%，明显高于训练集（33%）——这是有意的富集设计，用于在性能评估阶段获得足够的阳性样本。但也意味着测试集不能代表真实人群的患病率分布，这一点在解读 PPV 时至关重要。
表 4 高血压通知算法开发集的人群构成
特征 | 训练集 | 验证集 | 测试集 |
样本量 | 3 216 | 3 878 | 2 236 |
女性占比 | 54% | 55% | 57% |
18～39 岁 | 40% | 40% | 32% |
40～59 岁 | 37% | 44% | 53% |
≥60 岁 | 23% | 16% | 14% |
Fitzpatrick V/VI 型 | 13% | 17% | 20% |
BMI ≥30 kg/m² | 31% | 29% | 42% |
Stage 1 或 2 高血压 | 33% | 33% | 64% |
3.5 心率与心率变异性的新传感系统
2026 年，随 Series 12 与 Ultra 4 的发布，Apple 引入了新的健康感测系统：升级的光学与电学心率传感器、配套的信号处理算法，以及由此驱动的恢复心率变异性、“准备指数”等功能。官方未披露硬件细节，因此本章只能从验证设计反推其能力。
心率数据的呈现策略值得注意：面向用户的心率是 5 秒一次的单次测量值（不是滑动平均），后台心率显示在表盘复杂功能中，运动心率显示在体能训练 App 中；出于设备内存管理，后台心率每 30 秒才写入 HealthKit 一次。研究报告因此使用内部记录 App 采集“实际呈现给用户”的数据流，而非 HealthKit 的降采样数据——这个细节保证了评估对象与用户体验一致。
心率变异性的估计沿用 tachogram 路径。综述引用的唯一一项验证研究（Series 9 与Ultra 2，39 人，连续 14 天晨间测量）显示，Apple Watch 估算的时域与频域 HRV 指标与 Polar H10 配合 Kubios 的分析结果具有可比性。另一项方法学研究提示了更实用的结论：PPG 数据缺失分为“分散的单个漏搏”和“运动伪影导致的连续丢失”两种模式，不同 HRV 指标对二者的敏感度不同；在连续丢失的情况下，直接忽略该段数据反而优于插值填补。这对任何处理可穿戴 HRV 数据的团队都是一条可直接采纳的工程建议。
3.6 血氧、体温与睡眠
血氧采用红光与红外双波长：氧合血红蛋白与还原血红蛋白对两种波长的吸收比不同，由 AC/DC 比值构造 R 值，再经经验校准曲线映射为 SpO₂。校准曲线来自受控的低氧诱导实验，这也是为什么厂商数据在 70%～100% 全区间能落在 FDA 对医用脉搏血氧仪的精度要求（A_rms <3.5%）之内，而独立研究在低氧段却常常超标——受试者、诱导方式与稳态条件不同。
体温功能的设计思路完全不同：它不提供绝对体温，而是追踪睡眠期间腕温相对个人基线的偏移。这规避了腕部皮肤温度受环境影响的难题，代价是无法用于发热的绝对判断，只能用于趋势与周期推断（如女性健康中的排卵估算）。
睡眠分期依赖加速度计、心率与心率变异性的多模态融合。综述的结论是：睡眠与觉醒的二分类做得很好（两项研究报告敏感度 ≥97%），但生理上相似的睡眠阶段之间区分度差，典型错误是把深睡判为浅睡。这符合“多模态但非脑电”的物理上限——没有 EEG，就缺少判读睡眠阶段最直接的依据。
3.7 睡眠呼吸暂停迹象提示（SANF）
睡眠呼吸暂停迹象提示（Sleep Apnea Notification Feature，SANF）是 Apple Watch 功能谱系中最新、也最特殊的一项。2024 年 9 月 13 日，该功能以 510(k) 路径获 FDA 批准（K240929，产品代码 QZW，“用于评估睡眠呼吸暂停风险的 OTC 设备”）；2026 年 9 月 4 日，国家药监局批准其进口第二类医疗器械注册（国械注进20262210328，型号 SANF v1），中文名即“移动睡眠呼吸暂停迹象提示软件”，并于同年 10 月随watchOS 27 在中国市场上线。它与前述所有功能的根本区别在于：判定对象不是某一次生理测量的准确度，而是一个以月为尺度的慢性疾病状态。
3.7.1 物理通道：为什么是加速度计
阻塞性睡眠呼吸暂停（OSA）的病理链条是：上气道塌陷 → 气流受限或停止 → 血氧下降 → 微觉醒 → 呼吸用力增加。沿这条链条，可穿戴设备至少有三种可用的观测面：血氧下降（SpO₂ 通道）、心率与心率变异性的周期性波动（PPG 通道）、以及呼吸用力带来的胸腹与上肢运动（加速度计通道）。
Apple 选择了加速度计。从工程角度看，这个选择至少有三重理由。其一，夜间 PPG 本身最脆弱：体位压迫、低灌注、翻身运动都会让光学信号质量下降，而此时恰恰是最需要可靠信号的时段。其二，呼吸相关的腕部运动具有明确的周期性——周期与呼吸周期同量级（数秒），在频谱与持续时间上可与翻身、抓挠等随机运动区分，因此“运动”在这里不是噪声，而是信号本身。其三，它把判定与血氧模块解耦：该功能获批时，Apple 在美国市场的血氧测量正因专利纠纷而停用，功能仍能正常上市，这条时间线本身就说明其算法不依赖血氧读数。
代价同样清楚：加速度计测到的是“机械耦合”，不是气流，也不是血氧。呼吸事件的力学表现会受体位、体型、床垫软硬与佩戴松紧影响；没有胸腹带或鼻气流作为直接参考，算法只能学习“呼吸扰动”的替代表征，而不能直接计算呼吸暂停低通气指数（AHI）。这也是为什么它的输出被命名为“呼吸扰动（Breathing Disturbances）”而不是“呼吸暂停次数”。
3.7.2 判定单元：滚动 30 天与“至少 10 晚”
SANF 不按夜给结论，而是按滚动 30 天窗口给结论。在一个窗口内，设备累计每夜的呼吸扰动指数，只有有效佩戴达到 10 晚及以上时才输出判定；不足 10 晚时不给结论。这实质上是把“数据不足”设计成了一个合法的弃权状态，与 ECG App 的“无法判定”一脉相承。
把窗口拉到 30 天，是这项功能最重要的方法学决策。单夜 AHI 的夜际变异极大——同一个中重度患者在两个晚上可能测出相差一倍的指数，饮酒、感冒、鼻塞、睡姿与时差都会显著改变结果。30 天窗口把这些短期扰动平均掉，使判定对象从“某一夜有多糟”变成“这个人是否处于慢性、反复的呼吸事件状态”，后者才是 OSA 的临床定义。从统计学角度看，这与 IRNF 的“多次独立观测 + 投票”是同一思想的两种实现：用重复观测压低方差，而不是试图把单次测量做得更准。
代价是延迟与依从性：用户最长要等待约一个月才能看到首次结果；此后每个 30 天窗口内仍需至少 10 晚的有效佩戴，否则判定会暂停。对间断佩戴的用户，功能可能长期处于“数据不足”状态——这不是故障，而是设计上的取舍。
用户界面遵循同一逻辑：Health App 以“升高（Elevated）”与“未升高（Not Elevated）”的分类结论呈现，而不是给出一个容易被误读为 AHI 的数值；同时提供按月的趋势视图与可导出的 PDF 报告，供就诊时交给医生。把“结论”与“原始数值”分开，是避免用户自我诊断的常见监管策略。
3.7.3 模型形态与部署
按 NMPA 注册信息的结构组成，该软件由 Apple Watch 端 App（内含深度学习算法）与 iPhone 端 App 两部分构成：手表端负责夜间连续采集与信号处理，手机端负责跨夜聚合、30 天窗口判定与结果呈现。端侧推理意味着原始加速度数据不必离机上云，这与 Apple 一贯的隐私架构一致，也降低了传输带来的功耗与合规成本。
与高血压通知相同，SANF 的算法在上市时被锁定，后续迭代通过预定变更控制计划（PCCP）管理；FDA 的 510(k) 摘要同样以“算法锁定 + 预设性能目标”的方式描述验证。厂商未公开模型结构、训练数据规模与训练标签来源，因此本报告只能从验证设计反推其能力边界——这是所有消费级健康算法的共同限制。
3.7.4 临床验证设计与结果
关键研究纳入 1 499 名受试者（其中女性 652 名），平均年龄 46 岁（标准差 14），覆盖健康成人以及不同严重度的睡眠呼吸暂停患者。参考标准为家庭睡眠呼吸监测（HSAT，type 3 设备），每名受试者至少完成 2 晚 HSAT 记录；受试者连续佩戴 Apple Watch 最多 30 晚，以与 30 天判定窗口对齐。
这里需要说明两套分母的差异：系统综述按入组人数记录为 1 499 人；FDA 510(k) 摘要则按分析集报告——1 305 人拥有至少一次配对测量，其中 1 193 人（91.4%）的结果落在预设的性能区间内，最终约 1 278 人进入通知性能分析。两者不是矛盾，而是“入组”与“可分析”两种口径；引用时不应把 1 305 与 1 499 混为一谈。
以 HSAT 判定的中度以上 OSA（AHI ≥ 15）为阳性标准，通知的敏感度为 66.3%（95% CI 62.2%～70.3%），特异度为 98.5%（95% CI 98.0%～99.0%）。按严重度分层后，重度（AHI ≥ 30）亚组的敏感度升至 89.1%，中度亚组则明显更低。这一梯度符合筛查工具的一般规律：疾病越重、生理表现越显著，越容易被识别；而最需要治疗的重度患者，恰好是最不容易被漏掉的一群。
表 9 睡眠呼吸暂停迹象提示（SANF）的验证设计与结果
要素 | 内容 |
监管状态 | FDA 510(k) K240929（2024 年 9 月，OTC，产品代码 QZW）；NMPA 国械注进20262210328（2026 年 9 月，第二类，型号 SANF v1） |
信号通道 | 加速计（腕部运动）；不依赖血氧读数 |
判定单元 | 滚动 30 天窗口；窗口内有效佩戴 ≥10 晚才输出判定 |
输出形态 | “升高 / 未升高”分类结论 + 月度趋势 + 可导出 PDF 报告 |
研究人群 | 1 499 人（女性 652），平均年龄 46 岁（SD 14）；健康成人及不同严重度 OSA 患者 |
参考标准 | HSAT（type 3），每人 ≥2 晚；受试者最多佩戴 30 晚 |
分析集 | 1 305 人至少一次配对测量；1 193 人（91.4%）在预设性能区间内；约 1 278 人进入性能分析 |
主要结果 | 敏感度 66.3%（62.2～70.3）；特异度 98.5%（98.0～99.0）；重度亚组敏感度 89.1% |
预期用途 | 18 岁以上、既往未诊断睡眠呼吸暂停的成人；提示中重度 OSA 迹象，不用于诊断或治疗 |
3.8 建模方法学小结
把五类算法放在一起看，可以提炼出八条可迁移的工程经验，它们比任何单个模型结构都更值得借鉴：
1.先在传感器端解决动态范围问题（自适应电流/增益/采样率），再到算法端做补偿；前端的信噪比决定了后端的上限。
2.用大规模无标签数据做自监督表征学习，把昂贵的标注需求压缩到一个小规模的线性判别头上——这是 HTNF 最重要的架构决策。
3.用“弱分类器 + 多次机会性观测”的集成规则替代单个强分类器，以极低的计算代价换取极高的特异度（IRNF 的 5/6 规则）。
4.为模型设计明确的弃权类别（inconclusive、poor recording），让“不知道”成为一个合法的输出，而不是被迫猜测。
5.在验证前预注册性能目标与统计方法（单侧精确下界、bootstrap 置信区间），避免事后挑选好看的指标。
6.按使用场景选择工作点：筛查工具优先保证特异度，把敏感度的损失交给重复测量与临床随访来弥补。
7.算法锁定，并通过预定变更控制计划（PCCP）管理后续迭代——这是监管对 AI 类医疗器械的通行要求，也保证了性能声明与上市产品一致。
8.对慢性疾病，把判定窗口从“一次”拉长到“一个月”，用时间换特异度，与 IRNF 的多次投票是同一思想的两种实现；代价是延迟与依从性要求。
4 临床性能
本章按指标汇总性能。为避免“只挑好看的数字”，每一项都同时给出厂商关键试验与独立合并的证据，并标明证据性质。
4.1 总览
系统综述纳入了截至 2025 年 9 月的 82 项研究、430 052 名受试者（合并平均年龄 41.3 岁，标准差 13.3），覆盖 14 项健康指标。纳入研究的样本量中位数为 44 人，整体 57% 为男性——这两个数字提示现有证据的两个结构性偏差：小样本研究居多，且人群偏向男性与身体活动较多者。
左：心率与血氧的合并偏置及一致性界限、房颤的合并敏感度与特异度；左下：偏倚风险构成（低 14%、部分担忧 30%、高 56%）；右：14 项指标及纳入研究数。
表 5 14 项健康指标的性能总览
指标 | 研究数 | 样本/规模 | 关键性能 | 证据性质 |
心率 | 38 | 1 855 人（合并 22 项） | 偏置 −0.27 bpm；LoA −7.19～6.64 | Meta 合并 |
房颤检测<o:page></o:page> | 17 | 422 654 人（合并 11 项 n=3 144） | 敏感度 0.79；特异度 0.91；AUC 0.93 | Meta 合并 |
血氧饱和度 | 10 | 合并 9 项 n=969 | 偏置 −0.04%；LoA −4.01～3.94 | Meta 合并 |
能量消耗 | 8 | 270 人 | MAPE 9.71%～151.66% | 叙述性 |
心电波形 | 7 | 535 人 | QT 间期多被低估、LoA 宽 | 叙述性 |
步数 | 3 | 最大单项 n=71 | 小幅低估、强相关 | 叙述性 |
轮椅推进次数 | 3 | — | MAPE 1%～21%（Series 1）；9.2%（Series 4） | 叙述性 |
睡眠分期 | 3 | 221 人 | 睡眠/觉醒敏感度 ≥97%；深睡被低估 | 叙述性 |
最大摄氧量 | 1 | 30 人 | 低估 6.07 mL/kg/min | 单研究 |
心率变异性 | 1 | 39 人 | 与 Polar H10 + Kubios 可比 | 单研究 |
睡眠呼吸暂停 | 1 | 1 499 人 | 敏感度 66.3%；特异度 98.5%；重度 89.1% | 厂商研究 |
高血压通知 | 1 | 2 229 人入组 | 敏感度 41.2%；特异度 92.3% | 厂商研究 |
六分钟步行距离 | 1 | 449 人 | — | 厂商研究 |
声音暴露 | 1 | 1 人 | — | 单研究 |
4.2 心率
4.2.1 合并结果：平均不偏，但个体波动可达 ±7 bpm
心率是验证最充分的指标。38 项研究覆盖从第一代到 Series 9 与 Ultra 2 的全部机型，共 1 855 名受试者（66% 男性）。合并 22 项研究（n=1 247）后，平均偏置为 −0.27 bpm（95% CI −0.72～0.17），一致性界限为 −7.19～6.64 bpm。
这个结果需要正确解读：偏置接近 0，说明 Apple Watch 不会系统性地高估或低估心率；但 ±7 bpm 的一致性界限意味着，对某一个具体的人、在某一次具体测量中，误差超过 7 bpm 并不罕见。临床上一个常被引用的量级是：静息心率每升高 10 bpm，全因死亡风险约增加 9%。因此单次腕式测量不足以判断“心率是否异常升高”，但多次测量的均值可以把随机误差按 √n 缩小——这正是消费级设备适合“看趋势”而非“看单点”的统计学依据。
表 6 心率的合并 Bland–Altman 结果
分析 | 研究数 | 平均偏置（95% CI） | 一致性界限 | τ² |
全部条件 | 22 | −0.27（−0.72～0.17） | −7.19～6.64 | 0.53 |
静息 | 9 | 0.21（−0.65～1.07） | −8.14～8.56 | 0.67 |
运动 | 13 | −0.63（−1.37～0.12） | −6.86～5.60 | 0.93 |
排除高偏倚研究 | 13 | −0.50（−1.47～0.47） | −7.54～6.53 | — |
τ² 为研究间方差。
分场景看，静息状态的平均偏置为 +0.21 bpm，运动状态为 −0.63 bpm——方向相反，但幅度都很小。运动时一致性界限反而略窄，与直觉不符；真正恶化的是“快速变化、手腕运动不规律”的工况（如力量训练、HIIT），此时误差主要表现为滞后与瞬时偏差，而不是整体偏移，因此会被平均掉。这也解释了为什么在单项研究里静息 MAPE 可低至 1.69%～7.2%，而高强度运动时 MAE 可从 <3 bpm 上升到 8～16 bpm。
红色虚线为合并平均偏置，蓝色虚线为合并一致性界限（−7.19～6.64 bpm）。
A：偏置 0.21 bpm，LoA −8.14～8.56；B：偏置 −0.63 bpm，LoA −6.86～5.60。
4.2.2 传感器代际：第三代把一致性界限收窄了一半
综述按光学心率传感器的代际做了探索性亚组分析：第一代（Series 3 及以前）、第二代（Series 4～5 及全部 SE）、第三代（Series 6 及以后，含 Ultra）。第三代的合并一致性界限为 −3.68～2.59 bpm，明显窄于主分析；第一、二代则更宽。三者的平均偏置相近，说明改进主要发生在“波动”而非“偏移”上——这与 3.1 节的判断一致：硬件与信号处理的进步主要提升了信噪比与伪影抑制能力（硬件上LED和PD形成PPG通道数的堆叠，提高了抗干扰能力）。
这条证据对选购与解读都有实际意义：老机型的心率数据在静息场景仍可用，但在运动场景的置信度应下调；跨代际混合的数据集在建模时，应把传感器代际作为协变量而不是忽略。
4.2.3 头对头比较：与六款主流设备的同场竞技
2026 年的厂商研究提供了目前规模最大的同场对比：1 460 人招募、1 254 人进入分析，在 5 个中心（加州库比蒂诺 2 个、圣地亚哥、奥斯汀、马来西亚雪兰莪）进行。受试者一手佩戴 Apple Watch、另一手佩戴对比设备，同时佩戴 Polar H10 心电胸带作为参考，左右手随机分配。对比设备包括 Garmin Forerunner 970、Google Pixel Watch 4、华为 WATCH 5、三星 Galaxy Watch 8、WHOOP Band 5.0，以及佩戴于食指的 Oura Ring 5。
测试方案包括户外跑步、跑步机间歇跑、户外骑行、HIIT、力量训练（各 15～20 分钟），以及静息、案头工作、备餐、步行等日常生活场景（各约 20 分钟）。运动类型经过刻意选择，以覆盖对光学心率最不友好的条件：跑步的步频锁定（cadence lock）、力量训练与骑行时持续抓握造成的前臂肌肉收缩干扰、HIIT 的快速手腕运动与心率剧变。
统计上采用线性混合模型，把运动类型作为固定效应、受试者作为随机截距，并对 6 项设备比较做 Bonferroni 校正；置信区间用按受试者聚类的 99% BCa bootstrap。结果显示：在整体运动与整体日常生活两个方案上，Apple Watch 的 RMSE 与 MAE均显著优于全部对比设备；159 项“活动×指标”比较中，139 项在 99% 置信水平下显著更优，18 项无统计学差异，仅 2 项落后（均为静息时与 Pixel Watch 4 的比较，差距不足 0.5 bpm）。
需要标注的是，这是一项由 Apple 发起并执行的研究，虽然设计规范（预设定样本量、盲法数据质控、第三方 CRO 管理部分站点），但结论的方向性仍应结合独立证据阅读。独立系统综述的结论与此并不矛盾：Apple Watch 在心率与血氧上与参考方法的一致性优于 Garmin、Fitbit、Withings 等设备，但在睡眠上与多导睡眠图的吻合度低于Whoop、Fitbit 与 Garmin。
差值为“Apple Watch 误差减去对比设备误差”，负值表示 Apple Watch 误差更小；实心圆表示差异具有统计学意义，空心方块表示未达显著性。
4.3 房颤检测
房颤是 Apple Watch 投入证据最多、也最容易被误读的功能。它实际上包含两条独立的技术路径：被动、机会性的 PPG 心律不齐通知（IRNF），以及主动、单次的 ECG App。两者的性能不能混为一谈。
4.3.1 PPG 路径：IRNF 的真实世界表现
AHS 主研究中，419297 名受试者里仅 0.52% 收到不规则节律通知——这个极低的通知率本身就是 5/6 规则高特异度的体现。以通知为单位，房颤的阳性预测值为 0.84（95% CI 0.76～0.92）；在同时佩戴贴片并收到通知的 57 人亚组中，78.9% 确认房颤，98.2% 确认房颤或其他临床相关心律失常。
这组数字的含义是：一旦收到通知，有很高概率确实存在心律异常，值得就医；但“没有收到通知”几乎不能说明任何问题——因为采集是机会性的、要求静止、且需要连续 5/6 段异常。对阵发性房颤患者而言，48 小时窗口内可能一次发作都没有。把 IRNF 当作“持续监测”是典型误用。
4.3.2 ECG 路径：关键试验的天花板
ECG App 的两项关键试验给出了接近“理想条件”的性能。ECG 1.0 在 485 份可判读记录中，敏感度 98.3%（236/240）、特异度 99.6%（238/239）；若把无法判定的记录计入，则降为 95.5% 与 97.1%。ECG 2.0 在可判读样本中为 98.5% 与 99.3%，计入无法判定后为 96.0% 与 97.1%；静息与运动后表现接近（静息 98.5%/99.1%，运动后 98.6%/99.5%）。
ECG 2.0 还报告了按心率分层的正确率，这组数字对临床更有参考价值：窦性心律 50～99 bpm 的正确率 98.3%，房颤 50～99 bpm 为 98.9%；但心率升到 100～150 bpm 时，窦性心动过速的正确率降为 90.7%，房颤伴快速心室率降为 83.0%。也就是说，心率越快，算法越容易犹豫——这与快速心率下 P 波更难辨认的生理事实一致。
波形等效性方面，ECG 1.0 的形态学通过率为 99.2%（125/126，单侧 97.5% 置信下界 95.7%），ECG 2.0 为 100%（bootstrap 下界 97.9%），R 波振幅一致率为 97.2%（下界 93.6%）。这支持“手表心电可作为 I 导联的替代记录”这一说法，但仅限于形态学层面，不涉及诊断解释。
表 7 房颤检测的关键试验与外部合并结果
场景 / 分析集 | 样本 | 敏感度 | 特异度 | 无法判定 |
ECG 1.0，可判读记录 | 240 / 239 | 98.3% | 99.6% | 12.2%（68/556） |
ECG 1.0，计入无法判定 | — | 95.5% | 97.1% | 同上 |
ECG 2.0，可判读记录 | 481 / 439 | 98.5% | 99.3% | — |
ECG 2.0，计入无法判定 | — | 96.0% | 97.1% | — |
ECG 2.0，静息 | — | 98.5% | 99.1% | — |
ECG 2.0，运动后 | — | 98.6% | 99.5% | — |
独立合并（11 项 ECG 研究） | n=3 144 | 79% | 91% | 多项研究 15%～25% |
IRNF（AHS 亚研究，以通知计） | 57 | — | — | PPV 78.9%（房颤） |
4.3.3 为什么 98.3% 会变成 79%
17 项房颤研究（n=422 654）中，仅有 2 项评估 PPG 路径，其余评估 ECG App。各研究的敏感度跨度极大（19%～100%），特异度 66%～100%；15 项计算了敏感度的研究中，仅 6 项高于 80%，另 6 项落在 65%～90%。合并 11 项 ECG 研究（n=3 144）后，敏感度 0.79（95% CI 0.61～0.90）、特异度 0.91（95% CI 0.81～0.96），AUC 0.93，异质性中等（I²=55%）。
差距来自四个可解释的因素：
人群不同。关键试验刻意富集了房颤患者（301/588），且受试者经过培训、处于静止；外部研究多纳入心血管病房的连续患者，合并多种心律失常、束支阻滞与频发早搏，这些正是 3.3.3 节列出的主要误判来源。
无法判定的处理方式不同。关键试验在可判读样本上计算主要终点；外部研究若直接剔除无法判定的记录，数字会好看，若计入则明显下降。综述特别指出，把无法判定样本排除后性能显著提升，这本身就是一种“分母操纵”。
算法版本不同。纳入研究跨越 ECG 1.0 与 2.0，早期版本的类别空间更小、可分类心率区间更窄。
判读标准不同。参考心电由 1～2 名心脏科医生判读，部分研究未采用盲法，对“其他心律失常”的归类存在主观空间。
从证据等级看，17 项房颤研究中有 13 项被评为高偏倚风险、4 项为部分担忧，没有一项是低风险。这意味着 79%/91% 这个合并值本身也带有不确定性——它可能低估了理想条件下的性能，也可能高估了真实世界的性能。
三角形为单项研究，空心圆为汇总估计，实线为 SROC，椭圆为置信区域；AUC 0.93。研究点沿曲线分布很散，直观反映了研究间的异质性。
4.4 血氧饱和度
10 项研究验证了 Series 6～8 的血氧功能，其中 6 项纳入患者队列。7 项研究报告的平均差异小于 1%，说明在正常氧合范围（约 95%～100%）内测量准确；但多项研究报告的一致性界限接近 ±5%，提示个体波动不小。
合并 9 项研究（n=969）后，平均偏置为 −0.04%（95% CI −0.42～0.35），一致性界限 −4.01～3.94%。低氧亚组的分析更能说明问题：平均偏置变为 +0.43%，一致性界限扩展到 −8.35～9.21%。所有同时评估正常与低氧范围的研究都发现，正常氧合时一致性更好。
这里存在一个看似矛盾的证据：Apple 白皮书报告在全区间 70%～100% 内，A_rms 均满足 FDA 对医用脉搏血氧仪的精度要求（<3.5%），另有两项独立研究在80%～100% 区间也达标；但同时有两项研究报告低氧段一致性界限很宽。矛盾的原因在于“平均值”与“个体误差”的区别：A_rms 是均方根误差，对系统性偏移敏感、对少数大偏差不敏感；而一致性界限直接刻画个体差异。对临床而言，后者才是决定“这个读数能不能信”的指标。
结论很明确：Apple Watch 的血氧适合作为日常趋势参考与睡眠期间的筛查线索，不能用于危重或低氧患者的临床判断。在低氧段，它可能把真正的低氧误判为正常，这是所有腕式反射式血氧的共同局限，不是 Apple 独有的问题。
红色虚线为合并偏置（−0.04%），蓝色虚线为一致性界限（−4.01～3.94%）。
4.5 高血压通知
关键验证研究为去中心化的前瞻性单臂设计，纳入 2 229 名既往未诊断高血压的成年人，分为“无已知危险因素”与“有危险因素”两个队列。受试者每天佩戴 Apple Watch 至少 12 小时、持续 30 天，同时每日两次用 OMRON Evolv 上臂式血压计（Model BP7000）测量，按 AHA 指南取 30 天平均值作为参考。2 229 人中 1 863 人数据可用并进入主分析（585 例高血压、1 278 例非高血压）。
结果呈现典型的“高特异、低敏感”形态：总体敏感度 41.2%（95% CI 37.2～45.3），总体特异度 92.3%（90.6～93.7）。分层后差异很大——Stage 1 敏感度仅 29.6%，Stage 2 升至 53.7%；正常血压者的特异度 95.3%，而“血压偏高但未达高血压”者特异度只有 82.8%。
表 8 高血压通知关键研究的主要终点
终点 | 事件数 / 总数 | 估计值（95% CI） |
Stage 1 高血压敏感度 | 90 / 304 | 29.6%（24.5～35.1） |
Stage 2 高血压敏感度 | 151 / 281 | 53.7%（47.7～59.7） |
总体敏感度 | 241 / 585 | 41.2%（37.2～45.3） |
正常血压特异度 | 924 / 970 | 95.3%（93.7～96.5） |
血压偏高者特异度 | 255 / 308 | 82.8%（78.1～86.8） |
总体特异度 | 1 179 / 1 278 | 92.3%（90.6～93.7） |
亚组分析给出了两个有实践意义的发现。其一，年龄与 BMI 会显著影响性能：60 岁以下人群的敏感度更低（风险比 0.69）、特异度更高；BMI<30 者同样表现为低敏感、高特异。这提示该功能在年轻、偏瘦人群中更容易漏检，而在老年、肥胖人群中更容易给出提示——后者恰恰是高血压高发人群，从公共卫生角度看这一偏倚方向并非坏事。其二，性别、种族与肤色在校正协变量后未显示临床意义的差异。例如亚裔亚组年龄更轻（平均 43.0 岁 vs 50.9 岁）、BMI 更低（27.7 vs 30.9），未校正时表现较差，校正后与其他人群相当。
左：敏感度风险比；右：特异度风险比。灰色为未校正，蓝色为协变量校正；横轴为各亚组相对于参照组的比值，1.0 表示无差异。
如何评价 41.2% 的敏感度？把它换算成“漏检比例”更直观：约 59% 的高血压患者不会收到通知。心血管领域的评论文章据此指出，该功能不足以替代人群级筛查，并呼吁为无袖带、机器学习类血压设备建立统一的验证框架（Hypertension 期刊 2026 年评论文章，见参考文献 13）。但另一面同样重要：在 30 天、被动、零操作的前提下，特异度 92.3% 意味着警报的负担可控；而一旦收到通知，用户被引导去完成 7 天家庭血压记录，这条路径本身就有临床价值。把它理解为“提高诊断意识的分诊器”而非“筛查试验”，才符合其设计意图与监管定位（这。。。。）。
4.6 睡眠呼吸暂停
这是全部 14 项指标中唯一以“月”为评估周期、且唯一以分类结论而非数值形式输出的功能，因此它的性能必须放在 OSA 的流行病学背景下解读。关键研究中敏感度 66.3%、特异度 98.5% 的组合意味着：每 3 名中度以上 OSA 患者中约有 1 名不会收到通知；而每 100 名没有中重度 OSA 的人中，只有约 1.5 人会收到通知。
把这两个数字换算成用户真正关心的后验概率（表 10）：在患病率 10% 的中年人群中，一条“升高”通知对应约 83% 的真阳性概率，而“未升高”对应的阴性预测值约 96%；在患病率 20% 的人群（如肥胖、男性、合并高血压者）中，阳性预测值升至约 92%。换言之，阳性结果的信息量很大；阴性结果只能把患病概率从 20% 降到约 8%，远不足以排除疾病。
表 10 睡眠呼吸暂停通知的阳性/阴性预测值随患病率的变化
目标人群患病率 | 阳性预测值 | 阴性预测值 |
1% | 30.9% | 99.7% |
2% | 47.4% | 99.3% |
5% | 69.9% | 98.2% |
10% | 83.1% | 96.3% |
20% | 91.7% | 92.1% |
30% | 95.0% | 87.2% |
注：依据敏感度 66.3%、特异度 98.5% 与贝叶斯公式计算；患病率指目标人群中 AHI ≥ 15 的比例，不代表任一具体国家或人群的实测值。
这个性能轮廓与房颤的 IRNF 恰好形成对照，也与高血压通知形成另一种对照。IRNF 靠 5/6 规则把等效特异度推到 99.9% 量级，代价是敏感度；SANF 则是“单次判定、长窗口平均”，用 30 天的时间维度替代多次独立观测，得到 98.5% 的特异度与 66.3% 的敏感度。两者殊途同归：都在为一个患病率不高、后果严重、且可治疗的慢性疾病设计“宁漏勿滥”的提示器。
最后需要强调口径：66.3% 的敏感度不能直接与 HSAT 或 PSG 的检出率比较。后者的判定对象是“某一夜的呼吸事件指数”，SANF 的判定对象是“30 天内是否为中重度患者”；前者是测量，后者是分类。把两者放在同一张 ROC 曲线上比较，是本领域最常见的口径错误。
4.7 其他指标
表 11 其他健康指标的性能与适用性
指标 | 主要结果 | 评价 |
心电波形形态 | 7 项研究、535 人；QT 间期最常被评估，4 项研究显示手表低估 QT，且一致性界限较宽 | 可用于节律记录，不宜用于精确间期测量 |
能量消耗 | 8 项研究、270 人；6 项研究在至少一种条件下 MAPE ≥20%；全范围 9.71%（跑步）～151.66%（步行） | 误差大且不稳定，不适合作为能量平衡依据 |
步数 | 3 项研究；最大研究（n=71）小幅低估、强相关；其余中等相关、LoA 宽 | 日常计步可用，精确研究不可用 |
轮椅推进 | 3 项研究；两项高估、一项低估；MAPE 1%～21%（Series 1）、9.2%（Series 4） | 中等准确，个体差异大 |
睡眠分期 | 3 项研究、221 人；睡眠/觉醒二分类敏感度 ≥97%；深睡被系统性低估、误判为浅睡 | 可判断睡/醒与总时长，分期不可靠 |
最大摄氧量 | 30 人；平均低估 6.07 mL/kg/min，LoA 宽 | 趋势可用，绝对值不可信 |
心率变异性 | 39 人、14 天；与 Polar H10 + Kubios 可比 | 可用于个人基线比较，不宜跨设备比较 |
4.8 如何解读这些数字：敏感度是仪器属性，PPV 是人群属性
前面所有敏感度与特异度都是“仪器属性”——它们描述的是在同一个人群、同一套操作下，设备把阳性与阴性分开的能力。但用户真正关心的是另一个问题：“我收到这条通知，到底有多大概率是真的？”这是阳性预测值（PPV），它随患病率变化，而且变化极其剧烈。
图 10A 说明了一个反直觉但重要的事实：即使特异度高达 91%，当患病率为 1% 时，PPV 也只有约 8%。也就是说，在低患病率人群中用单次记录做筛查，大部分阳性都是假阳性。这正是 IRNF 采用 5/6 级联的原因——它用“多次独立观测”把等效特异度推到 99.9% 量级，从而在低患病率下保住 PPV。AHS 中 0.52% 的通知率与 84% 的 PPV，正是这一设计的直接结果。
代价是敏感度：级联要求连续多次异常，阵发性房颤很容易被漏掉。因此两条路径的定位不同——ECG App 适合“有症状时的即时确认”，IRNF 适合“无症状人群的长期机会性筛查”。把两者的敏感度直接比较，是没有意义的。
表 12 不同患病率下的房颤阳性预测值
目标人群患病率 | ECG 关键试验（98.3%/99.6%） | 系统综述合并（79%/91%） |
0.5% | 55.3% | 4.2% |
1% | 71.3% | 8.1% |
2% | 83.4% | 15.2% |
5% | 92.8% | 31.6% |
10% | 96.5% | 49.4% |
20% | 98.4% | 68.7% |
注：仅反映单次记录的分析性能；未考虑无法判定记录与重复测量。
表 13 不同患病率下的高血压通知阳性预测值
目标人群患病率 | 高血压通知（41.2%/92.3%） |
10% | 37.3% |
20% | 57.2% |
31.4%（研究人群） | 71.0% |
40% | 78.1% |
50% | 84.3% |
注：敏感度与特异度取自关键研究；患病率为 Stage 1/2 高血压在该人群中的比例。
表 13 给出了一个容易被忽视的正面结论：由于高血压在中年以上人群中患病率高，即使敏感度只有 41.2%，在 31.4% 的患病率下 PPV 仍可达 71%。也就是说，收到高血压通知的人里，约七成确实患有 Stage 1/2 高血压。这与房颤在低患病率人群中的处境形成鲜明对比——同一个“41.2%”，在不同疾病、不同人群中的临床含义完全不同。
把三类通知功能放在一起（表 14），可以看到它们其实是同一个设计问题的三种解法：如何在“不能漏太多”与“不能报太多”之间分配预算。IRNF 把预算全押在特异度上，用级联把假阳性压到近乎为零；高血压通知把预算放在覆盖率上，接受 41.2% 的敏感度，换取 30 天被动累计带来的零门槛；睡眠呼吸暂停提示则把预算押在时间上，用 30 天的平均换取 98.5% 的特异度，同时把敏感度留在 66.3%。
表 14 三类“通知型”功能的性能与设计对照
心律不齐通知（PPG） | 高血压通知（PPG） | 睡眠呼吸暂停（加速计） | |
判定信号 | 脉搏节律（tachogram） | 脉搏波形态与特征 | 腕部呼吸相关运动 |
观测模式 | 机会性、约 5 分钟一段 | 30 天被动累计 | 30 天内 ≥10 晚夜间 |
判定规则 | 48 h 内 6 段中 ≥5 段异常 | 睡眠时段聚合 + 30 天阈值 | 30 天窗口分类 |
敏感度 | 未单独报告（AHS 通知 PPV 84%） | 41.2%（37.2～45.3） | 66.3%（62.2～70.3） |
特异度 | 等效约 99.9%（5/6 规则） | 92.3%（90.6～93.7） | 98.5%（98.0～99.0） |
输出 | 心律不齐通知 | 高血压通知 | 升高 / 未升高 |
临床定位 | 无症状房颤的机会性筛查 | 高血压风险分诊 | 中重度 OSA 的迹象提示 |
5 性能边界与失效模式
把第 4 章的数字放回真实世界，还需要理解它们为什么会失效。系统综述把影响准确度的因素归为三类，这一分类框架值得完整保留。
5.1 三类误差来源
测量原理本身。需要多传感器融合的指标（步数、最大摄氧量、能量消耗），单项误差会在融合中叠加放大；而心率、血氧这类直接来自 PPG 的指标，推导链条短，误差来源相对单一。这解释了为什么前者的表现整体更差——不是算法不行，而是问题本身更难。
运动、湿度与皮肤接触。这三者共同决定 PPG 波形的清晰度。高强度、不规则的手腕运动是心率误差最主要的来源；出汗会改变皮肤与传感器的光学耦合；佩戴过松会引入环境光与相对位移。这也是为什么所有厂商都要求“贴合但不勒紧”。
生理与个体差异。低灌注（低体温、末梢血管收缩）、心率对运动的个体化反应、以及算法与个体生理特征的不匹配，都会带来误差。腕部搏动性动脉血占比低这一事实，使得 PPG 对灌注状态格外敏感。
5.2 特定人群的系统性偏差
现有证据在人群覆盖上存在明确缺口：受试者以男性（57%）与身体活动较多者为主，老年人、合并多种疾病者、以及安静生活方式人群的代表性不足。系统综述因原始研究极少报告 BMI 与肤色的分层数据，无法做相应亚组合并，这本身就是一个证据空白。
已知的偏差方向包括：深色皮肤在低信噪比条件下可能衰减 PPG 信号（厂商称自适应平台已补偿，但外部研究仍有分歧）；低 BMI 人群因右轴偏移导致心电振幅偏低，“无法判定”比例上升；心律失常患者的心率测量准确性低于健康人；老年人的皮肤厚度、血管弹性与静息心率分布都与验证人群不同。
5.3 “无法判定”是结构性特征，不是偶发故障
多项研究报告中，15%～25% 的心电记录被判为无法判定；ECG 1.0 关键试验中这一比例为 12.2%，且原文明确指出真实使用环境下的比例会更高。这个数字有两重含义。从安全角度看，弃权优于误判——把不确定的记录标为“无法判定”，避免了给出错误结论；从效用角度看，弃权意味着这次筛查没有发生，而用户往往把它理解为“没事”。
对产品设计的启示是：无法判定率应当与敏感度、特异度一起作为一等公民指标报告，并且在用户界面中明确区分“无法判定（建议复测）”与“记录质量差（重新佩戴）”。Apple 在 ECG 2.0 中新增“记录质量差”类别，正是朝这个方向的一步。
5.4 真实世界与受控试验的落差
把 4.3 节的数字并排看，落差非常直观：受控条件下 98.3%，独立合并 79%。落差的来源不是“厂商造假”，而是三类条件的同时改变——受试者从“培训过的、静止的、富集的患者”变成“未培训的、活动的、连续入院的患者”；分析从“只算可判读样本”变成“把无法判定计入或剔除”；判读从“三名盲法心脏科医生”变成“一到两名、部分非盲”。任何一项变化都会让数字下降，三者叠加就是二十个百分点。
5.5 证据偏倚与利益冲突
56% 的研究为高偏倚风险，是这份系统综述最刺眼的结论。高偏倚主要集中在受试者选择与统计分析两个环节，而不是参考标准——说明问题不在“金标准不可靠”，而在“样本不代表目标人群”和“统计算法挑好看的”。
另一方面，四份核心文献中有三份由 Apple 发起或资助。这类研究通常设计规范、样本量大、执行质量高，但存在两个结构性局限：其一，发表偏倚——阴性结果更可能不被发表；其二，条件最优——受试者经过培训、佩戴经过确认、记录时被要求静止。独立系统综述的价值正在于对冲这两点，因此本报告在每一节都并列呈现两套数字。
6 临床定位与使用建议
6.1 适用与不适用
表 15 Apple Watch 健康功能的适用性判断
场景 | 适用性 | 依据与条件 |
无症状人群的房颤机会性筛查 | 适用（有条件） | IRNF 高特异、低通知率；阴性不能排除，需长期佩戴 |
有症状时的心律记录 | 适用 | ECG App 可判读样本敏感度 98.3%、特异度 99.6%；需正确佩戴、静止 |
房颤治疗后的节律随访 | 谨慎适用 | 可用于趋势与发作频率估计；不能替代动态心电图 |
高血压的早期提示 | 适用（提示性质） | 敏感度 41.2%、特异度 92.3%；不输出血压值，必须袖带复核 |
心率与 HRV 的长期趋势 | 适用 | 合并偏置 −0.27 bpm；单次误差可达 ±7 bpm，看趋势不看单点 |
睡眠时长与睡/醒判断 | 适用 | 二分类敏感度 ≥97%；分期不可靠 |
中重度睡眠呼吸暂停的迹象提示 | 适用（提示性质） | 特异度 98.5%、敏感度 66.3%；需 30 天内 ≥10 晚佩戴；阳性应转诊做睡眠监测 |
睡眠呼吸暂停的排除 | 不适用 | 敏感度 66.3%，约 1/3 的中重度患者不会收到通知；需 HSAT 或 PSG |
低氧/呼吸衰竭的判断 | 不适用 | 低氧段 LoA 扩展至 −8.35～9.21，可能把低氧判为正常 |
心肌梗死、室速、传导阻滞的诊断 | 不适用 | 单导联、类别空间有限；束支阻滞与室速不在识别范围 |
能量消耗与体重管理 | 不适用（精确场景） | MAPE 最高达 151.66%，个体差异极大 |
危重患者连续监护 | 不适用 | 无法判定率高、依赖静止、无报警闭环 |
6.2 收到通知之后的临床路径
不同通知对应不同的复核路径，这条路径的设计比设备本身的精度更能决定临床价值：
心律不齐通知：先用 ECG App 复测，若仍异常或反复收到通知，转诊进行12 导联心电或 24～72 小时动态心电图；确诊房颤后按 CHA₂DS₂-VASc 评估抗凝指征。注意：通知提示的是“节律异常”，不等于房颤，早搏同样会触发。
高血压通知：按 Health App 的引导完成 7 天家庭血压记录（早晚各两次），携记录就诊；诊室复核仍高者，可进一步做 24 小时动态血压监测。单次通知不构成诊断，也不应据此自行用药。
睡眠呼吸暂停通知：携带 Health App 导出的报告就诊，首先判断是否满足检查前提（30 天内 ≥10 晚佩戴）；随后按睡眠门诊流程行 HSAT 或 PSG 确诊，并评估日间嗜睡（ESS）、BMI 与心血管合并症。通知不提供 AHI，不可据此自行购买或调整呼吸机。
低心率/高心率通知：先排除测量伪影（佩戴过松、手腕运动），静息复测；持续异常者按常规心律失常路径评估。
血氧提示：仅作为趋势线索，不用于分诊；有呼吸困难、发绀等症状时应直接就医，以医用脉搏血氧仪或动脉血气为准。
6.3 监管定位与预期用途
Apple Watch 的相关功能均以软件即医疗器械（SaMD）路径申报。ECG App 与心律不齐通知通过 FDA 的 De Novo/510(k) 路径上市；高血压通知则于 2025 年 9 月 11 日通过传统 510(k) 获批（编号 K250507），产品代码 SFR（“基于机器学习的高血压通知软件”），归入 21 CFR 870.2380，Class II，并附带预定变更控制计划（PCCP），允许在预先批准的范围内迭代算法。
预期用途的限定值得逐条阅读：高血压通知仅适用于 22 岁以上、既往未诊断高血压、非妊娠人群；不测量血压、不提供血压读数、不需要校准；收到通知后应使用标准袖带复核。这些限定不是免责声明，而是性能边界的法律化表达——41.2% 的敏感度意味着“未收到通知”绝不能作为“没有高血压”的依据。
睡眠呼吸暂停通知走的是另一条监管路径：2024 年 9 月 13 日通过 FDA 510(k) 获批（K240929），产品代码 QZW，归入 21 CFR 868.2378，按非处方（OTC）器械管理并附带 PCCP；中国于 2026 年 9 月 4 日批准其进口第二类医疗器械注册（国械注进20262210328，型号 SANF v1），结构组成为 Watch App（含深度学习算法）与 iPhone App。FDA 对它的分类不是“诊断设备”，而是“用于评估睡眠呼吸暂停风险的 OTC 设备”——这一措辞把“提示风险”与“诊断疾病”在法规层面彻底分开。预期用途限定为 18 岁以上、既往未诊断睡眠呼吸暂停的成人，用于提示中重度迹象，不用于诊断或治疗，不提供 AHI；因此“未收到通知”几乎没有排除价值。
6.4 对自研可穿戴产品的启示
如果目标是开发同类功能，Apple 的路径提供了几条可直接借鉴的经验，也有几条需要谨慎对待的教训：
数据规模的门槛被低估了。HTNF 用超过 10 万人的数据开发，其中表征学习阶段完全不需要标签。对资源有限的团队，自监督预训练 + 小样本线性头是性价比最高的路线。
传感器自适应必须做在算法之前。肤色、佩戴松紧、灌注差异带来的动态范围问题，在模拟前端解决的成本远低于在模型里补偿。
弃权机制要作为产品特性设计，而不是模型的副产品。明确的“无法判定”比一个勉强的结论更安全，也更容易通过监管。
验证设计要在开始前锁定：预设性能目标、预设分析集、预设无法判定的处理方式。Apple 的单侧精确置信下界与 bootstrap 设计，是可以直接照搬的模板。
不要把“厂商关键试验的数字”当作产品指标写进宣传。受控条件与真实使用之间存在系统性落差，独立验证才是最终的裁判。
7 结论
Apple Watch 代表了一类新的医疗器械形态：它不是更准的血压计或心电图机，而是一个把“机会性、低负担、长周期”的生理采样嵌入日常生活的平台。它的强项与弱项都来自这个定位——因为机会性，所以能覆盖传统筛查触达不到的人群；也因为机会性，所以会漏、会弃权、会在低患病率下产生大量假阳性。
从证据上看，可以给出分层的结论：心率与心电波形是可靠的，足以支撑趋势监测与节律记录；房颤检测在“阳性提示”这一侧是可信的，在“阴性排除”这一侧不可信；高血压通知是一个有明确临床价值但敏感度有限的分诊工具；睡眠呼吸暂停提示则在阳性一侧高度可信（特异度 98.5%）、阴性一侧几乎不提供排除信息（敏感度 66.3%）；血氧、能耗、睡眠分期则只适合个人参考。
对临床使用者而言，最重要的不是记住某个百分数，而是理解三个问题：这个数字的分母是谁？这个功能在什么条件下会弃权？在我的病人所属的人群里，一次阳性提示的 PPV 是多少？把这三个问题问清楚，可穿戴设备的数据才可能真正进入临床决策，而不是停留在“我手表说我不太对”的层面。
从证据生产的角度看，还留下三个明确的缺口。其一，现有证据几乎全部停留在分析验证层，缺少以卒中、心衰住院或全因死亡为终点的前瞻性研究——也就是说，“设备提示得准”与“筛查改善了结局”之间，仍缺一座桥。其二，人群分层数据稀缺：年龄、肤色、合并症与用药状态的分层结果，多数研究根本没有报告，导致临床医生无法判断某条性能数字是否适用于自己的患者。其三，“无法判定率”的报告极不规范，有的研究把它剔除，有的把它算作阴性，有的干脆不提——同一个敏感度数字，背后的分母可能相差十几个百分点。
这三点的共同指向是：可穿戴设备的临床证据需要一套更严格的报告规范，把分母、弃权、分层与算法版本四件事同时讲清楚。对评估者而言，这也提供了一条简单的判断标准——凡是不能说明这四件事的性能声明，都应当打折看待。
参考文献
附录 A 图表来源与使用说明
本报告共使用 10 幅图，其中 9 幅直接取自原始文献，1 幅由本报告计算绘制。所有图片均未作内容修改，仅按版面需要裁剪与缩放。
表 A1 图表来源清单
编号 | 内容 | 来源 | 许可 |
图 1 | 健康 App 不规则节律记录 | Apple 白皮书 2020，Figure 1 | Apple 版权，内部技术评估引用 |
图 2 | 高血压通知算法流程 | Apple 白皮书 2025，Figure 1 | Apple 版权，内部技术评估引用 |
图 3 | 系统综述图形摘要 | Lambe 等 2026，Fig. 6 | CC BY-NC-ND 4.0 |
图 4 | 心率合并森林图 | Lambe 等 2026，Fig. 2 | CC BY-NC-ND 4.0 |
图 5 | 静息/运动心率森林图 | Lambe 等 2026，Fig. 3 | CC BY-NC-ND 4.0 |
图 6 | 与六款设备的心率误差对比 | Apple 白皮书 2026，图 1 | Apple 版权，内部技术评估引用 |
图 7 | 房颤 SROC 曲线 | Lambe 等 2026，Fig. 4 | CC BY-NC-ND 4.0 |
图 8 | 血氧合并森林图 | Lambe 等 2026，Fig. 5 | CC BY-NC-ND 4.0 |
图 9 | 高血压通知亚组分析 | Apple 白皮书 2025，Figure 2、3 | Apple 版权，内部技术评估引用 |
图 10 | PPV 随患病率变化曲线 | 本报告据原文敏感度/特异度计算 | 本报告绘制 |
附录 B 缩略语
表 B1 缩略语对照
缩略语 | 英文全称 | 中文 |
PPG | Photoplethysmography | 光电容积脉搏波描记法 |
ECG | Electrocardiography | 心电图 |
AFib | Atrial Fibrillation | 心房颤动 |
IRNF | Irregular Rhythm Notification Feature | 心律不齐通知功能 |
HTNF | Hypertension Notification Feature | 高血压通知功能 |
AHS | Apple Heart Study | 苹果心脏研究 |
SANF | Sleep Apnea Notification Feature | 睡眠呼吸暂停迹象提示功能 |
OSA | Obstructive Sleep Apnea | 阻塞性睡眠呼吸暂停 |
AHI | Apnea–Hypopnea Index | 呼吸暂停低通气指数 |
HSAT | Home Sleep Apnea Test | 家庭睡眠呼吸监测 |
PSG | Polysomnography | 多导睡眠图 |
NMPA | National Medical Products Administration | 国家药品监督管理局 |
HRV | Heart Rate Variability | 心率变异性 |
LoA | Limits of Agreement | 一致性界限 |
MAPE | Mean Absolute Percentage Error | 平均绝对百分比误差 |
RMSE / MAE | Root Mean Square Error / Mean Absolute Error | 均方根误差 / 平均绝对误差 |
PPV / NPV | Positive / Negative Predictive Value | 阳性 / 阴性预测值 |
AUC | Area Under the Curve | 曲线下面积 |
SaMD | Software as a Medical Device | 软件即医疗器械 |
PCCP | Predetermined Change Control Plan | 预定变更控制计划 |
SpO₂ | Peripheral Oxygen Saturation | 外周血氧饱和度 |
发表评论
发表评论: