可穿戴AI-ECG的临床工具、应用场景与商业模式

可穿戴与便携心电图（ECG）正在把心血管监测从“诊所里的间歇检查”变成“患者生成的连续数据”。AI的价值，不只是把心律失常分类做得更准，而是能否嵌入临床路径，把一次异常信号转化为可执行的照护动作。近期一篇叙事综述给出的判断很清晰：可穿戴AI-ECG的技术创新快于真实世界临床准备度；房颤检测最成熟，传导疾病、结构表型和预后应用仍处新兴或探索阶段。换言之，行业下一阶段的竞争焦点，不是单纯刷高AUC，而是证明“检测改变了管理”。

一、工具谱系：硬件、算法与质控三件套

常用硬件已形成几条路线：智能手表单导联ECG（Apple Watch、Samsung Galaxy Watch Active等）、手持式ECG（如AliveCor KardiaMobile）、贴片/便携监测器，以及ECG听诊器（如Eko DUO）和设备特异单导联记录仪（如QOCA ECG102D）。它们记录的是单导联或设备特异向量，而非传统12导联的空间信息，这决定了模型不能简单从12导联数据“迁移”而来。

算法工具以深度学习的端到端管线为主：CNN用于节律分类，U-Net用于R波定位，卷积编码器-解码器用于去噪。例如Reljin等将卷积编码器-解码器用于臂带ECG去噪，R峰检测准确率从61.16%提升到91.86%；轻量CNN则支持手表端实时或近实时推理。可解释架构也开始出现，如xECGArch用并行CNN分离节律与形态特征，试图让模型输出更贴近临床可读的QRS、P波和颤动波。

但工具链中最容易被低估的是质控。自由生活场景中的运动伪影、出汗、电极接触不良会直接推高假阳性；CNN质控与去噪可将无效段和假房颤警报降低约22%—25%。因此，一个可用的可穿戴AI-ECG产品应包含：采集引导、信号质量评估、无效段过滤、置信度分级，以及“不确定/不结论”的输出能力。没有这些，算法越敏感，临床负担可能越重。

二、应用实例：房颤最成熟，结构表型刚起步

房颤检测是证据最集中的应用。2025年一项智能手表单导联ECG系统综述与荟萃分析报告，算法检测房颤的汇总AUC为0.95，敏感度86%、特异度94%，但研究间异质性很高（敏感度I²=93.3%，特异度I²=95.8%），说明设备、人群和设计差异会显著影响外推。Apple Heart Study、Fitbit Heart Study则展示了消费级设备触发确认性监测的路径，但也带来后续就医和焦虑问题。

其他心律失常的证据在增加。Sangha等用300多万份12导联ECG合成lead I训练多标签CNN，并在24,808份KardiaMobile单导联ECG上评估：PVC的AUC为0.95，PAC为0.91，一度房室阻滞0.94，二/三度房室阻滞0.99。但该评估为回顾性、会议摘要，尚缺前瞻验证。

结构表型方面，左室收缩功能不全（LVSD）最受关注。Kwon等用Samsung Galaxy Watch Active和Apple Watch Series 6的异步lead I/II记录，检测LVEF≤40%的AUC为0.934，但阳性预测值仅约0.22—0.23，提示低患病率场景下假阳性与确认性检查成本不可忽视。Attia等用Apple Watch远程记录获得AUC 0.885，但仅421人有30天内可用的手表ECG、16人存在LVSD。Bachtiger等用Eko DUO在1050例前瞻多中心研究中获得最佳单记录位置AUC 0.85，双位置探索性模型AUC 0.91；Guo等在2960例中报告AUC 0.85、敏感度77.5%、特异度78.3%、NPV 98.0%。这些结果说明可行性存在，但离“筛查级临床确立”仍有距离。

更值得警惕的是跨设备迁移。Lin等2026年发现，传统临床ECG训练的lead I模型跨医院验证AUC下降<0.03，但直接迁移到Apple Watch和QOCA ECG102D时，低EF检测AUC从约0.88降至0.82和0.75，设备特异微调后回升至0.85和0.86。这直接说明：在12导联ECG中“提取lead I”不等于可穿戴验证；跨数据集验证也不等于跨设备可移植。

三、开发场景：从信号到行动的六段管线

可穿戴AI-ECG的开发应围绕“采集—信号表示—预处理—模型推理—输出—行动”六段管线展开，并同时管理四类变异源：用户行为、设备生态、模型行为和照护路径。

第一，场景定义必须先于模型开发。消费自监测、临床远程监测、基层点筛、院后随访是四种不同产品：消费场景强调易用、低误报和清晰升级路径；临床远程监测强调责任归属、文档和确认检查；点筛场景强调阳性预测值与即时确认能力；院后随访强调与EHR和随访流程整合。

第二，采集端要做“人因工程”。用户主导记录意味着运动、 sweating、电极位置和数字素养都会影响信号。开发时应提供实时引导、佩戴/握持反馈和无效记录重采提示，而不是把噪声全部留给算法。

第三，预处理与质控是产品能力而非附属功能。去噪、R峰定位、无效段识别和信号质量评分应前置，输出中要报告信号质量和置信度。

第四，模型要轻量且可校准。手表端推理受算力、功耗约束，轻量CNN可行；但更重要的是按设备、人群和亚组评估校准，避免“区分度相同、校准不同”导致固定阈值下差异化转诊。

第五，输出不能只有“异常/正常”。应分级为高置信异常、可能异常需确认、风险升高、不确定/不结论，并给出建议动作：复测、确认性ECG、转诊或继续观察。

第六，行动端要明确“谁审核、谁确认、谁文档、谁随访”。当前很多患者 initiated 记录以PDF或邮件进入系统，缺乏HL7/FHIR互操作，导致工作流碎片化。若不能进入EHR、不能分诊和审计，高性能模型也无法规模化。

警报负担是开发场景中的硬约束。Apple Heart Study中不规则脉搏通知虽不常见，但超过一半被通知者联系了医疗提供者，超过三分之一被建议进一步检测；Mayo Clinic真实世界评估中多数人接受了诊断检测，但仅少数发现可行动的心血管诊断。植入式循环记录器的经验也表明，连续监测会带来大量传输和假阳性警报。可穿戴AI-ECG若不做警报过滤、优先级排序和明确响应路径，很可能把“早发现”变成“低价值重复检查”。

四、商业模式：卖设备、卖软件，还是卖照护结果？

可穿戴AI-ECG的商业模式大致可分五类，但成熟度不同。

一是消费硬件一次性销售叠加软件订阅/云存储。智能手表、手持设备和贴片厂商可通过ECG功能差异化，并以高级分析、历史趋势、家庭共享等订阅服务变现。难点是消费者不愿为“可能异常”持续付费，且误报会带来品牌和客服成本。

二是软件医疗器械（SaMD）许可。算法公司向设备厂商、远程监测服务商或医院系统授权，按设备出货量、订阅或服务量收费。监管上，算法性能常与采集硬件、导联向量、采样率、滤波和固件绑定；FDA的预定变更控制计划（PCCP）、欧盟MDR及EU AI Act的高风险条款，都要求生命周期管理。这意味着“一个算法跨所有设备”的许可模式需要额外验证，商业模式必须包含设备特异验证和更新再验证成本。

三是远程监测服务。由AI初筛、护士分诊、医生复核，按患者按月或按监测周期收费。部分医疗体系存在远程监测计费码，能形成支付闭环；公共资助体系则缺乏同等结构。该模式的关键是量化警报量、复核时间、转诊和下游检测，否则服务方难以定价。

四是筛查与点筛服务。面向社区、药房、基层诊所或企业健康，使用手持/听诊器式设备加AI分析，按筛查人数收费。Eko DUO类设备的价值在于“设备+AI+即时确认”一体化。但低患病率人群中阳性预测值低，必须配套确认性超声或转诊路径，否则经济性会被假阳性吞噬。

五是按价值或结果付费的探索。综述引用的微模拟模型显示，65岁以上人群使用腕戴设备筛查房颤，每10万人可增加226—957个QALY，卒中减少约20—23/10万人年，但大出血增加20—44/10万人年，ICER约57,894美元/QALY。该结果支持在特定人群中的成本效果，但假阳性下游检查成本“很大程度上未被测量”，前瞻性成本效果研究“几乎缺失”。因此，更现实的路径是分阶段合同：先按诊断验证付费，再按工作流试点付费，最后对可证明的结局改善进行风险共担。

五、结语：拐点在“照护价值”

可穿戴AI-ECG已经跨过“能不能测”的技术门槛，但尚未普遍跨过“测了之后谁负责、是否改善结局、是否可持续付费”的商业门槛。房颤检测可作为首个规模化切口；LVSD等结构表型应在预期设备、预期人群和预期路径中做前瞻验证；其他预后应用仍应视为探索性。

下一阶段的赢家，不一定是模型AUC最高的团队，而是能同时做到四件事的产品：设备特异验证、信号质量与置信度输出、警报分级与临床所有权、以及可审计的经济学证据。监管、隐私、公平性和亚组校准不是合规尾项，而是产品设计的前置参数。只有从“分类器”走向“可问责的照护服务”，可穿戴AI-ECG才会真正完成从腕上信号到临床价值的转化。