隨著人口結(jié)構(gòu)老齡化,，以及生活方式、飲食結(jié)構(gòu)等因素的變化,，我國的高血壓患病率逐年增加,。控制高血壓,、預防和治療并發(fā)癥已成為亟待解決的重大公共衛(wèi)生問題,。
隨著移動智能終端應用程序、電子化病歷系統(tǒng)等在臨床中的應用,，大數(shù)據(jù)和人工智能（AI）技術(shù)在高血壓和心血管疾病診治方面的應用日益受到關(guān)注,。
利用AI核心技術(shù) 為研究帶來新思路
高血壓的研究和診療工作面臨著諸多困難。近年來,，基因測序,、可穿戴設備等技術(shù)的進步和普及，使得大量特征數(shù)據(jù)產(chǎn)生,，對傳統(tǒng)的統(tǒng)計學分析方法提出了挑戰(zhàn),。近年來，以機器學習為代表的人工智能技術(shù)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(shù),，通過研究訓練數(shù)據(jù)集中給定變量之間的機制和關(guān)聯(lián)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(jīng)網(wǎng)絡算法模擬人腦進行模式識別,，對于大量的語音和圖像分析數(shù)據(jù)具有較強的處理能力。
以機器學習為代表的AI技術(shù)能夠建立更加精準的模型,，來預測高血壓的發(fā)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(tǒng)心血管危險因素的基礎上,，整合多組學,、社會經(jīng)濟、行為和環(huán)境因素等多種變量,，發(fā)掘新的危險因素,、臨床表型或干預靶點,，為發(fā)展個體化醫(yī)療提供重要工具。
隨著電子病歷系統(tǒng),、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(shù)的發(fā)展,，大量圖像數(shù)據(jù)和實時連續(xù)數(shù)據(jù)不斷積累,，應用DL技術(shù)分析大量數(shù)據(jù)，可以預測不良結(jié)果,、識別隱藏表型,，在心血管病精準醫(yī)學領域具有廣闊的應用前景。
大數(shù)據(jù)分析“添翼” 高血壓診斷獲突破
隨著可穿戴設備的成本降低和廣泛應用,，無袖帶血壓測量技術(shù)因為能進行連續(xù),、實時的血壓測量而受到關(guān)注。
現(xiàn)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(shù)）,、心電信號等變量，可根據(jù)光電容積脈搏波信號（PPG）對血壓進行較為準確的預測,。通過智能手機或智能手表等便攜式移動設備收集PPG信號,，并與AI算法結(jié)合，可便捷監(jiān)測血壓,。
近年來,，隨著24小時動態(tài)血壓和診室外血壓在高血壓診治中的地位不斷提高，經(jīng)AI技術(shù)優(yōu)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(huán)節(jié)是根據(jù)心血管疾病風險對患者進行分層?，F(xiàn)有的高血壓指南推薦,，根據(jù)經(jīng)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。由于預測精度有限,，上述模型對于年輕高血壓患者等特殊人群往往不適用，而利用傳統(tǒng)的統(tǒng)計學方法重新建模也較為困難,。
已有研究提示,，相比傳統(tǒng)統(tǒng)計學方法，應用機器學習算法能夠識別并納入新的因子,，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群中也能取得較好的預測效果，為高血壓預后建模提供新的方法,。
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(fā)的風險預測模型,，可根據(jù)電子病歷系統(tǒng)提供的人口學數(shù)據(jù),、體重指數(shù)、血壓,、合并癥和常規(guī)實驗室化驗結(jié)果,，預測高血壓患者血壓控制不佳的風險和發(fā)生時間。
助力高血壓防治 AI技術(shù)未來可期
AI在高血壓領域的研究目前仍處于早期探索階段,。機器學習,、深度學習等算法通過分析多模態(tài)的大數(shù)據(jù)資料，如人口學,、行為學數(shù)據(jù),，生命體征，傳統(tǒng)的心血管風險因素,，心血管影像,，環(huán)境和社會經(jīng)濟因素等，將有助于發(fā)現(xiàn)與高血壓發(fā)生和病理生理過程相關(guān)的新危險因素和作用機制,。
在健康人群中,，發(fā)現(xiàn)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,。
對于高血壓患者，通過整合可穿戴設備,、醫(yī)療大數(shù)據(jù)等技術(shù),，將有助于提高血壓測量便捷性，有助于高血壓的早期診斷,。通過整合各類預后和療效相關(guān)的變量,，重新分析既往的大型臨床試驗數(shù)據(jù)，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(jié)合智能醫(yī)療平臺提高患者知曉率、自我監(jiān)控,、健康行為和治療依從性,，有望實現(xiàn)對高血壓及心血管疾病全生命周期、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(tài),、大數(shù)據(jù)的電子數(shù)據(jù)庫將是AI研究的必要基礎,。此外，由于AI以提高預測精度為目標,，需要進行充分,、大規(guī)模的外部數(shù)據(jù)驗證，通過更多的臨床試驗,，評估AI技術(shù)指導下的高血壓診斷和治療方案的可行性及臨床獲益,。