人工智能在高血压诊疗中的应用进展总结2026

人工智能在高血压诊疗中的应用进展总结2026高血压是一种现代社会普遍存在的慢性疾病，世界上约30%的人口存在患病风险。近年来，尽管人们对高血压的重视程度有所提高，但高血压及其并发症的控制仍然是一个重大的全球公共卫生问题。为了降低心血管疾病的发生风险，高血压的预防和控制是必不可少的［1］。目前，仍有很多人对自己的血压状况并不了解，高血压患者的知晓率约为50%，高血压患者的治疗率仅有40%，能够有效控制血压的比例更是低至16%［2-3］。而人工智能（artificialintelligence，AI）技术为高血压的诊治带来了重大技术革命，其重新定义了高血压诊疗的途径［4］。相较传统诊疗方法，AI技术在高血压诊疗中具有诸多优势，主要体现在精准预测与风险评估、药物管理与确定个性化治疗方案等方向上。本文基于AI在辅助高血压诊疗中的应用进展综述如下。1AI简介AI技术指通过计算机程序来模拟，进而实现人类智能的技术和方法。机器学习（machinelearning，ML）和深度学习（deeplearning，DL）是AI的两种常见子类型［5］。其中，ML是一种让计算机系统通过使用算法和统计模型来自动学习并改善自身性能的方法，是对处理大型数据集和变量的传统统计方法的扩展。它可以通过输入大量数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。常用的模型包括逻辑回归（Logisticregression，LR）、决策树（decisiontree，DT）、随机森林（randomforest，RF）、支持向量机（supportvectormachine，SVM）、朴素贝叶斯（naiveBayes，NB）、K近邻（K-nearestneighbors，KNN）等。DL是ML的一个子集，它使用神经网络模型来学习和表示数据，主要包括深度神经网络（deepneuralnetwork，DNN）、卷积神经网络（convolutionalneuralnetwork，CNN）、循环神经网络（recurrentneuralnetwork，RNN）、长短时记忆（longshort-termmemory，LSTM）等［6］。这些网络能够自动从数据中学习特征的层次结构，从而实现对复杂数据的准确分析和处理。2AI在高血压领域的应用进展目前，随着AI技术的不断发展，各种算法在医学上已得到了广泛的应用，如疾病预测、疾病分类、医学图像识别等。同时，研究发现AI有潜力参与高血压临床实践的各个方面，包括血压测量、高血压诊断、预测和管理等［7］。例如，通过AI算法分析患者的血压、基线数据、生化指标及生活习惯等，判断可能影响血压升高的危险因素，预测患者出现高血压风险的概率［8］；基于算法分析患者的基线数据和生化指标，从而推断高血压患者可能出现的各种并发症，为早期干预治疗提供指导［9］；此外，还可以通过构建AI模型，综合考虑患者的年龄、性别、遗传背景、并发症等因素，为每位高血压患者定制个性化的药物组合、剂量以及生活方式调整方案［10］。因此，随着技术发展，AI将在高血压领域发挥更大的作用，为患者提供更为高效、便捷、精准的医疗服务。2.1AI在动脉血压测量中的应用AI技术能基于大量数据构建血压与其他指标参数间的关系，并通过这种关系有效预测血压值，相较于传统的统计学方法，其面对高维度、高复杂性的数据时能够展现出更强的处理能力。相关学者在动脉血压（arterialbloodpressure，ABP）测量方面已开展相应的研究，Qiu等［11］提出了一种基于光容积描记图（photoplethysmography，PPG）和心电图（electrocardiogram，ECG）的血压预测模型，通过加入CNN模块和压缩与激励（SE）模块提升了图像的特征提取能力，提高了血压预测的准确性。相较于Qiu等［11］，Esmaelpoor等［12］提出了一种多层DNN血压预测模型，首先使用CNN提取PPG片段的局部形态特征完成血压的初始预测，再利用LSTM确定PPG信号的时域变化来提升预测的准确性。结果表明，该模型的性能在英国高血压协会（BHS）标准下达到A级，并达到了美国医疗器械进步协会（AAMI）标准。Wang等［13］采用多锥度方法提取PPG的代表性特征，模型平均绝对误差收缩压为（4.02±2.79）mmHg，舒张压为（2.27±1.82）mmHg。Chen等［14］采用支持向量回归方法构建了连续血压估计模型，通过选取14个血压相关特征来预测收缩压和舒张压，并利用遗传算法进行参数优化。结果表明，模型的收缩压误差为（3.27±5.52）mmHg，舒张压误差为（1.16±1.97）mmHg。Slapnicar等［15］构建了DNN模型，通过分析MIMIC-Ⅲ数据库中PPG和ABP波形图预测血压值，结果表明，该模型预测的收缩压和舒张压的平均绝对误差分别为9.43mmHg和6.88mmHg。但单个PPG传感器的血压估计可能只适用于单次血压测量，而对连续血压监测的适用性有限。血压测量的AI模型对比见表1。表1血压测量人工智能模型对比注：CNN，卷积神经网络；SE，压缩与激励；LSTM，长短时记忆；MTM，多锥度方法；SVR，支持向量回归；DNN，深度神经网络；PPG，光容积描记图；ECG，心电图针对智能穿戴设备在高血压中的应用，Devaki等［16］提出了一种基于智能手机摄像头的无创高血压诊断模型，从脉搏波形的15个特征中筛选出7个高相关性特征，并利用神经网络实现。结果表明，高血压预测模型的准确率达83.3%，同时，通过该方法测得的脉率与脉搏血氧仪的检测结果无统计学差异（Student's

t检验，P=0.6），一致性良好。Chandrasekhar等［17］提出了一种基于智能手机的无袖带血压监测方法，基于视觉反馈与压力传感器关系预测收缩压和舒张压。结果表明，该方法收缩压的测量误差为3.3mmHg，舒张压误差为5.6mmHg。此外，AI技术也可以应用于无创中心动脉压监测。Freilinger等［18］基于AI桡动脉脉搏波分析（AI-PWA）并结合改良Westerhof血管模型来估算主动脉血压，通过对47例主动脉缩窄术后患者脉搏波数据的分析，发现主动脉血压显著低于外周血压（P<0.001），依据外周血压可能高估高血压风险，但样本量较小，仍需进一步验证。综上，AI技术能够根据患者的生物医学指标训练血压预测模型，从而反映患者的血压变化趋势，为医生提供辅助诊断依据，提升诊疗效率。2.2AI在高血压发病风险预测中的应用传统的预测方法大多依据单一指标来进行判断，预测结果容易出现较大偏差，而ML技术能综合分析多种因素，提高预测的精准度。相关预测数据大致可以归为三类：一是基础指标，涵盖生化指标、基本信息等临床特征；二是特定图像信息，如视网膜图像、咽部图片等；三是基因组学数据以及特殊的生物标志物。基础指标具备获取成本低、数据量大的优势，研究人员多采用普通人口学和常见指标作为模型训练的数据集，主要包括：人口统计学信息（种族、年龄、吸烟情况、体质指数、经济情况）、体检指标（个人病史、生活方式、人体测量值、生化测量值）、用药史等。并基于一种或多种ML/DL算法［LR、RF、极端梯度提升（eXtremeGradientBoosting，XGBoost）、人工神经网络（artificialneuralnetwork，ANN）、CNN、SVM、门控循环单元（gatedrecurrentunit，GRU）、LSTM、AutoPrognosis算法、贝叶斯网络（Bayesiannetwork，BN）］构建隐匿性/原发性的高血压预测模型，训练过程一般将数据分为训练组和验证组［19-29］。经过对比发现，采用RF模型［19,26,29］的准确性最好，XGBoost模型［19,22,24］的预测准确性也表现不俗。各模型受试者工作特征曲线下面积（areaunderthecurve，AUC）在0.673～0.992之间。其中，Hung等［19］基于LR、RF、XGBoost和ANN算法，分别建立了隐匿性高血压和隐匿性未控制高血压的预测模型，预测变量选用了门诊可获得的临床特征，包括：人口统计学信息、血压数据、降压药物使用情况以及生化指标等。结果表明，RF、XGBoost和ANN模型的AUC明显高于LR模型。基础指标相对容易获取，但采用基础指标训练高血压风险预测模型存在相关性模糊的问题，需要进一步验证指标与高血压相关性。特殊的图像信息相较于基础指标可以有效减少因手动测量而产生的主观误差，但数据获取难度较大。Zhang等［30］和Baharoon等［31］基于视网膜眼底照片分别开发了一种预测高血压的DL模型（DNN模型和多模态DL系统HyMNet）。分析发现，眼底图像可以无创地检测出慢性疾病的早期微循环变化。DNN模型预测高血压的准确率为68.8%，AUC为0.766；HyMNet模型的F1分数为0.771，AUC为0.705。类似的，咽部图像也可能会提供高血压患者的特征信息。Yoshihara等［32］构建了多实例CNN模型，旨在通过咽部图像来识别高血压患者。数据集为日本多家初级保健诊所7710例流感患者的24779幅咽部图像及人口统计学信息，结果表明，该模型的AUC达0.922，显著优于仅包含人口统计学信息的基线预测模型。基因组学、特殊的生物标志物可更直接地揭示高血压的病理生理机制。Pei等［33］利用SVM构建了一个原发性高血压的风险预测模型，模型的开发基于9组环境因素和12组遗传因素，选取了1200个样本进行训练。结果显示，基于拉普拉斯核函数的模型对高血压风险的预测效果高于径向基核函数，同时考虑环境和遗传因素的模型比只考虑单一因素的模型具有更好的性能，其敏感度和特异度分别为63.3%和86.7%，准确率达80.1%。Sekaran等［34］采用代谢组学技术建立了6种高血压标志物的ML识别模型，数据源于224例卡塔尔高血压患者以及554例健康对照组生物样本代谢物。分析结果表明，香草扁桃酸、N-硬脂酰鞘氨醇与高血压存在显著关联，轻量级梯度提升机（LGBM）模型的准确率最高，达78.13%；NB最低，约为68.30%。Al-Alusi等［35］开发了一种基于DL的数字生物标志物HTN-AI模型，可从ECG中诊断高血压并评估心血管事件风险。模型训练数据采用麻省总医院超过10万例患者，并且外部验证选用布莱根妇女医院5万余例患者的数据。结果表明，HTN-AI训练集和验证集的AUC分别为0.803和0.771。Louca等［36］通过XGBoost算法整合多模态数据来识别血压调节的关键特征，数据来自TwinsUK库4863组以及卡塔尔生物库2807组的代谢组学、基因组学、生化和饮食指标，结果表明，代谢组数据（二高-γ-亚麻酸、顺-4-癸烯酰肉碱、乳酸、氯化物、尿酸和肌酐）对血压的影响最大，其次是饮食数据（脂肪摄入量），而基因组数据对血压的影响较小。上述高血压发病风险的预测模型对比见表2。表2

高血压发病风险人工智能预测模型对比注：LR，逻辑回归；RF，随机森林；XGBoost，极端梯度提升；ANN，人工神经网络；SVM，支持向量机；ANN，人工神经网络；GRU，门控循环单元；LSTM，长短时记忆；ML，机器学习；NB，朴素贝叶斯；REPtree，约简误差剪枝决策树；CNN，卷积神经网络；Bayes，贝叶斯；LB，逻辑斯蒂提升算法；BN，贝叶斯网络；LWB，局部加权贝叶斯算法；DNN，深度神经网络；MMDL，多模态深度学习；MI-CNN，多实例卷积神经网络；KNN，K近邻；LGBM，轻量级梯度提升机；HTN-AI，高血压-人工智能；SPRINT试验，收缩压干预试验；AUC，受试者工作特征曲线下面积国内外学者基于多种算法建立模型，并采用多种与高血压相关的特征指标对其进行训练并验证，在高血压预测和早期诊断方面取得了一定的成果，为挖掘高血压病症的潜在规律，揭示其发病机制提供了新的视角。2.3基于AI算法规划高血压最佳治疗途径AI算法可以优化高血压诊疗流程，为患者提供个性化的治疗方案。Herzog等［37］开发了一个用于预测高血压患者最优治疗方案的DNN模型，其数据来自梅奥诊所的17917例高血压患者，涵盖了血压值、降压药物、人口统计学特征及血液测量值等指标。结果显示，该模型验证集的精确度为51.7%、召回率达44.4%、F1分数为47.8%，与医生的实际治疗决策相比，一致性达77.9%。Ye等［38］构建了一个预测高血压治疗效果的DL模型，用于评估不同治疗方案实现血压控制的几率。模型基于RNN中的LSTM和双向LSTM（Bi-LSTM）方法建立，采用电子健康记录数据库245499例患者的数据对模型进行训练、验证和测试。研究发现，LSTM和Bi-LSTM模型均获得了较高的精确度、召回率和F1分数，实现结果与预测结果一致性较好。与Bi-LSTM相比，LSTM模型的计算成本更低，作为临床决策支持工具最为合适。Hae等［39］基于SVM、KNN和CatBoost等算法采用人口统计学信息、血液生化数据、24h动态血压监测（ambulatorybloodpressuremonitoring，ABPM）基线数据、基线ABPM期间使用的降压药物等特征创建了高血压治疗效果的预测模型。模型将韩国蔚山大学医学院附属峨山医院电子病历1129例患者ABPM数据按3∶1∶1的比例随机分配到训练、验证和测试组。结果表明，CatBoost预测治疗后的动态血压水平最优，其预测数值与ABPM测量的收缩压和舒张压数值差异分别为（8.4±7.0）mmHg和（5.3±4.3）mmHg。Liu等［40］采用递归特征消除（recursivefeatureelimination，RFE）算法和Lasso回归方法分析了厄贝沙坦、美托洛尔、非洛地平、氨氯地平、左旋氨氯地平5种常用降压药的作用效果与15个临床特征的关系。研究发现，不同临床特征对于影响各降压药疗效的权重不同，其中肌酐和胱抑素C水平所占的权重最大。然而每种药物的实际数据量有限，尚不足以支持大规模的数据分析，未来需要纳入和分析更多的临床特征和样本药物，以更好地了解临床特征与降压药物之间的关系。与Liu等［40］研究中所遇到的瓶颈类似，现阶段AI算法在规划高血压最优治疗路径时也存在同样的问题，即找到数量充足且契合模型要求的患者数据，需要付出较高的人力与时间成本。因此，可以从算法入手，借助模型自我扩充数据进行训练，有效降低训练成本，同时也为实际应用的落地创造条件。2.4AI在预测高血压患者预后中的应用基于ML、DL等算法可以构建复杂的AI模型，处理和分析海量的高血压患者基线数据与临床治疗数据，从而更准确地预判患者的预后走向，并向医生反馈更为精准的治疗建议。Paragliola等［41］提出了一种用以识别高血压患者中可能发生重大心血管事件（如心肌梗死、脑卒中等）的混合DL网络模型，其架构包括长期记忆信号、CNN与DNN。验证数据来源于SHARE数据库，其中包含接受至少12个月监测且具备不少于130个ECG数据的高血压受试者。研究结果表明，该模型的准确率与AUC分别达到了98%和0.98，敏感度与特异度也双双达到97%。Chang等［42］基于ML模型提出了一种高血压患者的预后预测方法，模型首先提取患者体检指标中的关键特征，再通过关键特征训练模型，从而预测预后走向。模型数据来自北京市某心血管医院高血压数据库，该数据包含132项体检指标。研究发现，带有交叉验证的RFE（RFECV）方法结合C4.5DT、RF和XGBoost可以获得较好的预测性能，其中，XGBoost-RFECV的预测精度最高，模型的准确率和AUC分别为94.36%和0.927。Wu等［43］构建了一个由RFE、XGBoost和10倍交叉验证组成的ML模型，用于年轻高血压患者的预后预测。采用508例年轻患者11个临床变量的组合数据训练模型，将模型与Cox回归和重新校准的Framingham风险评分模型进行对比后发现，该模型与Cox回归方法预测准确性相当，优于Framingham风险评分模型。Lacson等［44］利用RF算法建立了高血压患者预后预测模型，通过分析收缩压干预试验（SPRINT试验）数据，预测心血管不良结局的收缩压变异性特征。结果表明，该模型在测试集的AUC为0.71。最后确定了各个特征对于预后影响的重要性排序，发现具备时间变化特征的数据在预测心血管疾病预后方面具有重要价值。Hesar等［45］设计了一种可穿戴的表皮电子系统，用于持续监测ECG和地震心动图数据，同时开发了一种用于分析ECG和地震心动图参数的CNN模型。结果表明，该技术对预测高血压的预后有着良好表现，可用于对心血管疾病患者预筛选。Park等［46］创建了6种不同的ML模型来预测高血压患者心脑血管事件的风险，包括LR、SVM、DT、RF、LSTM和多层感知器。采用韩国国民健康保险服务（NHIS）数据库的12年纵向数据集中514866例患者的数据进行模型训练，并利用另一数据库进行外部验证。Liang等［47］