구글 리서치(Google Research)의 파올로 디 아킬레(Paolo Di Achille) 및 밍저 포(Mingzhe Po) 연구팀이 상용 스마트워치 센서를 기반으로 상완 커프 보정 없이 고혈압 징후를 감지하는 멀티모달 인공지능 시스템 AI-PPG-ACC-HTN을 국제 학술지 네이처(Nature)에 발표했습니다. 기존 웨어러블 기기의 혈압 측정 방식은 정확도 유지를 위해 주기적으로 공기 주입식 상완 커프 혈압계로 기준값을 입력해야 하는 번거로움이 있어 지속적인 추적 관찰에 큰 제약이 따랐습니다. 연구팀은 범용 스마트워치에 내장된 광혈류측정(PPG) 센서와 가속도계 데이터를 직접 융합 분석해 사용자가 별도의 교정 절차를 거치지 않아도 혈관 상태의 미세한 변화를 포착하도록 설계했습니다. 이번 모델 구축에는 약 50만 시간 분량의 맥파와 가속도 파형 데이터가 사전 학습에 투입되었습니다. 알고리즘 검증은 심혈관 질환 병력과 혈압강하제 복용 이력이 전무한 196명을 대상으로 진행된 전향적 다기관 연구를 통해 이뤄졌으며, 임상 표준으로 꼽히는 24시간 보행 혈압 모니터링(ABPM) 데이터를 기준 지표로 삼아 비교 평가했습니다. 고혈압은 전 세계 10억 명 이상이 겪고 있으나 뚜렷한 전조 증상이 없어 성인 환자의 절반 이상이 질환을 인지하지 못하는 대표적인 만성 질환입니다. 연구진은 대규모 시계열 신호 분석을 통해 신체 움직임 잡음을 배제하고 동맥 경화도와 심박 진동 특성을 직접 추정하는 파이프라인을 구현했습니다. 정량적 성능 지표에서도 AI 모델은 기존 임상 현장의 표준 선별 방식을 크게 앞질렀습니다. 7일 동안 진행된 일상 환경 모니터링 평가에서 AI 시스템은 65.8%의 민감도와 90.0%의 특이도, 80.6%의 양성 예측도(PPV)를 기록했습니다. 이는 1차 진료실 단회 측정 기준인 민감도 55.3%에서 10.5%포인트 향상된 수치이며, 양성 예측도 역시 진료실 측정의 77.8% 대비 2.8%포인트 개선된 성과입니다. 반면 특이도는 90.0%로 동일한 기준을 유지해 위양성 발생 비율을 통제하면서도 실제 위험 환자를 찾아내는 선별 검출 능력을 의미 있게 끌어올렸습니다. 초기 선별 이후 확진 단계에서의 지표 격차는 더욱 뚜렷하게 나타났습니다. 1차 진료실 측정에서 고혈압 의심 판정을 받은 48명을 대상으로 후속 검증을 진행한 결과, AI 모델은 78.4%의 민감도와 90.9%의 특이도, 96.7%의 양성 예측도를 달성했습니다. 이는 병원에 재방문해 측정하는 기존 커프 방식의 양성 예측도 86.2%보다 10.5%포인트 높은 기록이며, 며칠 동안 가정용 커프 혈압계로 반복 측정한 결과인 94.3%와 비교해도 2.4%포인트 앞선 수치입니다. 인라인 지표로 환산하면 초기 선별 민감도는 55.3%에서 65.8%로, 확진 양성 예측도는 86.2%에서 96.7%로 도약한 셈입니다. 이러한 정량적 성능 향상은 향후 헬스케어 인프라 운영 및 예방 의료 도입 의사결정에 상당한 비용 절감 효과를 예고합니다. 연구진은 본 AI 모델이 기존 커프 혈압계를 전면 대체하거나 단독으로 질환을 확진하는 장치가 아니라, 일상 속에서 무증상 고위험군을 조기에 스크리닝해 정밀 진단으로 연계하는 보조 인프라임을 명확히 했습니다. 고가의 전문 의료기기를 매번 보정해 사용하는 관리 비용을 없애고, 일반 소비자가 착용하는 저비용 웨어러블 센서만으로 높은 양성 예측도를 확보함으로써 잠재적 심혈관 합병증 치료 비용을 선제적으로 통제할 수 있는 시스템 기반이 마련되었습니다.