《Hypertension Research》：Predicting measurement continuity in home blood pressure monitoring using machine learning
编辑推荐：
为破解“测着测着就消失”的家庭血压监测痛点，研究团队利用近300万条真实数据训练LightGBM模型，提前8周精准锁定“潜在脱漏”人群，AUC达0.851；发现最大收缩压（SBP）过高或过低均呈U形脱漏风险，为数字医疗时代高血压管理提供可落地的干预靶点。
清晨7点，手机弹出“该测血压了”的提醒，不少人却选择滑走——这不是懒惰，而是全球高血压数字化管理的共同困境：家庭自测血压（HBPM）坚持率不足25%，75%用户在一年内悄然“失联”。血压数据断流直接削弱干预效果，临床医生只能凭“经验”猜测谁将脱漏，低效且滞后。如何让算法替医生“盯人”，在患者彻底停测前就把他们拉回监测轨道？Asami Matsumoto团队在《Hypertension Research》发表的这项研究，给出了一个可复制的答案。
研究团队从欧姆龙Connect日本版App中提取2016-2023年295,758名用户、1.99亿条真实测量记录，构建了一个基于2周血压行为画像的“脱漏预警”模型。核心发现简洁却震撼：仅用14天数据，即可提前28天预测停用概率，AUC=0.930；提前56天预测，AUC仍高达0.851。更关键的是，模型把“谁会停测”翻译成可干预的语言——最大收缩压（SBP）呈U形风险曲线，工作日测量频率下降比周末更敏感，女性、未登记性别及30岁或≥60岁人群脱漏风险显著升高。
为了回答“谁会停测、何时停测”这一临床痛点，作者采用三项关键技术：①以“连续28天无记录”定义Inactive，基于180天无复测概率>80%确立金标准；②将每位用户时序数据切割为不重叠的14天窗口，提取68维测量行为特征（含频次、间隔、 weekday变化等），联合年龄、性别共70维输入LightGBM；③用SHapley Additive exPlanations（SHAP）实现特征归因，量化每个变量对脱漏风险的正负贡献。
研究结果部分，作者先给出人群画像：平均55.5岁，男性61.4%，中位随访370天，中位测量229次，基线SBP 127.8 mmHg。随后按预测性能、特征贡献、人群分层三步展开：
预测性能——图3a显示，随着预测 horizon（X）从28天延长到91天，LightGBM ROC-AUC由0.930单调降至0.780，显著优于逻辑回归；图3b给出X=56天的ROC曲线，AUC=0.851，临床可用性高。
特征贡献——图4a SHAP摘要显示，14天内测量天数（No. of days measured）贡献最大；其次为距末次测量天数、首两周测量次数、最大SBP及 weekday测量机会变化。图4b年龄依赖曲线呈U形：30岁左右与≥60岁风险峰值最高，且年轻女性风险远高于同龄男性。图4c最大SBP曲线同样呈U形：低于120 mmHg或高于150 mmHg均显著增加脱漏概率，提示“血压正常即放松”与“血压过高而恐惧”双重心理驱动停测。
人群分层——图5a累积脱漏率证实≤40岁与≥80岁呈双高峰；图5b女性脱漏快于男性，未登记性别者最快；图5c意外发现推送通知期脱漏率反而略高于无推送期，作者推测日历时间、用户构成及外部活动混杂，强调模型稳健性不受干预背景影响。
结论与讨论部分，作者指出：首次在百万级真实世界数据证实，短时间序列行为特征可精准预测家庭血压监测脱漏，最大SBP与工作日频率下降为可干预的新靶点；
