高血压因其高发病率、与心血管疾病密切相关以及复杂的发病机制和病理生理学，成为可改变的最大的公共卫生挑战。血压升高知晓率低以及高血压诊断不理想是有效管理高血压的主要障碍。高血压领域人工智能的进步使得包括基因组学、临床（整合新型传感器和可穿戴技术）、健康相关、社会、行为和环境来源在内的大规模数据集的综合分析成为可能，并在实现大规模、数据驱动的个性化诊断、治疗和长期管理方面具有变革潜力。然而，尽管新兴的人工智能科学可能在高血压的发现、药物靶向和开发、患者治疗和管理方面推进精准高血压的概念，但目前其在临床的大规模应用仍显不足。鉴于基于人工智能的解决方案在临床实施中需证据支持，近日，Hypertension发表的一项意见声明从临床医生的角度进行了审视。介绍了在高血压管理中使用人工智能的最新进展，并提出实现公平精准高血压治疗的建议。现撷取部分内容与读者共享。
高血压是一种全球性的流行病，是最常见的无声慢性疾病之一，具有复杂的发病和病理生理机制。在检测高血压患者和了解高血压的发生、进展或维持机制方面仍存在重大差距。由于高血压与不良心脑血管事件的风险增加有关，因此了解潜在的昼夜节律、行为和环境机制，以及正常、高血压前期和高血压患者血压变化的后果，可能有助于更好地预防、诊断和管理高血压及其相关病理生理。与此同时，尽管有大量可用的治疗方法，但对于相当一部分受影响的个体来说，血压控制仍不足（例如血压降低，顽固性高血压）。具体来说，高血压控制在美国仅为43.5%，日本为25%，中国为14%。这部分是由于患者缺乏动力和治疗依从性，往往被忽视。
随着向数字高血压治疗时代的过渡，大量电子健康记录（EHRs）、公共卫生数据源和数据库、新型传感器、连续生命体征数据和财务医疗索赔数据的出现，能生成大量数据输入，人工智能算法有望为个人设计更好的诊断和治疗解决方案，从而实现更好的人群血压控制和结果。这篇观点文章整合了与高血压的诊断、管理和预测相关的最新技术，以确定最佳实践、差距和挑战，并为每个领域的进一步发展提供建议。此外，它还旨在为每个应用程序指定最相关的人工智能算法，明确它们在高血压诊断、管理和预测中的作用。
机器学习和诊断指标
将人工智能整合到高血压管理中，强调了高质量、无污染数据和精确定义指标的关键作用。对于高血压，训练数据集可能包括各种输入，例如患者人口统计学、遗传易感性、生活方式因素、心率变异性、心电图波形、血液实验室值和连续脉搏血氧仪读数。指标表明高血压的存在、严重程度或类型（例如原发性或继发性）；使模型能在训练过程中识别复杂的模式，而这些模式可能对人类临床医生来说并不显著。
在验证阶段，不再仅仅依赖于曲线下面积或准确性等通用指标进行高血压管理，而是利用血压特异性临床结果，例如平均长期收缩压和舒张压水平或血压控制状态。这些结果有望提供更精确的临床疗效指示，通过确保人工智能模型的预测与高血压治疗中有意义的个体患者结果直接相关，提供对偶发性测量和通用验证指标的改进。预测高血压引起的并发症风险，例如卒中、心力衰竭或慢性肾脏疾病，可帮助临床医生提供个性化的生活方式改变和药物调整，最终为患者治疗提供切实的益处。
定义感兴趣的血压测量值
各种电子病历参数作为人工智能模型的输入，旨在作为二元分类变量（高血压：是/否）预测高血压的存在。这些模型中的大多数已使用数据库进行训练和验证，包括诊室血压测量；因此，他们的实际作用是预测诊室高血压状况。这种方法可能被认为过于简单且价值不明确，因为诊室血压测量通常不稳定，不同的诊室血压阈值在不同的高血压状态定义指南中使用。这种方法受到固有的诊断挑战和局限性的影响，主要是由于诊室血压监测经常传达误导性信息，主要是由于白大褂和隐匿性高血压现象。此外，诊室血压测量的质量至关重要，需仔细考虑，因为在训练模型中插入非标准化测量可能产生误导，并且在方法上不合适。
在这方面，最新指南强调需标准化诊室血压监测，并尽可能使用诊室外血压监测（自行在家或24小时门诊）确诊高血压。尽管诊室血压监测存在上述挑战，但人工智能模型中插入的诊室血压值已被证明可能有助于准确诊断高血压状态。在一项评估人工神经网络预测诊室高血压状态的相关研究中，单次诊室血压测量对高血压诊断的准确预测有显著作用，这是使用至少3次就诊期间三次诊室读数的数据定义。然而，由于其可变性，预测诊室外血压仍具有挑战性，并且需大量诊室和诊室外血压测量配对数据集，以提高准确性并捕获不同的高血压表型，例如白大褂和隐匿性高血压。另一种方法是预测诊室外血压状态，从而使用诊室血压测量来预测不同的高血压表型。后一种方法需构建和使用大型数据集，包括同一个人的诊室和诊室外的血压测量。
长期监测治疗效果的可穿戴技术
越来越多的人认识到，人工智能工具可能会被用于智能手表、手环或智能手机上的光电脉搏描记，作为一种管理血压的策略。然而，这些传感器在可穿戴和可接近（即具有传输能力的日常传感器对象，例如智能手机）设备上的可靠性需仔细考虑，在非理想环境中持续捕获血压变化，因为假阳性和阴性误差均可能对血压的治疗决策和结果产生影响。还有许多其他可使用的测量工具，例如那些使用智能手机的相机应用程序的工具，虽然很流行，但却被广泛认为是不准确和潜在有害技术。另一重要的考虑因素是，目前的门诊技术没有很好地整合到电子病历中，限制了这些新兴方法记录血压测量和告知临床治疗的范围。通过人工智能驱动的门诊技术加强血压管理的成功方法需易于使用、一致和可靠，同时也要与卫生系统和临床工作流程很好地结合。
人工智能标志个性化医疗的转变
人工智能筛选和解释复杂、多模式数据的能力使其成为制定患者治疗方案的关键参与者，包括看到和合成人类无法看到的东西的能力，以及增强人类专业知识的能力。随着人工智能变得越来越普遍，我们可以预见，与临床医生不使用人工智能的情况相比，当它辅助临床医生时，会有更多证据表明其有效性。从单个患者的自然病史档案和电子病历中收集、存储和分析多个部分信息的前景要求使用新技术修改传统的高血压管理模式。尽管在未来和规模上还不够，但人工智能已经做到了，证明它可用于患者分层，确定诊断，并确定最有效的治疗方法。
此外，人工智能可改善依从性干预和以患者为中心的团队治疗方法。开发适用于不同阶段高血压（正常、升高、高血压）的基于人工智能的预测技术，可让患者和临床医生更好地了解血压状态及其对心血管疾病的潜在风险；随着在随访期间收集的健康数据越来越多，这些人工智能模型的准确性也越来越高，预计还将继续改善。临床医生利用人工智能工具可显著提高个体化治疗计划的潜力，从而更好地控制高血压，防止医生惯性，最大限度地减少不良反应，并最终改善患者的治疗效果。人工智能的使用代表在对抗高血压的斗争中取得了实质性的飞跃，预示未来的治疗不仅更加个性化和有效，而且先发制人，为精准预防健康管理树立新标准。
人工智能在高血压中的应用将会持续下去，精准高血压的前景应包括以下步骤：首先，人工智能应用于基础科学；第二，利用人工智能改善数据收集、整合（来自临床记录、多组学、生物医学分析、可穿戴和传感器数据以及成像）和交互（揭示传统统计方法无法确定的多样化、复杂和高维非线性关系和交互，例如环境和生物参数之间的相互作用）；第三，人工智能算法的验证应在不同患者群体的前瞻性随机对照试验中进行；第四，制定将人工智能纳入日常临床工作流程和实践的伦理框架（这种方法可使医生迅速识别有高血压风险的个体，或可能治疗依从性差或无反应的个体，从而可及时为靶向治疗提供信息），从而促进公平的医疗保健。
参考文献：Antonis A. Armoundas , Faraz S. Ahmad , Zachi I. Attia , etal.Controversy in Hypertension: Pro-Side of the Argument Using Artificial Intelligence for Hypertension Diagnosis and Management.Hypertension. 2025;82:00–00. DOI: 10.1161/HYPERTENSIONAHA.124.22349
