人工智能在高血壓診治中的應(yīng)用

王立娜 雷警輸 譚琛

高血壓是重要的心血管疾病危險(xiǎn)因素,可導(dǎo)致腦卒中、缺血性心臟病、心功能不全和認(rèn)知障礙,也是造成全球死亡和傷殘調(diào)整壽命年增加的重要病因之一。高血壓的發(fā)病率依然每年呈上升趨勢(shì),但總體知曉率、診斷率和有效治療率仍較低,到目前為止僅不到20%的高血壓患者血壓控制達(dá)標(biāo)[1-2],真實(shí)世界中高血壓的控制率與臨床指南仍存在較大差距。人工智能和機(jī)器學(xué)習(xí)在醫(yī)療領(lǐng)域的研發(fā)和應(yīng)用,無(wú)疑給高血壓的診治帶來(lái)了質(zhì)的飛躍和重要轉(zhuǎn)型,重塑了高血壓治療的新路徑、新模式。數(shù)據(jù)科學(xué)、生物技術(shù)及數(shù)字技術(shù)的結(jié)合是人工智能處理大數(shù)據(jù)的基礎(chǔ);在傳統(tǒng)的高血壓危險(xiǎn)因素基礎(chǔ)上,人工智能聯(lián)合基因組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)、人口學(xué)特征、社會(huì)經(jīng)濟(jì)學(xué)和表觀(guān)遺傳學(xué)等多變量因素,可為高血壓的精準(zhǔn)治療和個(gè)體化治療提供靶點(diǎn)。

人工智能產(chǎn)品與服務(wù)按功能主要分為監(jiān)測(cè)預(yù)警類(lèi)、健康信息管理類(lèi)和輔助康復(fù)類(lèi)[3]。人工智能醫(yī)療設(shè)備可監(jiān)測(cè)血壓,以及心率、脈搏、步數(shù)、睡眠等相關(guān)指標(biāo),提高患者的血壓自我管理能力;各種慢病自我管理App采集和聚合用戶(hù)的健康信息,通過(guò)人工智能客服提供便捷、有效的健康管理支持;智能藥物、智能機(jī)器人等輔助康復(fù)類(lèi)人工智能設(shè)備,可提醒患者用藥、計(jì)算剩余藥量、物理輔助患者康復(fù)等[3]。人工智能逐步推動(dòng)高血壓等慢病管理從以醫(yī)療機(jī)構(gòu)為主體轉(zhuǎn)換到以個(gè)人、家庭為主體,并使患者逐漸適應(yīng)角色轉(zhuǎn)換,增強(qiáng)疾病自我管理意識(shí)與能力。本文就人工智能在高血壓領(lǐng)域中的應(yīng)用進(jìn)行綜述。

1 人工智能建模用于高血壓預(yù)測(cè)

1.1 人工智能與高血壓初篩

憑借強(qiáng)大的數(shù)據(jù)處理能力,人工智能除了能代替臨床醫(yī)生處理大量煩瑣的數(shù)據(jù)、簡(jiǎn)化高血壓篩查流程和提高高血壓知曉率以外,還能在傳統(tǒng)的高血壓危險(xiǎn)因素基礎(chǔ)上聯(lián)合影像學(xué)、基因組學(xué)等多因素,構(gòu)建高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型,從而彌補(bǔ)臨床醫(yī)生診斷的局限性,提高高血壓的早期診斷率、降低漏診率。例如,通過(guò)人工智能進(jìn)行視網(wǎng)膜眼底掃描,可及時(shí)發(fā)現(xiàn)高血壓、糖尿病等全身性慢病[4]。HUNG等[5]的兩項(xiàng)隊(duì)列研究共納入1386例高血壓患者,通過(guò)33個(gè)臨床特征構(gòu)建的邏輯回歸(logistic regression,LR)、隨機(jī)森林(random forest,RF)、極限梯度提升算法(extreme gradient boosting,XGBoost)和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)模型,可有效地識(shí)別隱匿性高血壓和未控制的隱匿性高血壓,其中RF模型具有最佳的內(nèi)部和外部驗(yàn)證結(jié)果(AUC=0.851、0.837;敏感性=1.000、1.000;特異性=0.609、0.580;陰性預(yù)測(cè)值=1.000、1.000;準(zhǔn)確率=0.766、0.721)。另一項(xiàng)納入801例患者的研究通過(guò)人工智能測(cè)得胸部CT掃描的胸主動(dòng)脈內(nèi)徑和高血壓相關(guān)(AUC=0.73),尤其是和隱匿性高血壓顯著相關(guān)[6],據(jù)此能在一定程度上預(yù)測(cè)高血壓。機(jī)器學(xué)習(xí)聯(lián)合傳統(tǒng)高血壓危險(xiǎn)因素和基因組學(xué)等,可構(gòu)建高效的高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型。PEI等[7]分析了1200例社區(qū)高血壓患者和健康人群的數(shù)據(jù),納入9個(gè)環(huán)境因子[身高、體重指數(shù)(body mass index,BMI)、性別、年齡、職業(yè)、吸煙史等]和12個(gè)基因遺傳因子,研究顯示,采用支持向量機(jī)(support vector machine,SVM)算法構(gòu)建的高性能預(yù)測(cè)模型,預(yù)測(cè)準(zhǔn)確率可達(dá)80.1%,敏感性為63.3%,特異性為86.7%,AUC值為0.886。國(guó)內(nèi)一項(xiàng)前瞻性研究納入農(nóng)村地區(qū)4592例無(wú)高血壓人群,采集飲食方式、BMI、身體活動(dòng)等傳統(tǒng)因素和基因型位點(diǎn)數(shù)據(jù),每3年進(jìn)行隨訪(fǎng),發(fā)現(xiàn)通過(guò)機(jī)器學(xué)習(xí)并采用傳統(tǒng)危險(xiǎn)因素聯(lián)合多基因風(fēng)險(xiǎn)評(píng)分(polygenic risk score,PGGRS)分析模型,可提高高血壓患者初次診斷的效能[8]。ISLAM等[9]的大樣本研究中納入6965例成年人(≥35歲),使用最小絕對(duì)收縮選擇算子(least absolute shrinkage and selection operator,LASSO)和支持向量機(jī)遞歸特征消除(support vector machine recursive feature elimination,SVMRFE)方法預(yù)測(cè)高血壓的風(fēng)險(xiǎn)因素,結(jié)果顯示依據(jù)LASSO方法中的年齡、BMI、財(cái)富指數(shù)、工作狀況和婚姻狀態(tài),以及SVMRFE方法中的年齡、BMI、婚姻狀態(tài)、糖尿病和地域風(fēng)險(xiǎn)因素可預(yù)測(cè)高血壓。胡靜[10]使用英國(guó)生物樣本數(shù)據(jù)庫(kù)UK Biobank中的214867份數(shù)據(jù)樣本,采用基于前饋全連接網(wǎng)絡(luò)的ANN和輕量級(jí)梯度提升機(jī)器學(xué)習(xí)(light gradient boosting machine,LightGBM)方法,對(duì)高血壓進(jìn)行預(yù)測(cè),結(jié)果顯示用LightGBM方法預(yù)測(cè)的結(jié)果和ANN基本相近,準(zhǔn)確率高達(dá)0.8349,AUC值為0.9148,表明該方法具有較強(qiáng)的高血壓預(yù)測(cè)性能。基于人工智能對(duì)高血壓的預(yù)測(cè)和早期診斷,有望提高高血壓的知曉率,并批量篩查出隱匿性高血壓患者,繼而改變?nèi)藗儗?duì)高血壓流行病學(xué)的認(rèn)識(shí)。

1.2 人工智能預(yù)測(cè)模型與傳統(tǒng)統(tǒng)計(jì)學(xué)方法的比較

絕大多數(shù)研究顯示,基于機(jī)器學(xué)習(xí)的高血壓風(fēng)險(xiǎn)預(yù)測(cè)模型性能并不劣于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法。NIMMALA等[11]對(duì)比了機(jī)器學(xué)習(xí)算法(決策樹(shù)、RF、樸素貝葉斯算法)和LR預(yù)測(cè)高血壓風(fēng)險(xiǎn)的性能,結(jié)果發(fā)現(xiàn)RF算法的準(zhǔn)確率高于LR(87.5%vs.71.0%)。基于機(jī)器學(xué)習(xí)算法構(gòu)建的預(yù)測(cè)模型可克服統(tǒng)計(jì)學(xué)方法的缺陷,同時(shí)其判別性能優(yōu)于傳統(tǒng)模型(LR或Cox回歸)[12-13]。然而,對(duì)此也有相反的研究結(jié)論:HEO等[14]納入8212例高血壓患者和健康人群的調(diào)查研究顯示,LR的預(yù)測(cè)性能優(yōu)于樸素貝葉斯算法和決策樹(shù)構(gòu)建模型。

2 人工智能用于血壓實(shí)時(shí)監(jiān)測(cè)、高血壓病因評(píng)估及其并發(fā)癥預(yù)測(cè)

2.1 人工智能用于血壓實(shí)時(shí)監(jiān)測(cè)

人工智能使血壓從點(diǎn)到線(xiàn)的實(shí)時(shí)監(jiān)測(cè)更為便捷,據(jù)此更容易了解患者的血壓類(lèi)型和動(dòng)態(tài)變化規(guī)律。KOSHIMIZU等[15]利用深度中樞網(wǎng)絡(luò)系統(tǒng),采集家庭和門(mén)診血壓來(lái)預(yù)測(cè)血壓的變異性和平均值,顯示出診室外準(zhǔn)確測(cè)量血壓對(duì)血壓分類(lèi)的重要性。陳碩[16]采用機(jī)器學(xué)習(xí)支持向量回歸(support vector regression,SVR)方法構(gòu)建無(wú)創(chuàng)連續(xù)血壓監(jiān)測(cè)模型,進(jìn)一步克服了傳統(tǒng)血壓間歇性測(cè)量的缺陷,將其實(shí)際應(yīng)用于無(wú)創(chuàng)血壓的連續(xù)監(jiān)測(cè)具有可行性。TAN等[17]通過(guò)可穿戴設(shè)備將收集到的脈搏波數(shù)據(jù)與預(yù)先建立的回歸模型相結(jié)合,基于深度學(xué)習(xí)的腕帶式血壓預(yù)測(cè)(blood pressure prediction wristband,BPPW)設(shè)備,使用人工智能算法Transformer預(yù)測(cè)血壓的誤差小于4 mmHg,并且BPPW設(shè)計(jì)巧妙、易于操作和佩戴,可長(zhǎng)時(shí)間監(jiān)測(cè)血壓。國(guó)內(nèi)的一項(xiàng)研究結(jié)合脈搏特征參數(shù)和機(jī)器學(xué)習(xí)典型回歸模型,采用線(xiàn)性回歸、套索回歸、彈性網(wǎng)絡(luò)、K最近鄰和分類(lèi)回歸樹(shù)5種算法,建立了人體血壓測(cè)量模型,可實(shí)現(xiàn)高精度的無(wú)創(chuàng)血壓測(cè)量;該研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的基于用戶(hù)背景信息的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory network-bilateral,LSTM-BI)血壓預(yù)測(cè)模型對(duì)人體血壓具有較高的預(yù)測(cè)性能[18]。LIN等[19]通過(guò)單點(diǎn)光電容積描記法(photoplethysmographic,PPG)信號(hào),再經(jīng)ANN處理后輸出收縮壓、舒張壓和平均動(dòng)脈壓,實(shí)現(xiàn)連續(xù)準(zhǔn)確的無(wú)創(chuàng)血壓監(jiān)測(cè),具有快速、節(jié)能、內(nèi)存消耗低等特點(diǎn)。

2.2 人工智能用于高血壓病因評(píng)估

人工智能經(jīng)過(guò)訓(xùn)練和對(duì)大量數(shù)據(jù)集的學(xué)習(xí)后,在高血壓病因評(píng)估,尤其涉及繼發(fā)性高血壓復(fù)雜病因評(píng)估方面的性能更高,可彌補(bǔ)臨床醫(yī)生診斷的局限性。人工智能專(zhuān)家系統(tǒng)HEDDS推理算法可對(duì)高血壓的29種病因進(jìn)行鑒別診斷,診斷符合率高達(dá)94.4%[20]。BUFFOLO等[21]的大樣本回顧性研究中納入4059例高血壓患者,通過(guò)臨床量化數(shù)值評(píng)分和基于機(jī)器學(xué)習(xí)構(gòu)建的模型可高效預(yù)測(cè)原發(fā)性醛固酮增多癥(primary aldosteronism,PA)患者,機(jī)器學(xué)習(xí)模型預(yù)測(cè)PA和單側(cè)PA的AUC值分別為0.834和0.905,敏感性分別為96.6%和100.0%。由此可見(jiàn),使用臨床評(píng)分系統(tǒng)和機(jī)器學(xué)習(xí)可高效預(yù)測(cè)高血壓中的PA患者,減少了至少32.7%的篩查工作量,降低了不必要的醫(yī)療資源消耗。

2.3 人工智能用于高血壓并發(fā)癥預(yù)測(cè)

人工智能可構(gòu)建高血壓并發(fā)癥相關(guān)的預(yù)測(cè)模型,早期識(shí)別高血壓高危人群,從而做到早期干預(yù),改善高血壓患者的預(yù)后。機(jī)器學(xué)習(xí)可搭建高血壓并發(fā)癥腦卒中風(fēng)險(xiǎn)預(yù)測(cè)模型,周潔[22]聯(lián)合肥胖指標(biāo)BMI、腰臀比(waist-hip ratio,WHR)及其他指標(biāo)建立的XGBoost腦卒中風(fēng)險(xiǎn)預(yù)測(cè)模型具有優(yōu)越的預(yù)測(cè)性能,能夠早期識(shí)別高血壓高危個(gè)體。劉婷等[23]的研究納入1478例原發(fā)性高血壓(essential hypertension,EH)并發(fā)腦梗死患者,通過(guò)單因素分析構(gòu)建的LR、決策樹(shù)、RF和XGBoost模型預(yù)測(cè)EH并發(fā)腦梗死的AUC值均較高,其中XGBoost模型的綜合診斷效能最佳(AUC=0.808,95%CI0.804～0.811),提示血細(xì)胞比容、白蛋白、就診年齡、白細(xì)胞計(jì)數(shù)、膽堿酯酶和載脂蛋白A1可用于預(yù)測(cè)EH患者的腦梗死患病風(fēng)險(xiǎn)。XU等[24]回顧性分析了270例高血壓腦出血患者,隨訪(fǎng)患者6個(gè)月后的CT影像學(xué)結(jié)果,發(fā)現(xiàn)以CT影像學(xué)結(jié)果為金標(biāo)準(zhǔn),利用機(jī)器學(xué)習(xí)構(gòu)建的腦出血預(yù)后預(yù)測(cè)模型具有一定的準(zhǔn)確性,其中RF模型和XGBoost模型的準(zhǔn)確率最高(分別為93.3%、89.1%),敏感性分別為93.3%、92.3%,特異性分別為92.5%、88.1%。龔軍[25]納入EH并發(fā)冠心病患者2487例和單純EH患者3904例,基于醫(yī)療數(shù)據(jù)(包括患者的一般信息、生命體征、既往病史和輔助檢查指標(biāo))與機(jī)器學(xué)習(xí)算法建立的RF、XGBoost、分類(lèi)回歸樹(shù)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)、logistic診斷模型對(duì)EH并發(fā)冠心病有很好的輔助診斷功能,其中RF、XGBoost模型的AUC值達(dá)0.885和0.892,可輔助早期診斷。FAHMY等[26]的隊(duì)列研究中納入2732例高血壓心肌病患者,經(jīng)過(guò)5年隨訪(fǎng),采用基于機(jī)器學(xué)習(xí)的LASSO算法構(gòu)建的風(fēng)險(xiǎn)分層模型來(lái)預(yù)測(cè)患者發(fā)生心力衰竭的風(fēng)險(xiǎn)因素,結(jié)果顯示通過(guò)性別、NYHA分級(jí)、高血壓心肌病類(lèi)型(是否為梗阻性心肌病)、左心室壁厚度、左心室射血分?jǐn)?shù)、心力衰竭癥狀、合并癥(房顫、高血壓、二尖瓣關(guān)閉不全和收縮期前向運(yùn)動(dòng))以及使用心臟相關(guān)藥物的類(lèi)型,其可正確識(shí)別心力衰竭高危患者,準(zhǔn)確率為74%(95%CI0.70～0.78),敏感性為80%(95%CI0.77～0.83),特異性為72%(95%CI0.68～0.76)。

3 人工智能用于輔助高血壓治療決策

3.1 人工智能輔助醫(yī)生用藥決策

人工智能可提高高血壓治療的精準(zhǔn)性、實(shí)時(shí)性、高效性和患者依從性,輔助臨床醫(yī)生做出最優(yōu)治療決策。基于臨床決策支持系統(tǒng),并整合醫(yī)院信息系統(tǒng)、電子病歷系統(tǒng)和檢驗(yàn)系統(tǒng)等,可建立藥品信息知識(shí)庫(kù)和訓(xùn)練集,經(jīng)推理、數(shù)據(jù)挖掘技術(shù)為高血壓患者的最優(yōu)用藥決策提供參考[27]。機(jī)器學(xué)習(xí)還可構(gòu)建藥物間相互作用,或是根據(jù)臨床信息對(duì)患者進(jìn)行聚類(lèi)分析,從而提供更精準(zhǔn)化的治療方案[28]。國(guó)內(nèi)一項(xiàng)研究納入148735例高血壓住院患者的相關(guān)資料,使用機(jī)器學(xué)習(xí)方法預(yù)測(cè)5種降壓藥物的療效,其建立的預(yù)測(cè)模型具有較高的敏感性,尤其是基于SVM算法構(gòu)建的非洛地平療效預(yù)測(cè)模型敏感性可達(dá)99%,其他藥物均在80%以上,在臨床用藥決策方面可發(fā)揮積極作用[29]。劉然[30]基于統(tǒng)計(jì)可視化和機(jī)器學(xué)習(xí)算法建立的藥物預(yù)測(cè)模型,可用來(lái)預(yù)測(cè)影響降壓方案實(shí)施效果的關(guān)鍵因素,采用機(jī)器學(xué)習(xí)構(gòu)建的藥物預(yù)測(cè)模型(其中RF模型和梯度提升樹(shù)的準(zhǔn)確率分別為75%、72.5%)可指導(dǎo)患者合理用藥并輔助醫(yī)生進(jìn)行治療決策。DUAN等[31]把機(jī)器學(xué)習(xí)應(yīng)用于SPRINT研究,采用X線(xiàn)性方法分別計(jì)算強(qiáng)化降壓和標(biāo)準(zhǔn)降壓患者的治療獲益,結(jié)果顯示,治療獲益不完全與患者的基線(xiàn)心血管風(fēng)險(xiǎn)成正比,而機(jī)器學(xué)習(xí)治療效果預(yù)測(cè)模型可用于對(duì)高血壓患者的治療方案進(jìn)行校準(zhǔn)和優(yōu)化。

3.2 人工智能輔助健康監(jiān)護(hù)與管理

人工智能可實(shí)現(xiàn)對(duì)患者的血壓監(jiān)測(cè)和結(jié)果反饋,并提供相關(guān)治療指導(dǎo),在醫(yī)生和患者之間增加了另外一個(gè)醫(yī)療信任因素,有助于提高高血壓的治療率和控制率。通過(guò)可穿戴設(shè)備監(jiān)測(cè)患者的血壓、心率等生理健康指標(biāo),再?gòu)慕K端獲取數(shù)據(jù)并進(jìn)行分析,實(shí)現(xiàn)對(duì)慢病患者的實(shí)時(shí)健康監(jiān)護(hù)[32];利用本體、決策樹(shù)和Jena推理引擎,還可構(gòu)建針對(duì)高血壓患者的慢病膳食推薦系統(tǒng)[33]。HUANG等[34]研究使用機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)青年高血壓患者在心肺運(yùn)動(dòng)測(cè)試指導(dǎo)下運(yùn)動(dòng)處方的療效,結(jié)果顯示在心肺運(yùn)動(dòng)測(cè)試運(yùn)動(dòng)階段的數(shù)據(jù)比其他階段具有更好的模型預(yù)測(cè)效能,對(duì)患者運(yùn)動(dòng)處方的指導(dǎo)價(jià)值也更高。喬秋婷[35]基于遺傳算法與樸素貝葉斯分類(lèi)算法構(gòu)建了高血壓慢病風(fēng)險(xiǎn)因素評(píng)估模型和輔助決策系統(tǒng),其包含患者端、醫(yī)生端和服務(wù)端,其中,患者端的監(jiān)測(cè)數(shù)據(jù)可定時(shí)傳輸?shù)椒?wù)端;服務(wù)端進(jìn)行風(fēng)險(xiǎn)因素提取、疾病診斷和風(fēng)險(xiǎn)評(píng)估等計(jì)算,反饋到患者端和醫(yī)生端,并將體征數(shù)據(jù)傳輸?shù)结t(yī)生端;醫(yī)生端可及時(shí)給予建議并制定健康指導(dǎo)方案。同樣地,通過(guò)物聯(lián)網(wǎng)技術(shù)和語(yǔ)義網(wǎng)技術(shù)也能自動(dòng)監(jiān)測(cè)慢病患者的健康狀況,并推薦相應(yīng)的飲食和藥物[36]。CHIANG等[37]利用家庭血壓監(jiān)測(cè)、可穿戴設(shè)備和特征性信息技術(shù)采集血壓升高或1級(jí)高血壓患者的血壓數(shù)據(jù),同時(shí)基于機(jī)器學(xué)習(xí)隨機(jī)效應(yīng)模型構(gòu)建個(gè)體化的血壓模型并識(shí)別相關(guān)生活方式影響因素,從而為患者改善不良生活方式提供指導(dǎo);結(jié)果發(fā)現(xiàn),指導(dǎo)組患者的收縮壓和舒張壓分別降低了3.8、2.3 mmHg,而非指導(dǎo)組分別降低了0.3、0.9 mmHg。該研究提示,使用可穿戴設(shè)備監(jiān)測(cè)和機(jī)器學(xué)習(xí)模型預(yù)測(cè)可給予精確化、個(gè)體化的生活方式建議和指導(dǎo),改善早期高血壓患者的血壓水平。可視化的機(jī)器人聊天架構(gòu)可以滿(mǎn)足患者對(duì)數(shù)據(jù)存儲(chǔ)、遠(yuǎn)程監(jiān)測(cè)和服藥提醒的需求[38-39]。采用Android平臺(tái)的高血壓監(jiān)測(cè)預(yù)警系統(tǒng)能分析與處理用戶(hù)多個(gè)時(shí)段的生理健康數(shù)據(jù),將血壓、心率異常值及時(shí)發(fā)送給用戶(hù),實(shí)現(xiàn)了血壓和心率監(jiān)測(cè)、智能預(yù)警以及健康教育、健康指導(dǎo)等功能,為高血壓高危人群的防治前移提供了有力支持[40]。基于人工智能的慢病管理能輕松融入患者的生活,帶來(lái)良好的服務(wù)體驗(yàn),并有望成為家庭護(hù)理醫(yī)療的重要手段。

3.3 人工智能用于高血壓治療領(lǐng)域的展望

未來(lái)高血壓治療領(lǐng)域很可能發(fā)生質(zhì)的飛躍,借助納米技術(shù)、時(shí)間治療學(xué)和3D打印聯(lián)合技術(shù),降壓藥物能實(shí)現(xiàn)精確釋放,增強(qiáng)高血壓治療的精準(zhǔn)性、實(shí)時(shí)性、個(gè)體化[41]。人工智能電話(huà)隨訪(fǎng)可提高高血壓的治療依從性、知曉率,減輕臨床醫(yī)生的工作負(fù)擔(dān)、提高隨訪(fǎng)效率、提高醫(yī)療服務(wù)水平和改善服務(wù)體驗(yàn)。應(yīng)用語(yǔ)音智能外呼系統(tǒng)開(kāi)展批量化的社區(qū)高血壓患者健康管理、依從性和滿(mǎn)意度調(diào)查,并與慢病管理系統(tǒng)信息共享,能實(shí)現(xiàn)數(shù)字化管理,一方面可顯著提高家庭醫(yī)生的高血壓管理效率和治療規(guī)范性;另一方面,增強(qiáng)了患者的高血壓自我管理能力和治療依從性,實(shí)現(xiàn)了個(gè)體化治療,也增強(qiáng)了患者對(duì)家庭醫(yī)生服務(wù)的獲得感、滿(mǎn)意度和就醫(yī)黏性[42]。

4 小結(jié)

人工智能化大數(shù)據(jù)管理聯(lián)合基因組學(xué)、遺傳學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué),實(shí)現(xiàn)了多來(lái)源、多層面、多元化、多類(lèi)型、多格式海量健康醫(yī)療數(shù)據(jù)的融合和共享,打造高血壓深層數(shù)據(jù)挖掘分析平臺(tái),將改變對(duì)EH病理生理機(jī)制和繼發(fā)性高血壓病因的認(rèn)識(shí),加深對(duì)隱匿性高血壓的理解,改變現(xiàn)有的高血壓診斷模式,甚至影響目前對(duì)于高血壓流行病學(xué)的認(rèn)識(shí)。這有利于進(jìn)一步研發(fā)精準(zhǔn)、可控的靶向藥物,構(gòu)建更加完善的高血壓臨床輔助決策工具,改變高血壓傳統(tǒng)用藥模式,真正向精準(zhǔn)醫(yī)學(xué)邁進(jìn)。此外,還可以整合患者既往碎片化的臨床信息,建立高血壓人群完備的個(gè)人電子健康檔案,并以此為基礎(chǔ)構(gòu)建東方人群的高血壓醫(yī)學(xué)數(shù)字資源數(shù)據(jù)庫(kù)和信息資產(chǎn),對(duì)患者進(jìn)行分層、分型和細(xì)化管理,動(dòng)態(tài)實(shí)時(shí)評(píng)估治療效果,使用信息化技術(shù)進(jìn)行批量隨訪(fǎng)和平臺(tái)交互,實(shí)現(xiàn)高血壓的云服務(wù)閉環(huán)管理。通過(guò)采取上述舉措,將節(jié)省大量醫(yī)療資源,降低醫(yī)療成本,優(yōu)化醫(yī)療資源的配置和利用。在此基礎(chǔ)上,建立有效的分級(jí)診療制度,突破地域限制,提高公共衛(wèi)生服務(wù)均等化效率,真正實(shí)現(xiàn)“以患者為中心”的管理模式,使高血壓診治水平實(shí)現(xiàn)質(zhì)的飛躍。

但是,人工智能評(píng)估高血壓的準(zhǔn)確性和輔助治療決策的有效性仍有待提高,需進(jìn)一步加強(qiáng)大數(shù)據(jù)支持和相關(guān)研究,在不同文化程度、年齡層次的人群中使用不同的方法,同時(shí)提高患者的配合度和接受度,拓展多種場(chǎng)景下的人工智能應(yīng)用,增加人工智能標(biāo)準(zhǔn)化中心認(rèn)證,開(kāi)展社區(qū)和全民教育,從而建立高血壓等多種慢病管理的新模式。人工智能聯(lián)合藥物基因組學(xué)無(wú)疑能使高血壓的個(gè)體化治療更為精準(zhǔn),但目前仍處于初步探索階段,面臨數(shù)據(jù)隱私、標(biāo)準(zhǔn)化、倫理、準(zhǔn)確性、監(jiān)管等方面的諸多挑戰(zhàn)。