—— 安靜心率（Resting Heart Rate, RHR）、最大攝氧量（VO2 Max）、心率變異度（Heart Rate Variability, HRV）及心跳恢復率（Heart Rate Recovery, HRR），整合至傳統 Framingham 風險評分（Framingham Risk Score, FRS）模型中，對於預測慢性疾病（特別是心血管疾病與全因死亡率）的增益效果。

分析顯示，儘管 FRS 仍是全球臨床心血管風險評估的黃金標準，但在面對年輕族群、代謝健康但不活動（metabolically healthy inactive）族群以及具有亞臨床自律神經功能障礙的患者時，存在顯著的預測盲區。

透過引入穿戴式裝置提供的縱向（Longitudinal）、高解析度生理數據，研究證實能顯著提升風險預測模型的曲線下面積（AUC）與淨重新分類指數（NRI）。

具體而言，結合活動量與 RHR 的修正模型（如 SG FRS++）展現了將預測準確度從 64% 提升至 77% 以上的能力，並有效識別出傳統模型遺漏的高風險個體。

本報告將深入剖析各項生物標記的生理機制、臨床驗證數據、保險精算應用及其對未來預防醫學的戰略意義。

1. 傳統 Framingham 風險評分的流行病學地位與現代挑戰

1.1 Framingham 風險評分的建構邏輯與歷史貢獻

Framingham 心臟研究（Framingham Heart Study, FHS）自 1948 年啟動以來，奠定了現代心血管流行病學的基礎。其衍生的風險評分系統（FRS）是目前臨床上最廣泛使用的工具，旨在評估個體在未來 10 年內發生「硬性」冠狀動脈心臟病（Hard Coronary Heart Disease, CHD，如心肌梗塞或冠心病死亡）的風險。

FRS 的核心變項包括年齡、性別、總膽固醇、高密度脂蛋白膽固醇（HDL-C）、收縮壓、是否吸菸以及是否患有糖尿病 [1] 。

FRS 的優勢在於其簡便性與基於大量人口數據的統計穩健性。透過將這些危險因子加權積分，臨床醫師能夠快速將患者劃分為低風險（<10%）、中風險（10-20%）或高風險（>20%）群體，從而指導史他汀類藥物（Statins）或抗高血壓藥物的使用決策 [2] 。然而，隨著精準醫療的發展與人口結構的變遷，FRS 這種基於「靜態」且「偶發性」臨床數據的評估模式，逐漸顯露出其在個體化預測上的侷限性。

1.2 預測盲區：年輕族群與「隱形」風險

儘管 FRS 在中老年族群中表現尚可，但在年輕成人（18-39 歲）中的應用卻面臨嚴峻挑戰。多項研究指出，FRS 傾向於系統性地低估年輕族群的長期心血管風險 [2]。

首先，FRS 是一個嚴重依賴「年齡」作為主導變項的模型。這意味著一個 30 歲的男性，即使擁有極高的膽固醇與血壓，其計算出的 10 年風險仍可能低於 10% 的臨床干預門檻，從而被歸類為「低風險」並被建議僅需生活型態調整而非藥物治療 [2] 。

然而，病理學證據顯示，動脈粥狀硬化的進程早在青少年時期便已開始，長期的危險因子暴露（Cumulative Exposure）將導致中年後心血管事件的爆發。FRS 的「短期（10年）視野」掩蓋了年輕高風險群體的終身風險（Lifetime Risk）[3]。

其次，外部驗證研究顯示，當 FRS 應用於非原始開發群體（如亞洲或南歐人群）時，其預測準確度會大幅下降。在某些年輕隊列中，FRS 的預測準確度僅介於 61.96% 至 66.01% 之間，敏感度（Sensitivity）甚至低於 70% [4]。

這意味著有超過 30% 最終發生心血管事件的年輕患者，在發病前被 FRS 誤判為安全。

此外，FRS 的本質是「代謝性」與「血流動力學」的評估，它完全忽略了自律神經系統（Autonomic Nervous System, ANS）的功能狀態、心肺適能（Cardiorespiratory Fitness, CRF）以及身體對壓力的動態反應能力。這些未被納入的功能性指標，正是導致許多年輕猝死案例或無症狀心肌梗塞的主要原因 [5] 。這就是所謂的「剩餘風險」（Residual Risk），也是穿戴式裝置介入的關鍵切入點。

2. 數位生物標記的崛起：從「點」到「線」的典範轉移

現代穿戴式裝置（如 Garmin、Apple Watch、Fitbit）已從早期的計步器演進為高精度的生理監測終端。它們利用光體積變化描記圖法（Photoplethysmography, PPG）與加速規（Accelerometer），能夠 24 小時不間斷地收集生理訊號。這種數據特徵從根本上區別於臨床數據：臨床數據是離散的「點」（Snapshots），而穿戴式數據是連續的「線」（Longitudinal Trends）。

將這些連續性數據導入風險模型，不僅是增加了變項的數量，更是改變了風險評估的維度。研究證實，機器學習（Machine Learning）演算法在處理這些非線性、高維度的縱向數據時，其表現顯著優於傳統的線性回歸模型 [6] 。

以下章節將詳細探討四個關鍵穿戴式生物標記——RHR、VO2 Max、HRV、HRR——如何具體彌補 FRS 的不足。

3. 安靜心率（RHR）：基礎代謝與神經張力的綜合指標

3.1 生理機制與臨床意義

安靜心率（Resting Heart Rate, RHR）不僅僅是心臟每分鐘跳動的次數，它是人體基礎代謝率、神經體液調節以及交感 - 副交感神經平衡的綜合反映。高 RHR 通常意味著交感神經張力過高或副交感神經調節減弱，這會增加心肌耗氧量，縮短舒張期冠狀動脈灌流時間，並可能促進動脈粥狀硬化斑塊的不穩定 [5] 。

流行病學證據強烈支持 RHR 作為獨立風險因子。Cooper Clinic 的一項涵蓋 5 萬多人的長期研究顯示，RHR 超過 80 bpm 的人群，其心血管疾病死亡風險與全因死亡率顯著高於 RHR 低於 60 bpm 的人群 [7] 。更重要的是，這種風險關聯在校正了高血壓、吸菸與體適能等 FRS 變項後依然存在，證實 RHR 攜帶了 FRS 所未涵蓋的病理訊息。

3.2 穿戴式監測優勢：消除「白袍效應」與捕捉長期軌跡

在傳統臨床環境中，RHR 通常是在診間單次測量，極易受患者焦慮（白袍高血壓）、咖啡因攝取或趕路等短暫因素干擾。相比之下，穿戴式裝置能在睡眠或清醒安靜狀態下進行數百次測量並取平均值，從而獲得真實的基線 RHR [8] 。

更具預後價值的是 RHR 的縱向變化軌跡（Trajectory）。一項針對心臟衰竭與保留射出分率（HFpEF）的研究指出，RHR 隨時間的變化趨勢（例如在數月內逐漸升高）比單一時間點的數值更能準確預測不良事件 [9] 。

Apple Watch 與 Garmin 等裝置能以極高的準確度（與心電圖相比誤差 <1%）長期追蹤此數據，使臨床醫師能識別出 RHR 異常攀升的早期警訊，這往往發生在臨床症狀惡化之前 [10] 。

3.3 實證研究：SG FRS++ 模型的突破

新加坡 SingHEART 研究提供了一個將穿戴式數據與 FRS 結合的典範案例。該研究針對新加坡健康族群，開發了名為「SG FRS++」的修正風險模型。該模型在傳統 FRS 變項（年齡、性別、血壓等）之外，納入了由穿戴式裝置（Fitbit Charge HR）收集的活動量數據與安靜心率 [11]。

表 1：SG FRS 與 SG FRS++ 模型性能之深度比較

數據深入解析：

SingHEART 研究的結果具有重大的臨床意義。

AUC 從 0.641 提升至 0.774，這在統計學上是一個巨大的飛躍，將模型的預測能力從「勉強及格」提升到了「良好」的水平。更關鍵的是 21.9% 的淨重新分類指數(NRI) 提升，這意味著在每 100 個受試者中，約有 22 人被新模型更準確地重新分類。

具體而言，許多在傳統 FRS 下被誤判為「低風險」的年輕或中年人，因為其 RHR 偏高或活動量極低，被 SG FRS++ 正確地識別為「中高風險」，從而獲得了早期介入的機會 [12]。這直接回應了 FRS 在年輕族群中敏感度不足的核心缺陷。

4. 最大攝氧量（VO2 Max）：心血管健康的終極指標

4.1 VO2 Max 的預後權重：超越傳統因子

最大攝氧量（VO2 Max）代表了人體在劇烈運動中攝取、運輸及利用氧氣的最高能力，是心肺適能（CRF）的黃金指標。美國心臟協會（AHA）已發布聲明，建議將 CRF 視為臨床生命徵象（Clinical Vital Sign）[13]。

研究一致顯示，低 VO2 Max 與全因死亡率及心血管疾病風險之間存在強烈的負相關。

在某些研究中，VO2 Max 對死亡率的預測能力甚至超過了吸菸、高血壓與高血脂等傳統重磅因子的總和 [19→14] 。具體數據指出，VO2 Max 每增加 1 MET（代謝當量，約 3.5 mL/kg/min），全因死亡風險可降低 11-13%，心血管死亡風險可降低 18% [15] 。

4.2 穿戴式估算的革命：從實驗室走向手腕

傳統上，VO2 Max 的測量需要受試者在實驗室進行極限運動測試（CPET），佩戴面罩收集氣體，過程昂貴且風險較高，難以在一般人群中普及。這也是為何 FRS 從未將 VO2 Max 納入模型的主因。

然而，現代穿戴式裝置利用 GPS 追蹤的運動速度、距離與相對應的心率反應，透過演算法（如 Firstbeat 演算法）進行次極限估算。

驗證研究顯示，利用智慧型手機或手錶進行的 12 分鐘跑或 3 分鐘踏階測試，其估算值與實驗室黃金標準的相關係數（R²）高達 0.97，標準誤（SEE）控制在 2.2-4.5 mL/kg/min 的範圍內 [16]。這意味著臨床醫師現在可以獲得數百萬人的 CRF 數據，且成本幾乎為零。

4.3 整合至 FRS 的增量價值

將 VO2 Max 加入傳統風險模型，能解決 FRS 的幾個關鍵盲點：

1. 「胖但健康」悖論的解釋

FRS 使用 BMI 或肥胖作為風險因子，但研究發現，心肺適能較高的肥胖者（Fit but Fat），其死亡風險往往低於體重正常但體能差（Unfit and Normal Weight）的人。VO2 Max 能區分這兩類人群，提供更精準的風險分層 [7] 。

2. 大幅提升 NRI

一項統合分析顯示，將 CRF 數據加入包含傳統危險因子的模型後，其淨重新分類指數（NRI）提升了驚人的 42.8% [17] 。這表明近半數的受試者在加入體適能數據後，其風險等級發生了改變，使醫療資源能更精準地投放到真正的高風險者身上。

3. 長期維持的保護效應

縱向追蹤研究指出，長期維持高 VO2 Max 水準與死亡風險降低 59% 相關 [18]。穿戴式裝置能持續監測 VO2 Max 的變化趨勢，對於那些 VO2 Max 隨年齡下降速度過快的個體（這也是 FRS 無法偵測的），可作為早期衰老的警訊 [19]。

5. 心率變異（HRV）：自律神經系統的微觀窗口

5.1 HRV 的病理生理學：發炎與壓力的連結

心率變異（Heart Rate Variability, HRV）是指連續心跳間距（R-R interval）的微小時間差異。健康的生理狀態下，心臟應具備高度的變異性，以適應內外環境的變化；反之，低 HRV通常標誌著自律神經功能障礙（Dysautonomia），即交感神經長期過度活化或迷走神經功能衰退 [20] 。

HRV 與慢性疾病的連結機制主要透過「膽鹼能抗發炎路徑」（Cholinergic Anti-inflammatory Pathway）。

迷走神經透過釋放乙醯膽鹼來抑制巨噬細胞釋放促發炎細胞因子（如 TNF-α, IL-6）。

當 HRV 降低（迷走神經活性下降），這種抗發炎煞車機制失效，導致亞臨床慢性發炎，進而加速動脈粥狀硬化斑塊的形成與破裂 [21]。這是 FRS（僅測量血脂血壓）完全無法觸及的病理路徑。

5.2 偵測 FRS 遺漏的隱性風險

對於 FRS 評分正常的患者，HRV 提供了獨特的檢測維度，能捕捉「隱形」的心血管風險：

1. 心肌缺血的獨立預測

一項研究發現，在校正了所有傳統 FRS 風險因子後，低 HRV 依然獨立關聯於 2 倍的心肌缺血風險（Odds Ratio = 2.00）。這意味著即使膽固醇正常，若 HRV 低下，患者仍面臨極高的缺血風險 [22] 。

2. 突發性心因性死亡（SCD）

低 HRV 是 SCD 最強的非侵入性預測指標之一。在一般無心臟病史的人群中，低 HRV 與首發心血管事件風險增加約 32 - 45% 相關 [23] 。

3. 糖尿病的早期預測

最新的機器學習研究利用穿戴式裝置收集的 HRV 特徵，能以高準確度預測第二型糖尿病的發病，且優於傳統問卷。因為在高血糖出現之前，自律神經病變往往已經發生 [24] 。

5.3 穿戴式測量的效度與挑戰

Apple Watch 與 Garmin 透過 PPG 技術測量 HRV（主要指標為 SDNN 或 rMSSD）。驗證研究顯示，Apple Watch 測量的 SDNN 與醫療級心電圖（Biopac 3-lead ECG）具有中度至高度的一致性（MAPE 約 28%），雖然在絕對數值上有輕微低估傾向，但在捕捉個體內部的長期變化趨勢上非常可靠 [8] 。

此外，Apple Watch 的心律不整偵測功能（如心房顫動）已在 Apple Heart Study 中得到大規模驗證，其陽性預測值（PPV）為 0.84，這為預防中風提供了 FRS 以外的強大工具 [25] 。

6. 心跳恢復率（HRR）：自主神經再活化的動態測試

6.1 HRR 的定義與預後價值

心跳恢復率（Heart Rate Recovery, HRR）是指運動停止後特定時間內（通常為 1 分鐘或 2 分鐘）心率下降的幅度。生理上，運動停止後的初期心率下降主要由副交感神經（迷走神經）的快速再活化所驅動。HRR 延遲（即心率下降過慢，如 1 分鐘內下降 < 12 bpm）是自律神經功能異常的標誌 [26]。

HRR 是一個強大的全因死亡率與心血管死亡率預測因子。在長達 27 年的追蹤研究中，與 HRR 正常者相比，HRR 異常者的全因死亡風險增加了 1.5 到 2.0 倍 [27]。

6.2 整合至風險模型的效益

將 HRR 納入預測模型能顯著增強模型的鑑別力：

1. 獨立於 β-受體阻斷劑

即便患者正在服用 β-受體阻斷劑（這會影響 RHR），HRR 對死亡率的預測能力依然存在，顯示其反映了藥物無法完全掩蓋的內在神經機制 [27]。

2. 早期 HRR 的價值

最新的研究指出，運動後 10 秒 的早期 HRR 甚至比 1 分鐘 HRR 具有更強的死亡率預測能力。這對於高採樣率的穿戴式裝置而言是一個優勢，因為它們能精確捕捉運動剛結束瞬間的心率陡降斜率 [26] 。

3. 提升 AUC 與校準度

在心臟衰竭患者的風險評估中，將 HRR 結合機器學習算法後，模型的 AUC 達到 0.82，顯著優於傳統的 INTERMACS 風險評分 [28] 。

7. 綜合比較與整合模型效能分析

為了量化穿戴式數據對傳統 FRS 的具體貢獻，下表總結了將各項生物標記加入傳統風險模型後的統計增益。

表 2：穿戴式生物標記對心血管風險預測模型的增益分析

註：AUC (Area Under Curve) 代表模型區辨力，1.0 為完美預測；NRI (Net Reclassification Index) 代表正確重新分類人群的比例。

從表中可見，穿戴式生物標記在 NRI（淨重新分類指數）上的表現尤為突出。這意味著這些裝置最大的價值不在於簡單地確認已知的病患，而在於將那些被傳統模型誤判為「安全」的隱性高風險者（Reclassification upward）識別出來，或者將被誤判為高風險的健康人（Reclassification downward）排除，從而優化醫療資源的分配。

8. 實際應用案例：保險精算與公共衛生的實踐

穿戴式裝置數據的預測價值已超越學術理論，進入了商業保險與公共衛生領域的實際應用。這些大規模的商業實踐提供了真實世界證據（Real-World Evidence），進一步驗證了上述生物標記的可靠性。

8.1 生物年齡模型 (BAM)：SCOR 與 Garmin 的創新

全球再保險巨頭 SCOR Global Life 與 Garmin 合作開發了「生物年齡模型」（Biological Age Model, BAM）。該模型利用 Garmin 裝置收集的步數、RHR、睡眠時數與活動燃燒卡路里等動態數據，計算受保人的「生物年齡」。

運作機制與成效：

BAM 演算法基於超過 20 年的臨床數據與最新的穿戴式數據流。

結果顯示，這些動態數據在預測死亡率與重大疾病風險上，比傳統的靜態核保因子（如 BMI、吸菸狀況）具有更強的相關性 [9]。例如，每日步數與 RHR 被證實是死亡率的強預測因子，保險公司據此能動態調整保費。這標誌著風險評估從「申請時的一次性快照」轉變為「保單週期內的連續性評估」[30]。

8.2 John Hancock 與 Vitality：行為改變的量化

John Hancock 保險公司將 Apple Watch 全面整合至其 Vitality 計劃中。這不僅是風險評估，更是風險干預。

數據驅動的健康成果：

一項由 RAND Europe 進行的大規模研究分析了 Vitality 計劃的成效，發現使用 Apple Watch 並結合獎勵機制的保戶，其體能活動量平均增加了 34%，相當於每月多出 4.8 天的活動量。這直接轉化為較低的預期理賠風險、較低的 BMI 以及改善的膽固醇與血壓水平 [31]。

Vitality 估計，這種持續的活動量提升可使參與者的預期壽命延長約兩年。這證明了穿戴式裝置結合風險模型，具有傳統 FRS 無法達成的「雙向互動」特性——不僅預測風險，還能透過行為回饋降低風險。

8.3 機器學習在慢性病管理的進階應用

Swiss Re 與 Munich Re 等機構正利用機器學習（ML）深度挖掘穿戴式數據。例如，利用 HRV 特徵的 ML 模型在預測第二型糖尿病發病風險上，展現了優於傳統問卷的效能 [24]。此外，針對心臟衰竭患者，結合穿戴式傳感器的 ML 模型能在患者再住院前平均 6.5 天發出預警（AUC > 0.8），這為遠距醫療與早期干預提供了關鍵的時間窗口 [32]。

9. 結論與展望

綜合本研究之分析，透過穿戴式裝置（如 Garmin 或 Apple Watch）長期監控安靜心率（RHR）、最大攝氧量（VO2 Max）、心率變異（HRV）及心跳恢復率（HRR），並將其結合至傳統 Framingham 風險評分中，對於慢性疾病的預測具有以下決定性的優勢與幫助：

1. 突破靜態限制，捕捉動態風險

傳統 FRS 僅能提供基於單次就診數據的靜態快照，且容易受短期因素干擾。穿戴式數據提供了生理機能的連續性縱向視圖。RHR 與 HRV 的長期惡化軌跡往往先於臨床症狀（如高血壓或高血糖）出現，提供了寶貴的早期介入窗口。

2. 顯著提升預測準確度與風險重分類

實證數據（如 SG FRS++）顯示，整合模型在 AUC 與 NRI 指標上均顯著優於單純的 FRS。這對於修正 FRS 在年輕族群與代謝健康但不活動（Unfit）族群中的系統性低估問題尤為關鍵，能有效識別出大量的「隱形」高風險個體。

3. 填補自律神經評估的空白

HRV 與 HRR 的加入，使得風險模型能夠評估自律神經系統的健康狀態與抗發炎能力。這是傳統代謝風險因子（血脂、血糖）完全無法觸及的病理領域，對於預測突發性心因性死亡、亞臨床心肌缺血及壓力相關心血管事件至關重要。

4. 從被動預測走向主動管理

與 FRS 僅作為醫師的「診斷工具」不同，穿戴式裝置結合的風險模型具有強大的「行為干預」功能。透過保險業（如 Vitality、BAM）的應用實例可見，這些數據能即時回饋給使用者，促進生活型態改變，從而動態地、實質地降低實際疾病風險。

綜上所述，將穿戴式生物標記整合入慢性病風險預測模型，不僅是對傳統 Framingham 評分的補充，更是心血管預防醫學從「群體統計推論」邁向「精準個人化醫療（Precision Medicine）」的關鍵典範轉移。隨著感測技術的進步與機器學習算法的優化，這種整合模式預計將成為未來慢性病管理的標準照護流程。

________________________________________________________________

JoiiSports app 虹映科技創辦人陳立洋執行長

________________________________________________________________

透過 JoiiSports App 企業運動 app 專屬後台 -

JoiiCare 企業 / 組織健康促進服務平台的管理，不僅體現企業對員工健康的關懷，更可增強企業在社會責任中的形象。

另外企業對員工健康和福祉的承諾將成為一項關鍵評價指標，強化企業在 ESG 報告中的表現，可進一步吸引社會大眾、及投資方的關注和支持。

________________________________________________________________

JoiiSports App形象影片

JoiiCare 健康促進服務平台提倡企業線上揪團運動活動，旨在提升員工的參與度和健康福祉。

我們認為健康計畫的成功不僅在於參與，而在於實現實際的健康改善。我們的目標是幫助企業培養更健康的員工，提供有效的策略和工具，激勵員工做出持久的健康改變。

通過專注於真正的健康成果，我們幫助企業實現健康目標，並打造更具生產力、參與度和韌性的團隊，並協助企業客戶在 ESG 報告中的數據生成與撰寫。

歡迎對於職場健康促進服務有需求的人資、福委、廠護、護理師等填寫表單，立即獲得免費諮詢！

聯絡我們

點擊：了解更多 JoiiCare 平台資訊

服務專線：0937-122-660 行銷業務處駱經理

服務信箱：joiicare@joiiup.com

載入中…

參考文獻

[1] Framingham Risk Score Inadequately Predicts Cardiac Risk in Young Patients Presenting with a First Myocardial Infarction - Annals Singapore, https://www.annals.edu.sg/pdf/39VolNo3Mar2010/V39N3p163.pdf
[2] FRAMINGHAM RISK SCORE AND PREDICTION OF CORONARY HEART DISEASE DEATH IN YOUNG MEN - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC2279177/
[3] Heart Rate Variability and Lifetime Risk of Cardiovascular Disease: the Atherosclerosis Risk in Communities Study - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC5821272/
[4] External Validation of Four Cardiovascular Risk Prediction Models, https://www.scientificarchives.com/article/external-validation-of-four-cardiovascular-risk-prediction-models
[5] Wearable Devices for Remote Monitoring of Heart Rate and Heart Rate Variability—What We Know and What Is Coming - MDPI, https://www.mdpi.com/1424-8220/22/22/8903
[6] Transforming Cardiovascular Risk Prediction: A Review of Machine Learning and Artificial Intelligence Innovations - MDPI, https://www.mdpi.com/2075-1729/15/1/94
[7] Protective Role of Resting Heart Rate on All-Cause and Cardiovascular Disease Mortality, https://pmc.ncbi.nlm.nih.gov/articles/PMC3908776/
[8] Validity of Heart Rate Variability Measured with Apple Watch Series 6 Compared to Laboratory Measures - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC12031371/
[9] Sex-specific longitudinal changes in resting heart rate and all-cause heart failure - medRxiv, https://www.medrxiv.org/content/10.1101/2025.11.06.25339723v1.full.pdf
[10] The Validity of Apple Watch Series 9 and Ultra 2 for Serial Measurements of Heart Rate Variability and Resting Heart Rate - MDPI, https://www.mdpi.com/1424-8220/24/19/6220
[11] Improving the predictive capability of Framingham Risk Score for the ..., https://pmc.ncbi.nlm.nih.gov/articles/PMC10942132/
[12] Improving the predictive capability of Framingham Risk Score for risk of myocardial infarction based on coronary artery calcium score in healthy Singaporeans | Request PDF - ResearchGate, https://www.researchgate.net/publication/355235019_Improving_the_predictive_capability_of_Framingham_Risk_Score_for_risk_of_myocardial_infarction_based_on_coronary_artery_calcium_score_in_healthy_Singaporeans
[13] Health biomarkers to estimate VO2max - UK Biobank, https://www.ukbiobank.ac.uk/projects/health-biomarkers-to-estimate-vo2max/
[14] VO2max: The Ultimate Biomarker for Longevity and Health - Optimize U Centers, https://optimizeucenters.com/vo2max-the-ultimate-biomarker-for-longevity-and-health/
[15] Cardiorespiratory Fitness and Long‐Term Survival in “Low‐Risk” Adults, https://www.ahajournals.org/doi/10.1161/jaha.112.001354
[16] Smartphone-Based VO2max Measurement With Heart Snapshot in Clinical and Real-world Settings With a Diverse Population: Validation Study - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC8214186/
[17] Importance of Assessing Cardiorespiratory Fitness in Clinical Practice: A Case for Fitness as a Clinical Vital Sign: A Scientific Statement From the American Heart Association, https://www.ahajournals.org/doi/10.1161/cir.0000000000000461
[18] Cardiorespiratory Fitness Change and Mortality Risk Among Black and White Patients: Henry Ford Exercise Testing (FIT) Project - PubMed, https://pubmed.ncbi.nlm.nih.gov/28344150/
[19] Long-term Change in Cardiorespiratory Fitness and All-Cause Mortality - SleepClinic, https://www.sleepclinic.be/wp-content/uploads/Long-term-Change-in-Cardiorespiratory-Fitness-and-All-Cause-Mortality.pdf
[20] Heart rate variability as predictive factor for sudden cardiac death - PMC - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC5842851/
[21] Linking Cardiac Autonomic Dysfunction and InfLammation in Patients With Acute Coronary Syndromes | Clinical Research Trial Listing - CenterWatch, https://www.centerwatch.com/clinical-trials/listings/NCT05756452/linking-cardiac-autonomic-dysfunction-and-inflammation-in-patients-with-acute-coronary-syndromes
[22] Heart Rate Variability for Risk Assessment of Myocardial Ischemia in Patients Without Known Coronary Artery Disease, https://www.ahajournals.org/doi/10.1161/JAHA.119.014540
[23] Heart rate variability and first cardiovascular event in populations without known cardiovascular disease: meta-analysis and dose–response meta-regression - Oxford Academic, https://academic.oup.com/europace/article/15/5/742/673395

[24] Development of Enhanced Machine Learning Models for Predicting Type 2 Diabetes Mellitus Using Heart Rate Variability: A Retrospective Study - PubMed, https://pubmed.ncbi.nlm.nih.gov/40255847/
[25] Apple Heart Study demonstrates ability of wearable technology to detect atrial fibrillation, https://med.stanford.edu/news/all-news/2019/03/apple-heart-study-demonstrates-ability-of-wearable-technology.html
[26] Heart Rate Recovery 10 Seconds After Cessation of Exercise Predicts Death, https://www.ahajournals.org/doi/10.1161/JAHA.117.008341
[27] Prognostic Performance of Heart Rate Recovery on an Exercise Test in a Primary Prevention Population, https://www.ahajournals.org/doi/10.1161/jaha.117.008143
[28] Machine Learning Based Prediction of Myocardial Recovery in Patients with Left Ventricular Assist Device Support - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC8766904/
[29] Garmin® and SCOR Global Life announce collaboration to enhance wellness through wearables, https://www.garmin.com/en-US/newsroom/press-release/wearables-health/2019-garmin-and-scor-global-life-announce-collaboration-to-enhance-wellness-through-wearables/
[30] Biological Age Model (BAM) - SCOR, https://www.scor.com/en/file/23086/download?token=NoDnlB37
[31] John Hancock Adds New Apple Watch Series 10 to its Vitality Program, https://www.johnhancock.com/about-us/newsroom/news/john-hancock/2024/11/john-hancock-adds-new-apple-watch-series-10-to-its-vitality-program.html
[32] Continuous Wearable Monitoring Analytics Predict Heart Failure Hospitalization | Circulation, https://www.ahajournals.org/doi/10.1161/CIRCHEARTFAILURE.119.006513