基于多因素的高血壓分析機制與智能醫患平臺

陳煒欣 吳怡婷 蔣安琪 宋之瀟

摘 要：本文的目的在于建立多因素影響的血壓分析機制，并對現有的線上平臺進行創新，創建智能醫患平臺（小程序）。所使用的方法即在現有研究結果的基礎上，收集數據、進行數據分析和參數擬合等。運用微信開發者等工具開發小程序。其結果為結合定量和定性兩方面，建立了血壓分析機制，在小程序中添加了智能血壓分析、醫患聯系、聯系人、生活建議等新功能。

關鍵詞：血壓分析機制；智能醫患平臺；參數擬合

中圖分類號：TP391.3 文獻標識碼：A 文章編號：2096-4706（2019）03-0099-06

Multivariate Hypertension Analysis Mechanism and

Intelligent Doctor-patient Platform

CHEN Weixin1，WU Yiting1，JIANG Anqi1，SONG Zhixiao2

（1.School of Mathematics（Zhuhai），Sun Yat-sen University，Zhuhai 519000，China；

2.Zhongshan School of Medicine，Sun Yat-sen University，Guangzhou 510080，China）

Abstract：The purpose of this paper is to establish a multi-factor blood pressure analysis mechanism，and to innovate the existing online platform to create an intelligent doctor-patient platform （small program）.The method used is to collect data，analyze data and fit parameters on the basis of existing research results. Develop small programs with tools such as Wechat Developer. The result is to establish a blood pressure analysis mechanism combining quantitative and qualitative aspects，and add new functions such as intelligent blood pressure analysis，doctor-patient contact，contact person and life suggestion to the program.

Keywords：blood pressure analysis mechanism；intelligent doctor-patient platform；parameter fitting

1 問題背景

高血壓是心血管疾病和死亡的重要誘因。[1]2018年8月，歐洲心臟病學會（European Society of Cardiology，ESC）和歐洲高血壓學會（European Society of Hypertension，ESH）聯合發布了2018年高血壓管理指南（下文簡稱2018指南），強調在全球范圍內，超過10億人患有高血壓。高血壓是導致心力衰竭、心房顫動、慢性腎病、外周血管疾病和認知功能下降的主要危險因素，同時也是引發缺血性心臟病、卒中等而導致過早死亡的首要因素。[2]在2018指南的主要更新內容中，診室外血壓診斷地位的提高具有極高的參考價值和普適性。

如今，高血壓診斷與科技相結合，衍生出一些診室外血壓診斷的APP、小程序。根據我們對應用市場上相關APP及小程序的調研，發現現有的有關醫療方面的APP存在以下缺點：

（1）功能單一。市面上具有醫療功能的APP大多針對某家醫院單獨設計，僅具有預約掛號、查詢醫院信息等基本功能，或是僅僅具有針對某一項指標數據進行簡單分析的功能，如某“高血壓預防APP”僅通過病人輸入的舒張壓與收縮壓來判斷病情，其判斷結果較為片面，存在較大誤差。

（2）數據分析不足，診斷建議準確性較低。病情的自動診斷應該由多次、多項指標的數據統計與分析得出結論，而不能僅僅依靠某一次、某一項指標的變化來判定。

（3）數據缺乏可視化效果。現有的管理高血壓APP或小程序大多直接將測量數據顯示給患者，不夠直觀，患者難以理解。

（4）無法與醫生取得實際性的聯系，給出的建議籠統而空泛。許多健康APP并沒有與醫生有實際聯系，且根據所得結論給出的建議并無大用。人體各項指標的數據變化是復雜的，僅依靠數據分析只能得出問診人患病的可能性大小，進一步的病情診斷和治療需要由專業的醫生進行，更具針對性的建議也應當由醫生給出。

（5）無親者賬號連接等功能，家屬不了解患者情況。

此外，現有小程序多數只根據國內對高血壓的定義進行診斷，考慮因素不夠周全，因此我們希望對此進行創新，建立更完善的血壓分析機制，創建面向用戶并隨時可用的血壓分析線上平臺。

如表1所示，2018指南中對高血壓的定義沒有改變，即診室血壓≥140/90mmHg時診斷為高血壓，相當于家測血壓135/85mmHg及動態血壓監測的全天平均血壓130/80 mmHg時診斷為高血壓；仍然根據診室血壓分級，包括理想、正常、正常高值及1～3級高血壓并強調高血壓缺乏癥狀，應加強篩查。其特別強調了診室外血壓如動態血壓監測（ambulatory blood pressure monitoring，ABPM）和（或）家庭血壓監測（home blood pressure monitoring，HBPM）診斷地位的提高，并且特別推薦ABPM和HBPM用于排除或診斷白大衣性高血壓、隱匿性高血壓。此外，2018指南還強調對“重視生活方式干預、藥物治療啟動時機前移”的觀念，其更新內容更為我組微信小程序的成形提供了專業支持，賦予小程序以實際意義。

2 血壓分析機制模型

2.1 模型準備

為建立血壓分析機制，我們收集了196名患者數據①，其中包含患者年齡、性別、身高、體重、吸煙史、嗜酒史、高血壓病史、糖尿病史（含少量血糖數據）、冠心病史、腎病史、心血管疾病家族史、不同時期的血壓值。

2.2 模型初步建立及數據檢驗

高血壓的臨床研究是一個永恒的問題。我們在前人研究成果（主要是從醫專業人士的成果，分析工具有SPSS等）的基礎上，借助某些因素與高血壓之間的正負相關關系，初步建立血壓分析機制的數學模型，并利用此模型從各方面檢驗所收集數據的可用性。

2.2.1 初步建立模型

定義各因素對高血壓的影響度I（influence）。許多文獻已研究影響高血壓的一些因素[3]，在此我們結合所收集數據的特征，考慮下列因素：年齡A（age）、性別G（gender）、體質指數BMI、吸煙S（smoke）[4]、飲酒D（drink）。

（1）年齡A（age）/歲：研究表明，男性、女性高血壓發病率高峰都在60歲以上。年齡每增加10歲，高血壓發病風險增加16.7%。由此建立年齡對高血壓的影響度為。

（2）性別G（gender）：總體上男性高血壓患病率高于女性，我們定義：G=1表示男性，G=0表示女性。男性高血壓發病風險是女性的1.382倍。由此建立性別對高血壓的影響度為IG=1.382×G。

（3）體質指數BMI（=體重（kg）/身高（m）2）：研究表明，成人肥胖者（BMI≥28）的高血壓發病風險增加49%。BMI對高血壓的影響度為IBMI=0.49×（BMI-28）。

（4）吸煙S（smoke）、飲酒D（drink）：我們定義S/D取值為1表示吸煙/嗜酒嚴重，S/D取值為0表示輕微吸煙/喝酒、不吸煙/不喝酒、已戒煙/戒酒多年。研究表明，調整高血壓患者人口學因素、危險因素及伴發疾病后，在同樣心血管危險分層下，吸煙患者發生危險是不吸煙患者的1.40倍。由此建立吸煙對高血壓的影響度為IS=1.40×S，同樣據前人研究結果，建立飲酒對高血壓的影響度為ID=0.50×D。

綜合以上各因素對高血壓的影響度（合理性有待驗證），可得初步的血壓分析機制。

2.2.2 數據檢驗

下面我們不妨將以上各因素對高血壓的影響做加和，代入所收集數據進行討論，既驗證初步模型的合理性，又對數據的可用性進行判斷。

年齡、性別、體質指數、吸煙、飲酒對高血壓的綜合影響度為。

對數據進行處理，120例有效（指各因素數據齊全）數據可用于驗證I0，數據結果如圖1。這120組數據與前人研究成果以及初步模型I0比較吻合，高血壓患者I0值普遍較高，可見數據還是比較可靠的。

2.3 模型優化

下面我們運用有效數據對模型進行優化、創新血壓分析機制，使其在小程序中發揮更大的作用。

2.3.1 進一步檢驗初步模型

以上只研究了有無高血壓的數據，下面對高血壓患者細分高血壓等級，數據結果如圖2。

各級高血壓患者的I0平均值均比未患高血壓病人高，這是一種顯著性特征。與未患高血壓病人相比，各級高血壓患者的I0值分布偏高。因此初步模型相對合理，可在此基礎上進行創新、完善。

2.3.2 模型創新

（1）考慮遺傳因素E（genetics）。人們對于高血壓是否會遺傳持較大爭議。根據以往數據，高血壓遺傳可能存在（但遺傳方式不明確）；而實際上，這些數據可能隱含著假象——同樣的生活習慣造成家族“遺傳”高血壓。但是大部分專業人士還是比較認同高血壓會遺傳。

我們定義遺傳E取值為1表示有相關家族史，E取值為0表示無相關家族史。以上所用120組有效數據中，69例患者確診為高血壓，其中有65例患者能夠明確是否有相關家族史，家族有高血壓/心腦血管疾病史的占14/65。另一方面，我們可以考慮所有數據，101名患者確診為高血壓，其中家族有高血壓/心腦血管疾病史的占20/93（除家族史不詳的8名患者）。以上兩種計算方法的結果相差不大，這在一定程度上驗證了遺傳因素對高血壓的影響。由于前面已驗證120組數據，我們選擇14/65作為遺傳對高血壓的影響度，建立遺傳對高血壓的影響度為。

加入遺傳因素后的數據結果如圖3，與圖2比較，發現各因素對高血壓的影響度的總體分布變化不大，主要是Ⅲ級高血壓患者的影響度有所升高，高血壓級別越高的患者受到遺傳影響的可能性更大，即遺傳因素對高血壓的影響是存在的。而IE的增加不會過度影響年齡、性別、體質指數、吸煙、飲酒對高血壓的影響度I0，可見，此模型的改進是合理的。

（2）考慮上、下午血壓值差異。一天中不同時間段的血壓值會有所差異。由于用戶一般無法測得動態血壓，但有機會測量上午、下午的血壓值，我們引進上、下午血壓值對高血壓的影響度，提高高血壓預診斷的精度。

為減少外界因素干擾，我們不考慮手術后血壓值，所收集數據中共有566組符合條件的住院患者的上、下午血壓值。首先，我們分析上、下午血壓值之間的關系，分別確定其對高血壓的影響度。

1）上午收縮壓Sa（收縮壓SBP；上午AM）、下午收縮壓Sp（收縮壓SBP；下午PM）。每一組（同一天）的上午收縮壓Sa、下午收縮壓Sp數據分布如圖4，由圖可見大部分情況下，患者上午收縮壓與下午收縮壓差別不大（數據點基本在正比例函數附近），部分Sa偏高的數據點比Sp偏高的數據點較多，符合當今“血壓晨峰”[5]的說法。

Sa、Sp的具體統計信息如表2。總體來說，Sa波動比Sp波動大（由標準方差可知），Sa平均值比Sp平均值高3mmHg，不妨以此作為上下午收縮壓差別的代表，即設定Sa是Sp的122.9/125.9（≈1.0244）倍，一天的收縮壓情況應綜合Sa和Sp而得，因此對Sa、Sp分配的權重分別為0.506、0.494，初步建立上午收縮壓和下午收縮壓對高血壓的影響度ISa+ISp=0.506×Sa+0.494×Sp。

2）上午舒張壓Da（舒張壓DBP；上午AM）、下午舒張壓Dp（舒張壓DBP；下午PM）。每一組（同一天）的上午舒張壓Da、下午舒張壓Dp數據分布如圖5。

圖中可能存在一個廢棄數據（右上角Da：153mmHg；Dp：93mmHg），忽略這個數據，大致上患者Da與Dp差別不大（數據點基本在正比例函數附近）。圖像上無法觀測出Da和Dp的關系，我們考慮其具體統計信息，如表2。總體上Da平均值比Dp平均值高2.57mmHg，同樣Da波動比Dp波動大，不妨設定Da是Dp的76.99/74.42（≈1.0345）倍，一天的舒張壓水平應綜合Da和Dp而得，因此對Da和Dp分配的權重分別為0.509、0.491，即上午收縮壓和下午收縮壓對高血壓的影響度IDa+IDp= 0.509×Da+0.491×Dp。

綜合以上所有分析，我們得到進一步的模型，年齡、性別、體質指數、吸煙、飲酒、遺傳因素、上下午血壓值對高血壓的綜合影響度為：I=IA+IG+IBMI+IS+ID+IE+ISa+ISp+IDa+IDp。

由于一名患者對應多組上下午血壓值，無法僅使用原來的120組數據。現在重新整理原始數據，得到上下午血壓值的561組完整數據（包括確切的年齡、性別、體質指數、吸煙、飲酒、家族史等數據）。各因素對高血壓的綜合影響度的圖像結果如圖6。

從圖中我們可以看出，加入上下午血壓值對高血壓的影響度之后，數據的分布有幾個大變化：Ⅰ級高血壓患者的綜合影響度均值比未患高血壓病人的均值要低；Ⅲ級高血壓和未分級高血壓患者的綜合影響度分布較散。由此可見，模型還需做進一步優化。

2.3.3 參數擬合

由于前面是分別研究各因素對高血壓的影響度，忽略了各因素對高血壓的總體影響，考慮對每個影響度賦予參數，進行參數擬合，獲得更準確的模型。模型的進一步假設如下（其中ki（i=0，1，…，10）為參數）I′=k0+k1IA+k2IG+k3IBMI+ k4IS+k5ID+k6IE+k7ISa+k8ISp+k9IDa+k10IDp。

舍去不齊全數據，得到338組數據，對其進行參數擬合。首先定義各組數據的綜合影響度I′的取值，不妨以當今中國對血壓水平的定義為標準，取各血壓水平的均值收縮壓和均值舒張壓之和作為代表。我們分別取200（120/80mmHg）、245（150/95mmHg）、275（170/105mmHg）、290（180/110mmHg）作為未患高血壓者、Ⅰ級高血壓患者、Ⅱ級高血壓患者、Ⅲ級高血壓患者的綜合影響度I′。

參數擬合結果為：

k0=165.8040，k1=23.3534，k2=15.3371，k3=5.9726，k4=-27.1264，k5=113.7696，k6=126.4597，k7=0.6171，k8=0.0844，k9=1.5475，k10=-0.9694。

因此，我們模型改進為（若有多組上下午血壓值，取平均值代入）：

I′=165.8040+23.3534×IA+15.3371×IG+5.9726×IBMI-27.1264×IS+113.7696×ID+126.4597×IE+0.6171×ISa+0.0844×ISp+1.5475×IDa-0.9694×IDp

其中，IA，IG，IBMI，IS，ID，IE，ISa，ISp，IDa，IDp定義如前。

將這338組數據代回模型，得到分布圖如圖7。

由于這338組數據中未患高血壓的病人占比例較大，我們看到擬合的結果對于未患高血壓者來說有所誤差，實際上這蘊含著他們可能有高血壓的風險或者他們的血壓值等數據受到其他病因的影響。我們暫且忽略這點，因為我們面向的對象是普通用戶，此模型已基本能預測用戶的高血壓情況。

最終此模型可以模擬中國對血壓水平的定義給出對高血壓的預測，如表3。

2.3.4 模型完善

考慮到現有研究成果中提到的另一些影響高血壓的因素，如腰圍WC、血糖GLU、血脂L（lipid）[6]、睡眠時間ST（sleeping time）[7]、氣溫T（temperature）、濕度H（humidity）[8]。根據前人的研究數據建立這幾個因素對高血壓的影響度如下：

IWC=0.22×（WC-90×G+85（G-1）），IGLU= 0.384×GLU×（0.402×G-0.31×（G-1）），IL= 1.92×L，IST=0.22×ST，IT=-0.2375×T，IH=0.2950×T

以上這些影響度可與上述綜合影響度I′相結合，形成更加完善的血壓分析體制。

對于用戶提供的不完整數據，我們可以采用根據用戶狀態取相應平均值的方法進行計算，確定綜合影響度，給予用戶的有關高血壓的預診斷。

2.3.5 模型補充

雖然我們的重點在于創造血壓分析機制在線上預診斷中使用，但是所收集數據給我們另一啟發，我們可以加入兩種簡單的、特殊的預診斷結果。

（1）低血壓：近段時間內血壓多次低于90/60mmHg，預診斷為（可疑）低血壓，建議向醫生咨詢/醫院檢查。

（2）白大衣性高血壓：偶爾血壓高于140/90mmHg且見到醫生時情況顯著，預診斷為（可疑）白大衣性高血壓，建議放松心情重新測量血壓。

對于一些影響高血壓的定性因素，如A型性格（脾氣較暴躁等），可以在小程序建議模塊有所體現。

3 智能醫患平臺

3.1 項目成效目標

開發一個基于數學模型的管理高血壓的醫患一體化微信小程序，其主要功能如下：

3.1.1 血壓數據分析功能

根據我們通過數學建模創建的血壓分析機制，小程序會對與患者病情相關的各種指標進行分析，將血壓數據可視化，給予用戶切實的血壓健康分析。

3.1.2 醫患聯系功能

在小程序中，用戶可以向醫生咨詢自身的高血壓病情，醫生會結合該用戶數據的歷史記錄以及用戶的身體情況給出建議。一名醫生可對應多名患者，為患者提供更加個性化的建議，簡化了患者看病方式。同時，小程序會記錄患者的評價等，作為線上工作評價的一種參考。

3.1.3 患者聯系人聯系功能

聯系人功能可以讓用戶的聯系人（如：家人）及時地了解到用戶的身體狀況，并在有異常情況發生時發送消息提示聯系人。比如，當患者被診斷為高血壓時，系統將會自動為設定聯系人發提示信息。這一功能的實現旨在讓監護人能夠更好地照顧高血壓患者或者潛在患者。

3.1.4 生活建議等功能

根據用戶的多次血壓數據、飲食習慣、既往病史等等，為用戶量身推送一些生活建議和一些與高血壓相關的知識，如：健康的飲食、生活習慣等。

3.1.5 利用Python語言設計后端，進行大數據處理

用MySQL構建一個關系型數據庫，并利用此數據庫組織和管理數據；建立醫生與患者之間，患者與設定聯系人之間數據、消息傳輸的通道；實現上述前端所涉及的功能。

3.2 項目運行實例

基于上述血壓分析機制，我們將開發一個管理高血壓的醫患一體化微信小程序，如圖8、圖9。

具體運行如下：

用戶輸入：年齡、性別、身高、體重、吸煙史、飲酒史、是否有心腦血管疾病家族史、（可能多組）上午和下午的血壓值、其他（可選的輸入數據：腰圍、血糖、血脂、睡眠時間）；

輸出：高血壓預診斷結果。

例子：

輸入：70歲，男，170cm，80kg，吸煙，嗜酒，無家族史，上午血壓值160/110mmHg，下午血壓值156/100mmHg。輸出：預診斷為Ⅲ級高血壓。（可見，如果僅依據高血壓的定義，該用戶應為Ⅱ級高血壓，但該血壓分析機制考慮了年齡、BMI等因素對高血壓的影響，因此診斷結果會有所不同，而我們的結果更能引起用戶對病情的警惕。）

4 結 語

高血壓是心血管疾病和死亡的重要誘因。診室外血壓診斷地位的提高以及現有管理高血壓APP和小程序的不足啟發我們開發具有智能血壓分析、醫患聯系、聯系人、生活建議等新功能的小程序。其中小程序所依據的血壓分析機制是結合定量和定性兩方面通過數學建模所創立的。然而，血壓分析機制的創建是基于前人研究以及所收集的數據，仍有不足之處。一方面，前人研究結果具有地域差異；另一方面，模型創新之處所用數據有限。但是，我們的結果仍有一定的可用性。

參考文獻：

[1] NCD Risk Factor Collaboration （NCD-RisC）.Worldwide trendsin blood pressure from 1975 to 2015：a pooled analysis of 1479 population-bas based measurement studies with 19.1 million participants. Lancet，2017，389（10064）：37-55.

[2] Williams B， Mancia G， Spiering W， et al. 2018 ESC/ESH Guidelines for the management of arterial hypertension：The Task Force for the management of arterial hypertension of the European Society of Cardiology （ESC） and the European Society of Hypertension （ESH）.Eur Heart J，2018，39（33）：3021-3104.

[3] 孫靜，黃玉艷，吳雷，等.糖尿病人群高血壓的發病率及影響因素 [J].中華高血壓雜志，2013，21（7）：654-658.

[4] 賈貢獻，余金明，林凡禮，等.高血壓患者吸煙狀況與心血管危險分層的關系 [J].中華高血壓雜志，2013，21（4）：340-345.

[5] 劉丹，陳藝莉，黃慧玲.老年高血壓患者血壓變異性及血壓晨峰的相關因素 [J].中華高血壓雜志，2013，21（4）：335-339.

[6] 陶然，周金意，蘇健，等.成人血脂異常與高血壓關系 [J].江蘇預防醫學，2014，25（5）：18-21.

[7] 郭瀟繁，張曉宇，王軍，等.睡眠時間與高血壓關系的薈萃分析 [J].中華高血壓雜志，2013，21（9）：748-754.

[8] 白紅革，舒云，艾帥兵.不同天氣條件對血壓水平的影響研究 [J].中西醫結合心血管病電子雜志，2018，6（19）：99-100.

作者簡介：陳煒欣（1998.10-），女，漢族，廣東吳川人，本科，研究方向：信息與計算科學；吳怡婷（1998.12-），女，漢族，廣東翁源人，本科，研究方向：數學與應用數學；蔣安琪（1997.04-），女，漢族，廣西玉林人，本科，研究方向：信息與計算科學；宋之瀟（1998.07-），女，漢族，四川內江人，本科，研究方向：臨床醫學。