Google e lo smartwatch: l’AI che individua i segnali dell’ipertensione senza bracciale

Google Research ha pubblicato i risultati di uno studio, uscito su Nature, in cui un modello di intelligenza artificiale riesce a individuare i segnali dell’ipertensione usando soltanto i sensori di un normale smartwatch, senza bracciale e senza calibrazione. Il sistema si chiama AI-PPG-ACC-HTN e, secondo i ricercatori, nello screening iniziale ha mostrato una sensibilità più alta della misurazione fatta in ambulatorio.

La notizia è interessante perché sposta l’AI dall’assistente che risponde alle domande a un sensore silenzioso che lavora in background sul polso. Ma, come vedremo, i numeri vanno letti con molta cautela.

Cosa ha presentato Google Research sull’ipertensione

Il lavoro è firmato da Paolo Di Achille e Ming-Zher Poh di Google Research, con la collaborazione del Beth Israel Deaconess Medical Center e della Harvard Medical School. La pubblicazione sul blog di Google Research è del 5 novembre 2026 e descrive un modello che parte da due soli segnali: la fotopletismografia (PPG), cioè la misura ottica del flusso di sangue che gli smartwatch già usano per la frequenza cardiaca, e i dati dell’accelerometro. A questi si aggiunge un unico dato personale, l’altezza della persona.

Il punto qualificante è che non serve nessuna calibrazione con un bracciale tradizionale. Molti tentativi di misurare la pressione dal polso hanno bisogno di confrontare periodicamente il dispositivo con un misuratore classico, e questo ne ha sempre limitato l’utilità pratica.

Come funziona il modello in due fasi

Nella prima fase una rete neurale convoluzionale monodimensionale è stata preaddestrata con apprendimento auto-supervisionato di tipo contrastivo su 492.347 ore di dati non etichettati, raccolti da 2.109 partecipanti e suddivisi in forme d’onda sovrapposte di 15 secondi. In pratica il modello ha imparato da solo a riconoscere la struttura dei segnali del polso, senza che qualcuno gli dicesse in anticipo quali fossero ipertesi e quali no.

Nella seconda fase gli embedding ottenuti vengono mediati su più giorni di utilizzo, combinati con l’altezza e passati a una regressione logistica regolarizzata. L’uscita non è un valore in millimetri di mercurio, ma un punteggio continuo che indica la probabilità di ipertensione.

Questa scelta è importante: il sistema non pretende di sostituire una misura, ma di stimare un rischio.

I numeri dello studio e il confronto con il bracciale

La validazione è stata fatta con uno studio prospettico multicentrico in cinque sedi negli Stati Uniti, con 196 partecipanti senza malattie cardiovascolari note e che non assumevano farmaci per la pressione. Il riferimento, il cosiddetto gold standard, era il monitoraggio ambulatoriale della pressione nelle 24 ore (ABPM).

Nello scenario di screening iniziale, lo smartwatch ha raggiunto una sensibilità del 65,8%, una specificità del 90,0% e un valore predittivo positivo dell’80,6%. La misurazione pressoria in ambulatorio, nello stesso scenario, si è fermata a una sensibilità del 55,3% e a un valore predittivo positivo del 77,8%.

Nello scenario confermativo, limitato a 48 persone con pressione elevata in ambulatorio, lo smartwatch ha ottenuto sensibilità del 78,4%, specificità del 90,9% e valore predittivo positivo del 96,7%. La seconda misurazione in ambulatorio ha fatto registrare 67,6%, 63,6% e 86,2%. Il monitoraggio domiciliare su più giorni è rimasto superiore in sensibilità, con l’89,2%, mentre lo smartwatch ha avuto specificità e valore predittivo più alti.

Come leggere sensibilità, specificità e valore predittivo

La sensibilità indica quante persone davvero ipertese vengono individuate: con il 65,8% vuol dire che circa un terzo dei casi sfugge ancora. La specificità dice quante persone sane vengono correttamente lasciate fuori, e qui il 90% è un buon risultato perché limita i falsi allarmi.

Il valore predittivo positivo, infine, risponde alla domanda che interessa a chi riceve un avviso: se il sistema segnala un rischio, quante volte ha ragione.

Gli autori stessi parlano di sensibilità “moderata” e definiscono il lavoro una ricerca di fattibilità iniziale, di natura puramente esplorativa. Non è un dispositivo medico approvato e non è presentato come tale.

Cosa guarda davvero l’intelligenza artificiale nel segnale

Una parte utile dello studio riguarda l’interpretabilità. I ricercatori hanno analizzato quali caratteristiche delle forme d’onda si associano a un rischio più alto. Nel segnale ottico compaiono un impulso più stretto, una salita sistolica più lenta e un rapporto d/a più basso. Nel segnale balistocardiografico, ricavato dall’accelerometro, emergono onde K più profonde e complessi IJK più larghi.

Non servono competenze di cardiologia per coglierne il senso: il modello non è una scatola nera totale, ma si appoggia su caratteristiche fisiologiche che hanno una spiegazione plausibile, legate a quanto sono rigide le arterie e a come il cuore spinge il sangue.

Per chi si occupa di AI applicata alla salute, è un segnale positivo. Un modello spiegabile è più facile da validare, da criticare e, in futuro, da portare davanti a un ente regolatore.

Perché il risultato conta (e dove sono i limiti)

L’ipertensione è spesso silenziosa: molte persone non sanno di averla finché non fanno una misurazione, e la misurazione in ambulatorio può essere influenzata dall’ansia o dal momento della giornata. Uno strumento che osserva il polso per molti giorni, in condizioni normali, offre un quadro diverso da quello di una singola misura.

Per questo i ricercatori parlano di screening opportunistico: il dispositivo non emette una diagnosi, ma può suggerire a chi è a rischio di prenotare una valutazione clinica.

I limiti, però, sono concreti. Il campione è di 196 persone, l’analisi confermativa riguarda solo 48 partecipanti, i soggetti erano privi di malattie cardiovascolari note e senza terapia, e le sedi sono cinque, tutte negli Stati Uniti. Non sappiamo ancora come si comporterebbe il modello su popolazioni più varie, su persone anziane con altre patologie o con dispositivi diversi.

Resta anche una domanda di fondo sul rapporto tra falsi positivi e falsi negativi: con una sensibilità che lascia fuori una quota di casi, nessuno dovrebbe sentirsi tranquillo solo perché l’orologio non segnala nulla.

Il legame con i prodotti Google

Google precisa che i risultati hanno contribuito a informare la funzione sulle tendenze della pressione nella sezione Health Guardian dell’app Google Health, ma sottolinea anche che lo studio non indica alcun prodotto commerciale esistente o futuro. È una distinzione da tenere a mente: ricerca e prodotto viaggiano su binari diversi, e i tempi tra una pubblicazione scientifica e una funzione approvata possono essere lunghi.

Il contesto: l’AI di Google tra ricerca scientifica e vita quotidiana

Negli ultimi mesi Google ha mostrato due facce molto diverse dell’AI. Da una parte i sistemi di ricerca avanzata, come gli agenti che hanno trovato due falle in uno schema crittografico, di cui abbiamo parlato nell’articolo su Google DeepMind e RSA-1024. Dall’altra le scelte di prodotto rivolte a un pubblico enorme, come quelle sull’uso dell’AI da parte degli studenti raccontate nel pezzo su Google, le scuole e Gemini.

Lo studio sullo smartwatch si colloca in mezzo: è ricerca di base, ma con un’ambizione molto pratica. Se vuoi un quadro più ampio dell’ecosistema dei modelli dell’azienda, trovi una panoramica nella nostra guida a Google Gemini.

Il filone dell’AI sanitaria su dispositivi indossabili è comunque affollato, e la differenza la faranno la qualità della validazione clinica e la trasparenza sui dati più che gli annunci.

Cosa puoi fare tu e cosa aspettarti dai prossimi passi

Se hai una pressione già nota o sospetta, nulla cambia: la misurazione con un apparecchio validato resta lo strumento di riferimento, e la diagnosi spetta al medico. Questo studio non ti autorizza a ignorare un valore anomalo né a fidarti di un orologio per modificare una terapia.

Se invece lavori nel mondo della salute digitale, del marketing sanitario o dello sviluppo di app, vale la pena seguire tre cose: la replicazione dei risultati su popolazioni più ampie, l’eventuale percorso regolatorio e il modo in cui Google comunicherà queste funzioni agli utenti. Il rischio di messaggi troppo ottimistici, in questo settore, è alto.

La lezione per chi fa comunicazione è semplice: raccontare i numeri con le loro condizioni, senza trasformare uno studio esplorativo in una promessa.

Conclusioni

L’esperimento di Google Research mostra che con sensori già presenti in milioni di polsi, un modello ben addestrato può offrire un segnale utile per l’ipertensione, con una specificità del 90% e una sensibilità iniziale superiore a quella della misura in ambulatorio. Ma è ricerca esplorativa, su un campione ridotto e in condizioni controllate.

Il consiglio è di seguire gli sviluppi senza entusiasmi eccessivi: torna su intelligenzaartificiale.net per i prossimi aggiornamenti e, se ti interessa il tema dell’AI nella sanità, leggi anche gli altri approfondimenti della categoria dedicata.