《Blood Pressure》：Impact of artificial intelligence-assisted health management on blood pressure and self-management efficacy in older adults with hypertension
编辑推荐：
**目的** 本研究旨在检验人工智能（AI）辅助健康管理对老年高血压患者血压控制及自我管理效能的影响。
**材料与方法** 将200例高血压患者随机分配至常规照护组（接受常规健康管理）或干预组（接受AI辅助健康管理，包括智能监测、早期预警和主动干预等方面）（
**目的** 本研究旨在检验人工智能（AI）辅助健康管理对老年高血压患者血压控制及自我管理效能的影响。
**材料与方法** 将200例高血压患者随机分配至常规照护组（接受常规健康管理）或干预组（接受AI辅助健康管理，包括智能监测、早期预警和主动干预等方面）（每组n=100）。主要结局指标包括血压控制率（<140/90 mmHg）以及收缩压（SBP）和舒张压（DBP）。次要结局指标包括生活方式行为的改善情况、高血压知识水平（采用高血压知识水平量表，HK-LS）、自我管理效能（采用高血压患者自我管理行为评定量表，HPSMBRS）、用药信念（采用改良用药信念问卷，BMQ）、生活质量（采用简明健康调查量表，SF-12，包含躯体健康总评（PCS）和心理健康总评（MCS））以及对管理服务的满意度（采用客户满意度问卷-8，CSQ-8）。
**结果** 经过为期1年的干预后，干预组在血压控制率上高于常规照护组（88.66% vs. 64.89%），其SBP（128.49 ± 6.63 vs. 135.38 ± 7.31 mmHg）和DBP（77.49 ± 6.07 vs. 81.84 ± 5.44 mmHg）均更低（均P < 0.05）。此外，干预组在吸烟行为改变、饮酒行为改变、低盐低脂饮食依从性以及规律运动达标情况方面均表现出更优的改善，并且在HK-LS、HPSMBRS、改良BMQ、PCS和MCS以及CSQ-8上的得分均更高（均P < 0.05）。
**结论** AI辅助健康管理能够改善老年高血压患者的血压控制，并提升其自我管理能力、生活质量和服务满意度。
**通俗语言总结** 与常规照护组相比，AI辅助健康管理显著改善了老年高血压患者的血压控制（88.66% vs. 64.89%），并促进了更健康的生活方式行为，包括吸烟行为改变（69.23% vs. 43.24%）、饮酒行为改变（91.30% vs. 40.91%）、低盐低脂饮食依从（77.32% vs. 58.51%）以及规律运动达标（59.79% vs. 44.68%）。此外，该管理模式还提升了患者的疾病知识认知水平、自我管理效能、用药信念、生活质量和服务满意度。
**一、研究背景与问题提出**
高血压是全球范围内患病率最高的可干预心血管疾病及致残危险因素之一。尽管药物治疗是血压控制的基石，但越来越多证据表明，生活方式干预在高血压预防与辅助治疗中具有不可替代的作用。国际高血压指南一致推荐限制钠盐摄入、增加钾摄入、采用DASH饮食（富含水果、蔬菜和低脂乳制品的饮食模式）、规律有氧运动、控制体重以及限制饮酒等非药物措施。然而，高血压起病隐匿且需终身管理，长期血压控制在很大程度上依赖患者的自我管理能力（如服药依从性、家庭血压监测、健康饮食维持和规律体力活动）。在初级保健实践中，高血压诊疗往往侧重于通过预防策略和药物启动或滴定来降低心血管风险，而对患者自我管理技能的系统性支持仍显不足。
数字健康干预（包括远程医疗、移动健康（mHealth）和可穿戴设备）为解决上述缺口提供了有前景的途径。血压远程监测是高血压管理中最广泛实施的远程医疗方式，可将家庭和社区环境中获取的血压读数传输至医疗机构以供审阅和随访。与此同时，中国正在推进慢性病健康管理，探索将互联网、云计算、大数据和物联网（IoT）与传统医疗服务相结合的前瞻性模式。然而，尽管数字健康取得了显著进展，关于人工智能（AI）在高血压自我管理中的具体应用证据仍处于积累阶段。新近研究显示，AI赋能的自我管理工具可提供持续监测、个体化风险预测、自动化行为支持和临床医生联动，较传统数字健康方法具有潜在优势。老年高血压患者面临独特挑战：常合并多种复杂共病（如糖尿病、冠心病）、生理功能减退，可能伴有认知功能下降，导致对复杂药物方案和生活方式干预的依从性波动更大；此外活动能力受限妨碍其及时获得持续的临床支持与指导。因此，针对老年人群开展专门研究尤为重要。基于此，本研究旨在检验AI辅助健康管理模式对老年高血压患者的综合效应，重点关注血压控制和自我管理效能。
**二、研究设计与主要技术方法**
本研究为随机对照试验（RCT），于2022年5月至2024年1月在云南省第一人民医院纳入接受诊疗的老年高血压患者。纳入标准包括：年龄≥60岁；依据《中国高血压防治指南（2018年修订版）》诊断为原发性高血压且病程≥6个月；意识清楚、具备完成问卷评估的阅读理解和沟通能力；预期在当地居住至少1年；拥有并能操作智能手机或配备智能交互设备的家庭终端；自愿参加并签署书面知情同意。排除标准包括继发性高血压、重要器官严重功能障碍（如纽约心脏协会（NYHA）III–IV级心力衰竭或终末期肾病）、恶性肿瘤、严重精神障碍或认知障碍、正在参与其他类似疾病管理项目、长期酗酒或物质滥用、严重视听觉障碍等。样本量经PASS 2020软件估算，两组独立比例比较最少需每组62例，考虑不超过20%的脱落率并为进一步提高统计效能和人群代表性，最终扩大至每组100例、共200例。采用Microsoft Excel随机数生成法按1:1比例随机分组，使用按顺序编号、密封、不透明信封进行分配隐藏。结局评估者和数据分析者设盲，患者不设盲。常规照护组接受由高血压科或老年医学科标准化医护团队提供的常规健康管理，包括每1–3个月的门诊随访与临床评估、标准化健康教育（口头宣教与纸质材料）以及被动随访支持，管理时长1年。干预组在常规健康管理基础上，接受通过医院开发的"老年高血压AI辅助管理平台"实施的系统性整合AI辅助健康管理方案，包含五个核心组件：①AI辅助基线评估与数字画像（利用自然语言处理（NLP）技术和算法模型结构化采集病史、生活方式行为及服药障碍信息，自动生成含风险分层的初始数字健康档案）；②个体化干预方案生成与自动化推送（AI引擎自动生成"健康任务包"，通过文字、图片和语音形式每日或每周推送智能服药提醒、定制饮食指导、适龄运动建议和简明教育内容，并根据反馈动态优化）；③智能监测、早期预警与主动干预（配备认证智能血压计，家庭血压自动同步至平台，AI系统持续分析血压趋势并在漏测、超阈值或明显波动时自动触发警报，由专职护理人员通过电话或视频进行主动干预，形成"监测–预警–人工干预"闭环）；④AI增强的医患沟通与患者赋能（平台内嵌AI健康助手提供24小时自动应答，复杂问题自动升级至主治医师；医师利用语音输入和AI辅助病历摘要工具提高随访记录效率）；⑤数据驱动的结构化随访与干预优化（每次门诊前系统自动生成包含近期血压趋势、任务完成率和患者报告问题的结构化摘要报告，辅助医师快速掌握病情并调整策略）。主要结局为血压控制率及收缩压（SBP）和舒张压（DBP），采用经校准的电子血压计（OMRON HEM-7136）在标准化条件下测量右上臂，取三次连续读数均值；血压控制定义为诊室SBP < 140 mmHg且DBP < 90 mmHg。次要结局包括生活方式行为改善（吸烟行为改变率、饮酒行为改变率经自我报告结合尿液可替宁和尿液乙基葡萄糖醛酸苷生化验证，低盐低脂饮食依从率和规律运动达标率为自我报告）、高血压知识水平（HK-LS，22个条目、6个维度）、自我管理效能（HPSMBRS，33个条目、6个维度，5级Likert评分）、用药信念（中文版改良BMQ，10个条目，含必要性（BMQ-necessity）和顾虑（BMQ-concerns）两个维度）、生活质量（SF-12，聚合为PCS和MCS）以及管理满意度（CSQ-8）。统计分析采用SPSS 27.0软件，连续变量经Shapiro–Wilk检验判断分布，非正态分布变量以中位数和四分位间距[M (P25, P75)]表示并采用Mann–Whitney U检验进行组间比较、Wilcoxon符号秩检验进行组内比较；正态分布变量以均数±标准差（SD）表示，方差齐性经Levene's检验评估，组间比较采用独立样本t检验或Welch t检验，组内比较采用配对样本t检验；分类变量以例数和百分比[n (%)]表示，采用卡方检验或Fisher精确检验。均采用双侧检验，P < 0.05为差异有统计学意义。
**三、研究结果**
**研究参与者**：研究开始时共纳入200例患者并随机分配至干预组和常规照护组各100例，两组基线人口学和临床特征无差异（P > 0.05）。1年干预随访期间共9例患者终止参与，总脱落率为4.50%，其中常规照护组6例、干预组3例。最终干预组97例、常规照护组94例的数据纳入最终分析。实际脱落率低于样本量计算时预设的20%，两组脱落率无差异（P > 0.05）；完成研究者与退出者在年龄、性别和病程等关键变量上无显著差异（P > 0.05）。
**血压控制结局**：干预1年后，干预组血压控制率高于常规照护组（P < 0.05）。基线时两组SBP和DBP相当（P > 0.05）；干预后两组SBP和DBP均下降，且干预组干预后SBP和DBP值低于常规照护组（P < 0.05）。
**生活方式行为改善**：干预1年后，干预组吸烟行为改善率和饮酒行为改善率高于常规照护组，低盐低脂饮食依从性和规律体力活动达标率亦高于常规照护组（P < 0.05）。
**高血压知识认知水平**：干预前两组HK-LS总分无差异（P > 0.05）；1年干预后两组HK-LS总分均升高，干预组干预后HK-LS得分高于常规照护组（P < 0.05）。
**自我管理效能**：基线时两组HPSMBRS总分无显著差异（P > 0.05）；1年干预后两组自我管理效能均改善、HPSMBRS得分升高，干预组干预后HPSMBRS得分高于常规照护组（P < 0.05）。
**用药信念**：干预前两组BMQ总分无差异（P > 0.05）；1年干预后两组BMQ总分均升高，干预组干预后BMQ得分高于常规照护组（P < 0.05）。
**生活质量**：两组基线PCS和MCS得分相当（P > 0.05）；1年干预后两组PCS和MCS得分均升高，干预组干预后PCS和MCS得分高于常规照护组（P < 0.05）。
**管理满意度**：1年随访时，干预组CSQ-8总分高于常规照护组，表明对高血压管理服务的满意度更高（P < 0.05）。
**四、讨论与结论**
讨论部分指出，与单纯常规健康管理相比，在常规照护基础上实施AI辅助健康管理在老年高血压患者中取得多维度的显著改善：临床指标层面，干预组血压控制率更优、SBP和DBP更低；行为层面，干预组在吸烟、饮酒、饮食和体力活动等关键生活方式因素上呈现更明显的有利转变；心理社会层面，干预组在疾病知识（HK-LS）、自我管理效能（HPSMBRS）、用药信念（BMQ）和生活质量（PCS和MCS）得分上显著更高；患者体验层面，干预组对管理服务的满意度也显著更高。作者将本研究结果与多项已发表报告相互印证，包括基于智能健康促进系统和微信的数字行为干预降低SBP、基于可穿戴设备的慢性病管理平台改善血压控制率与服药依从性等。作者强调，本研究AI干预的效果不能简单归因于远程监测单一组件：生活方式行为的大幅改善提示行为触发和健康教育组件（组件2和4）具有独立效应；知识、自我管理效能和用药信念的多维提升更可能与AI辅助个体化任务推送和24小时智能应答（组件4）相关；数据驱动的结构化随访报告（组件5）则优化了医患互动效率。因此，观察到的效果很可能是五个组件协同作用的结果。自我管理理论框架为上述机制提供了阐释视角：持续数据采集与实时分析（组件3）强化患者自我监测行为，个体化任务推送与适应性行为提示（组件2和4）直接针对行为自我管理，结构化随访报告（组件5）通过赋能临床决策间接支持患者自我调节过程。
作者同时承认若干局限性：第一，由于干预实施的实用性特征，无法对参与者和照护提供者设盲，可能在一定程度上引入检测偏倚和期望效应；第二，未系统记录两组医患接触的总频率和时长，无法完全排除干预组因获得更多关注而获益的可能（即霍桑效应）；第三，饮食和体力活动等生活方式行为变化依赖患者自我报告，虽采用结构化问卷收集，仍易受社会期望偏倚和回忆偏倚影响；第四，本研究为单中心研究，鉴于中国老年人在健康素养、数字素养和社会支持网络方面的独特性，将结果推广至其他地区、医疗体系和文化背景时应谨慎；第五，本研究入组人数超过最初计算的样本量，虽最终数量在伦理委员会批准的最大范围内且未改变研究方案或知情同意书，但超出预设样本量仍可能引发关于科学必要性和风险最小化的伦理关切。未来研究可通过"注意力匹配"的随机对照试验（如等频率和时长的非AI随访或假反馈）将AI算法效应与照护注意力分离，采用析因或组件RCT设计量化各组件独立及交互贡献；采用混合方法研究（如半结构化访谈或焦点小组）探讨老年患者对AI工具的可接受性、障碍和依从模式；未来平台可整合多模态数据（如动态血压、可穿戴心电图、睡眠监测、语音情绪识别）构建老年智慧慢病照护生态，但临床推广需严格的监管审批和伦理审查以保障患者安全和数据隐私；未来研究应审慎考虑样本量计算，确保任何超出初始目标的额外入组在实施前获得前瞻性论证和伦理委员会批准。
**研究结论（译文）**：总之，本研究证明，在常规照护基础上实施AI辅助健康管理可改善老年高血压患者的血压控制，增强疾病相关知识和自我管理效能，优化用药信念，改善生活质量，并提高患者对管理服务的满意度。本研究为AI技术在老年人群慢性病管理中的应用提供了初步证据。在数字医疗快速发展的背景下，AI辅助健康管理有望成为传统高血压管理模式的宝贵补充，为以患者为中心、精准且连续的慢性病照护提供新的技术支撑。
