管好高血壓，更“聰明”的方法不來試試嗎？
隨着人口結構老齡化，以及生活方式、飲食結構等因素的變化，我國的高血壓患病率逐年增加。控制高血壓、預防和治療併發症已成爲亟待解決的重大公共衛生問題。
隨着移動智能終端應用程序、電子化病歷系統等在臨牀中的應用，大數據和人工智能（AI）技術在高血壓和心血管疾病診治方面的應用日益受到關注。
利用AI核心技術 爲研究帶來新思路
高血壓的研究和診療工作面臨着諸多困難。近年來，基因測序、可穿戴設備等技術的進步和普及，使得大量特徵數據產生，對傳統的統計學分析方法提出了挑戰。近年來，以機器學習爲代表的人工智能技術在高血壓等心血管疾病領域取得了令人矚目的進展。
機器學習（ML）是AI的核心技術，通過研究訓練數據集中給定變量之間的機制和關聯進行預測性分析。而深度學習（DL）是一類特殊的機器學習方法，利用多層神經網絡算法模擬人腦進行模式識別，對於大量的語音和圖像分析數據具有較強的處理能力。
以機器學習爲代表的AI技術能夠建立更加精準的模型，來預測高血壓的發病、終點事件、治療反應等，指導患者的危險分層和個體化管理。同時，AI能夠在傳統心血管危險因素的基礎上，整合多組學、社會經濟、行爲和環境因素等多種變量，發掘新的危險因素、臨牀表型或干預靶點，爲發展個體化醫療提供重要工具。
隨着電子病歷系統、心電圖、心血管影像（如心臟計算機斷層掃描、磁共振成像和超聲心動圖等）和可穿戴技術的發展，大量圖像數據和實時連續數據不斷積累，應用DL技術分析大量數據，可以預測不良結果、識別隱藏表型，在心血管病精準醫學領域具有廣闊的應用前景。
大數據分析“添翼” 高血壓診斷獲突破
隨着可穿戴設備的成本降低和廣泛應用，無袖帶血壓測量技術因爲能進行連續、實時的血壓測量而受到關注。
現有研究證實，應用機器學習算法，納入人口學指標（年齡、體重、體重指數）、心電信號等變量，可根據光電容積脈搏波信號（PPG）對血壓進行較爲準確的預測。通過智能手機或智能手錶等便攜式移動設備收集PPG信號，並與AI算法結合，可便捷監測血壓。
近年來，隨着24小時動態血壓和診室外血壓在高血壓診治中的地位不斷提高，經AI技術優化的可穿戴設備，有望通過靈活便捷的測量方式，提高隱匿性高血壓的診斷率。
高血壓診斷中的一個重要環節是根據心血管疾病風險對患者進行分層。現有的高血壓指南推薦，根據經典的心血管危險因素和心血管風險預測模型進行風險計算。由於預測精度有限，上述模型對於年輕高血壓患者等特殊人羣往往不適用，而利用傳統的統計學方法重新建模也較爲困難。
已有研究提示，相比傳統統計學方法，應用機器學習算法能夠識別並納入新的因子，以提高對高血壓終點事件的預測精度。此外，在年輕高血壓等極端人羣中也能取得較好的預測效果，爲高血壓預後建模提供新的方法。
AI還可以針對治療依從性、降壓治療效果等進行建模和預測。應用機器學習算法開發的風險預測模型，可根據電子病歷系統提供的人口學數據、體重指數、血壓、合併症和常規實驗室化驗結果，預測高血壓患者血壓控制不佳的風險和發生時間。
助力高血壓防治 AI技術未來可期
AI在高血壓領域的研究目前仍處於早期探索階段。機器學習、深度學習等算法通過分析多模態的大數據資料，如人口學、行爲學數據，生命體徵，傳統的心血管風險因素，心血管影像，環境和社會經濟因素等，將有助於發現與高血壓發生和病理生理過程相關的新危險因素和作用機制。
在健康人羣中，發現篩選高血壓患病風險高的患者、針對相應的危險因素個體化干預，有可能從根本上預防心血管疾病。
對於高血壓患者，通過整合可穿戴設備、醫療大數據等技術，將有助於提高血壓測量便捷性，有助於高血壓的早期診斷。通過整合各類預後和療效相關的變量，重新分析既往的大型臨牀試驗數據，對高血壓患者進行表型聚類和危險分層，可針對性地制定干預方案和目標血壓。
結合智能醫療平臺提高患者知曉率、自我監控、健康行爲和治療依從性，有望實現對高血壓及心血管疾病全生命週期、個體化的預防和控制。
在未來，進一步推進AI在高血壓診療中的應用，建立標準化、多模態、大數據的電子數據庫將是AI研究的必要基礎。此外，由於AI以提高預測精度爲目標，需要進行充分、大規模的外部數據驗證，通過更多的臨牀試驗，評估AI技術指導下的高血壓診斷和治療方案的可行性及臨牀獲益。
爲助力衛生健康行業高質量發展，“醫視野”欄目將聚焦醫學各領域的先進理念和優秀實踐，打造高端醫者智庫，擷取創新亮點，凝練發展思路，提升治理能力。
投稿郵箱
kjkp@jkb.com.cn
策劃：方彤
作者：中國醫學科學院阜外醫院心內科 吳雪怡 宋雷