Nature Medicine | 多伦多大学与梅奥医学中心联合突破：智能手表定义心衰监测新标准

本研究基于 TRUE-HF 临床试验，汇聚了全球心血管与数字医疗领域的顶尖力量：

• 多伦多大学（UofT）： 核心临床试验中心，负责 Ted Rogers 框架下的患者招募与长周期随访。

• 梅奥医学中心（Mayo Clinic）： 提供深度学习算法的临床验证逻辑，确保模型符合心脏病学诊疗规范。

• NIH “All of Us” 项目： 为模型提供了 193 名患者的独立外部验证集，验证了算法在跨种族、多背景人群下的鲁棒性。

研究团队解决了一个核心痛点：如何用非侵入性的穿戴数据替代昂贵、复杂的临床测试（如 CPET）。

pVO₂（峰值摄氧量）是评估心衰预后的“金标准”。通过深度学习模型整合 Apple Watch 的心率、加速度、环境气压等传感器数据，实现了对该指标的每日估算。

基于智能手表的远程监控系统框架

上图展示了从 Apple Watch 采集原始生理信号，到通过深度学习模型输出“穿戴设备导出每日 pVO₂”的全流程。

高相关性： 在 63 名患者的验证集中，估算的每日pVO₂ 与诊室实测结果的相关性高达 0.85（Pearson 相关系数）。

研究不仅实现了指标监测，更证明了其对临床结局的预测价值。

[引用自原论文 s41591-026-04247-3 Fig. 3]图 2：pVO₂ 变化与非计划医疗事件的关联分析。 Kaplan-Meier 曲线显示，监测到 pVO₂下降的患者，其急诊或住院风险显著升高。

• 预警指标： 数据表明，穿戴设备导出的每日 pVO₂ 每下降 10%，患者发生非计划性就医（如急诊、住院）的风险直接激增 3.62 倍（95% CI: 1.37–9.55）。

为了准确评估多伦多大学（TRUE-HF）成果的学术地位，我们将其与当前全球其他顶尖研究团队的代表性方案进行对比：

核心评估：

相比于 POSTECH 团队追求的硬件性能极限，多伦多大学团队走的是数据驱动路径。通过对普通 Apple Watch 数据的算法深挖，他们率先在真实世界的大规模心衰人群（含 NIH 独立验证集）中证明了穿戴数据与临床硬终点（住院/就医）的直接因果关系，这是目前其他纯工程类研究所欠缺的。

该研究证明了商业穿戴设备在心衰管理中的“合法性”。pVO₂不再是每年只能测一次的死板数据，而是变成了像心率一样可以每日刷新、动态波动的数字化生命体征。

• 传感器简化影响： 论文 Extended Data Table 4 显示，即使在简化传感器组合（TRUE-HF-RS）下，模型依然保持了较好的性能（AUROC 0.82-0.84），但这提示了未来在不同品牌硬件上的适配空间。

• 数据公平性： Extended Data Table 5 探讨了人口统计学变量对模型的影响，指出在不同族裔间的算法泛化仍是未来的改进重点。

多伦多大学与梅奥医学中心的这项合作，为心衰患者提供了一个实时、客观的“生命预警系统”。它将复杂的深度学习技术隐藏在简单的智能手表之后，让临床医生能够跨越地理限制，在患者病情恶化的“萌芽期”就实现精准介入。