本文刊于：中华心血管病杂志, 2025, 53(10): 1164-1171
作者：杨乔西 褚楚 蔡军
单位：首都医科大学附属北京安贞医院高血压科 北京市心肺血管疾病研究所
高血压及其靶器官损伤是全球主要死亡和致残原因，当前面临知晓率低、个体化治疗不足等挑战。人工智能（AI）技术在高血压管理中展现变革性潜力，通过整合多维数据全面优化疾病风险评估并辅助临床决策，结合可穿戴设备和智能对话系统可以实现无创连续监测、智能化患者管理及诊疗方案个性化。然而AI的临床应用仍面临算法潜在偏移、可解释性不足和伦理风险等挑战，未来需攻克技术壁垒并完善监管体系以推动AI在高血压管理中的深入应用与发展。
随着数字化医疗转型的深入推进，人工智能（artificial intelligence，AI）技术逐渐融入现代医疗实践，为多种疾病的防控与管理带来新的可能。高血压作为全球疾病负担最重的非传染性疾病之一，在传统管理模式下的早期识别、精准治疗和长期随访等方面仍存在局限性。在此背景下，AI技术的迅速发展为高血压防控开辟了新途径。基于机器学习的多模态模型通过整合临床数据、组学信息和行为特征等多源数据，提高了高血压发病风险的预测准度；AI技术通过辅助心电图分析、识别新型生物标志物以及开发无创监测手段等拓展了高血压的筛查与诊断路径；个性化治疗推荐系统和智能临床决策支持工具提升了临床实践规范化水平。与此同时，可穿戴智能设备与远程监测技术正推动高血压管理向智能化转型；大语言模型和AI聊天机器人在患者教育与医患沟通中展现出潜力；AI技术还在药物研发、试验优化及数字孪生建模等方面助力研究范式创新。然而，AI技术在医疗领域的应用仍面临数据偏差、模型可解释性不足、伦理审查不到位等挑战。本文系统综述AI技术在高血压预测、诊断、治疗、管理及研究中的应用进展，分析其当前优势与局限，以期为未来研究与应用提供参考。
1.高血压：高血压作为全球死亡和致残的首要因素，因其症状隐匿被称为“沉默的杀手”，常导致心、脑、肾等重要靶器官损伤，显著增加脑卒中、冠心病等严重心血管事件风险。流行病学数据显示，高血压患病率不断攀升，根据世界卫生组织2019年全球高血压报告，全球高血压患者已达13亿例，其中约半数未被确诊 ［ 1 ］ 。血压控制率存在地域差异：美国达43.5%，日本为25%，而中国为14% ［ 2 ］ 。此外，2022年中国心血管健康与疾病报告显示，我国正常高值血压人群检出率为41.3%，对应人群规模约4.35亿 ［ 3 ］ 。这一数据凸显高血压已成为影响全球健康的重大公共卫生问题。
由于发病机制复杂且临床表现异质性高，高血压的早期识别面临诸多困难。长期血压升高可造成多器官损害，需通过超声心动图、肾功能评估、脑部影像学及眼底检查等手段进行综合评估。然而在医疗资源有限的发展中国家和地区，由于系统性筛查体系缺失、长期随访机制不健全，加之基层医疗机构诊疗能力有限，使得高血压的早期发现和规范管理面临严峻挑战 ［ 4 ］ 。
2.AI在医疗健康领域的应用：AI作为计算机科学的重要分支领域，致力于模拟和构建具有智能特征的实体系统 ［ 5 ］ ，其应用已逐步渗透到医疗健康的各个环节，展现出重要临床价值。
在疾病预测与诊疗方面，基于健康大数据的AI分析系统展现出应用前景。研究证实，这类系统可用于评估心血管疾病 ［ 5 , 6 , 7 ］ 和阿尔茨海默病等慢性疾病的发病风险、进展速度及预后［ 8 ］ 。此外，AI驱动的蛋白组学分析平台已初步鉴定出多种新型疾病生物标志物，为精准医学的发展提供了创新性技术支撑［ 9 ］ 。医学影像AI技术已在胃癌筛查［ 10 ］ 、胸部X光片诊断［ 11 ］ 、肺动脉高压影像学筛查［ 12 ］ 以及胎儿超声心动图先天性心脏病诊断［ 13 ］ 等多个专科领域开展探索性应用。在辅助诊断领域，AI医学检验、病理诊断系统［ 14 ］ 以及多模态整合技术［ 15 ］ 正协同发展，目前处于试验阶段，其对诊疗模式的影响仍需长期观察。此外，AI在临床支持系统中的应用显著提升了医疗效率，包括智能问诊［ 16 , 17 ］ 、智能化人机交互［ 18 ］ 和循证决策辅助［ 19 , 20 ］ 。在远程健康管理方面，可穿戴设备结合AI算法已应用于多种慢性疾病［ 21 , 22 , 23 ］ 与肿瘤患者［ 24 ］ 的管理。医药研发领域正经历AI驱动的范式转变，从临床试验设计实施［ 25 , 26 ］ 到新药发现［ 27 ］ ，AI技术正逐步参与到医药研发的全流程体系。
高血压传统管理模式因知晓率低、治疗方案缺乏个性化等问题面临挑战。在数字化转型背景下，AI技术有望为高血压管理提供新的解决路径——通过整合组学数据、临床指标、社会行为因素和环境特征等多维数据，构建智能化分析模型，在高血压的精准诊断、个性化治疗和长期健康管理方面展现出巨大的应用潜力 ［ 2 ］ 。
高血压疾病负担重且可导致严重的靶器官损害，建立有效的预测模型并提供精准治疗措施具有重要临床意义。
1.高血压发病风险预测：基于机器学习算法构建的高血压预测模型整合了多维数据［包括人口统计学特征（年龄、性别、种族）、临床指标（体重指数、血压数据、心率变异性）、社会经济学因素、生活方式参数及并发症情况等］ ［ 28 , 29 , 30 ］ 。研究表明其整体预测能力优于或等同于传统预测方法 ［ 31 , 32 ］ ，受试者操作特征曲线面积可达0.766~1.000 ［ 33 ］ 。一项纳入22项研究的系统评价证实基于多模态特征的高血压风险预测模型普遍表现良好，但临床转化应用仍需进一步验证 ［ 34 ］ 。
此外，AI预测模型的方法和数据维度持续创新，通过整合基因组学、蛋白质组学和代谢组学数据不仅能提升预测准确性，还可解析高血压分子机制并实现精准分型。研究表明，将多基因风险评分与传统危险因素结合可显著改善预测效果 ［ 35 ］ 。AIRE-HTN模型利用AI增强心电图技术可有效预测高血压发病风险，C指数达0.70（95% CI 0.69~0.71） ［ 36 ］ 。Soh等 ［ 37 ］ 开发的智能心电分析工具能自动分类高血压和正常的心电图信号，最高诊断准确率达97.70%。此外，基于人类声音的机器学习模型可识别数百种人耳无法辨别的声音生物标记，其预测女性高血压发病风险的准确率达84%，男性达77% ［ 38 ］ 。AI算法还可通过分析面部皮肤和手掌的5~30 s视频实现快速、非接触式血压筛查 ［ 39 ］ 。在特殊类型高血压识别方面，AI对隐匿性高血压和白大衣高血压的鉴别展现出优势 ［ 40 , 41 ］ 。
自然语言处理作为AI的重要分支，在高血压智能诊疗中发挥关键作用。该技术能有效解析电子健康记录中的非结构化文本数据并提取高血压相关的风险因素、疾病进展特征和预后指标，为AI预测模型提供重要数据支持 ［ 2 ］ 。研究表明，基于自然语言处理技术的AI模型通过分析电子病历数据，可识别大量临床未确诊的高血压病例（数量达临床记录的3.33倍），证实了AI模型在降低漏诊率方面的潜在价值 ［ 42 ］ 。在治疗效果方面，基于电子病历数据推荐的降压方案可使收缩压降幅比一般方案提高70.3%（14.28 mmHg，1 mmHg=0.133 kPa） ［ 43 ］ 。同时整合电子健康记录的AI模型还能提升继发性高血压检出率 ［ 44 , 45 ］ 。
在临床实践方面，中国学者利用智能手表血压计采集纵向队列数据，创新性构建了短期新发高血压预测模型（C指数0.854~0.917） ［ 46 ］ ，该模型整合了体重指数、居住地区、年龄、睡眠时长、入睡时间及心率等关键预测因子，并通过交互式网页计算器实现个性化风险评估，同时可借助移动APP对识别出的高危人群实施生活方式干预提醒，为高血压的数字化预测与预防提供了新工具；从市场发展角度来看，随着高血压和心血管疾病患病率的持续攀升，以及人们对无创、持续性监测需求的日益增长，加之消费者对智能健康设备接受度的不断提高，全球智能血压监测设备市场规模呈现显著增长态势。市场调研数据显示，该市场规模预计将从2025年的11.8亿美元增长至2030年的43.8亿美元，期间复合年增长率达29.98%，展现出广阔的市场前景和发展潜力 ［ 47 ］ 。
2.高血压靶器官损伤评估与预后预测：AI技术在高血压靶器官损伤评估和预后预测中展现出重要价值。基于心电图的机器学习模型可作为高血压性左心室肥厚表型的便捷筛查工具，尤其对偏心性左心室肥厚的识别效果突出，有助于早期识别心力衰竭等高风险患者 ［ 48 , 49 ］ 。
基于AI增强心电图的AIRE-HTN模型评分同样是心血管死亡、心力衰竭、心肌梗死等的独立预测因子，其预测效果优于传统临床指标 ［ 36 ］ 。考虑到不同种族人群在遗传背景和疾病易感性方面存在差异，针对中国人群开发的PowerAI-CVDAI模型通过整合平均收缩压与舒张压等关键参数，在预测10年心血管疾病风险方面表现出色（C指数达0.87），超越了传统Framingham评分在中国人群中的应用效果 ［ 6 ］ 。这些基于AI技术的评估工具不仅实现了对高血压相关靶器官损害的早期精准识别，更为临床风险分层和个体化干预提供了强有力的决策支持。
3.高血压治疗决策支持：在个性化降压强度选择方面，Oikonomou等 ［ 50 ］ 基于SPRINT和ACCORD BP试验数据，开发了机器学习驱动的个性化疗效预测工具，该工具通过59个基线变量构建患者表型特征，利用XGBoost算法成功识别出从强化降压治疗（收缩压<120 mmHg）中获益程度不同的个体，且外部验证显示，预测获益较高患者的风险比为0.70，而预测获益较低患者为1.05，该工具的研发为临床医生提供了科学的个性化降压强度选择依据；在高血压脑卒中的临床决策方面，知识图谱增强型深度学习系统H-SYSTEM的诊断效能优于神经外科医生（95.26%比91.48%），且在治疗方案推荐中保持92.22%的高准确率，该模型展现出稳定的临床实用性，尤其适用于需要快速决策的卒中急诊病例 ［ 51 ］ 。此外，因果深度神经网络模型能够准确预测个体患者对不同降压治疗方案的反应，其推荐药物与相关指南的符合率达95.7%，优于临床医生的77.9% ［ 52 ］ ；在基于指南的治疗决策支持方面，AI通过整合临床指南与真实世界数据提升了高血压管理的规范性与精准度。中国LIGHT研究采用大规模集群随机对照设计，证实电子健康记录集成的临床决策支持系统在94家初级医疗机构应用后，使指南依从性治疗比例提升15.2%（77.8%比62.2%），并实现收缩压额外降低1.6 mmHg ［ 53 ］ 。同样，基于临床指南与真实世界医疗数据融合的高血压药物治疗决策支持系统，其个性化推荐方案与临床专家建议具有高度一致性，为提升治疗精准度和患者依从性提供了数字化解决方案 ［ 54 ］ 。这些AI系统为高血压的精准治疗提供了数据驱动的决策支持，有望优化临床实践 ［ 55 ］ 。
尽管AI在高血压预测、评估和治疗中展现出广阔前景，且在精准治疗中发挥重要作用，但其临床应用仍面临数据质量、标签标准化及模型可解释性等挑战。未来，随着多源数据整合技术的完善和算法的优化，AI有望在高血压的精准防控中发挥更大作用，推动从早期识别到个性化治疗的全流程管理革新。
传统诊室血压测量方法存在操作繁琐、无法实现连续监测等局限性，且易受“白大衣高血压”效应影响。基于AI的可穿戴智能设备为突破这些限制提供了创新解决方案，为实现心血管疾病的早期预警和精准治疗管理开辟了新途径。美国Grand View Research公司的市场分析显示，2023年基于嵌入式AI算法的可穿戴血压监测设备在全球市场中占据最大收入份额（约43%），凸显了设备端智能处理技术在实时监测需求中的主导地位 ［ 47 ］ 。
当前研究主要基于机电、光电和超声等传感技术 ［ 56 , 57 ］ ，通过脉搏波分析或脉搏传导时间等原理，结合机器学习、深度学习和生成模型等算法构建血压预测模型 ［ 58 ］ 。已开发出多种创新型设备，包括柔性压电薄膜血压传感器 ［ 59 ］ 、可穿戴超声系统 ［ 60 , 61 ］ 、高光谱光电容积脉搏波设备 ［ 62 ］ 、指套式监测装置 ［ 63 ］ 及皮肤集成血压传感器 ［ 64 ］ 等。这些新一代设备具有轻量化、舒适性好、支持实时长期监测等技术优势。
可穿戴设备测得的血压值与标准袖带式测量结果具有良好相关性。目前已有包括HeartGuide（日本Omron公司）在内的多款智能手表产品获得美国食品药品监督管理局批准用于心率和血压监测。我国华为公司研发的WATCH D2也于2024年8月通过国家药品监督管理局二类医疗器械注册，其测量数据可供临床参考。然而，尽管该领域研究热度持续攀升，且欧洲心脏病学会已制定无袖带血压测量装置的验证标准 ［ 65 ］ ，但目前仍缺乏充分证据证明无袖带设备能实现持续准确的血压监测。未来仍然需要在建立严格的个体化校准验证标准和推进无袖带测量技术创新方面努力 ［ 66 ］ 。
大型语言模型作为当前AI领域的突破性技术，通过数百亿神经网络参数实现对海量知识的深度编码，已经广泛应用于各个领域。在当前医疗资源紧张、医生工作负荷繁重的背景下，智能对话系统正凭借其独特的交互优势，正重塑患者教育及慢性病管理模式。研究表明，通用型模型（如GPT-3/4系列）及医疗专用模型（如Med-PaLM）已展现出卓越的医学知识处理能力，其表现不仅达到临床医学考试的合格标准 ［ 67 ］ ，在高血压专科领域的临床实践、患者护理、医学教育和科研研究中也显示出独特价值 ［ 68 ］ 。
研究表明，ChatGPT可为家庭血压检测相关问题提供可靠回答，为患者获取规范健康信息提供便捷渠道 ［ 69 , 70 ］ 。ChatGPT 4也被证明在动态血压监测数据解读中与专家共识达成高度一致，可作为临床决策的辅助工具 ［ 71 ］ 。由中国DataFun公司创立的基于知识图谱的高血压智能诊疗引擎在血压分级、危险因素判断及药物方案推荐方面表现出较高的准确性 ［ 72 ］ 。此外，在高血压随访管理场景中，AI虚拟助手展现出与人工随访的等效性，尤其在症状采集等核心环节达成中度至高度一致 ［ 73 ］ 。相较于传统手机短信，智能对话系统凭借更强的同理心和个性化交互能力，在健康行为干预方面具有独特优势 ［ 74 ］ 。然而需警惕的是，这类系统仍存在传播错误医学信息的风险，使用时需保持审慎态度 ［ 75 ］ 。
未来新一代智能系统可通过融合多模态数据和行为算法，实现从需求识别到干预执行的闭环管理，具备基于用药记录的智能提醒、个性化运动方案推荐，以及采用动机性访谈技术的戒烟支持等功能 ［ 76 ］ ，结合“7×24小时”的无间断服务特性，这类智能化解决方案有望重塑慢性疾病管理模式，推动医疗实践从被动应对向主动预防的范式转变。
AI技术凭借其强大的数据处理和模式识别能力，正在深刻变革高血压领域的药物研发和临床研究范式。在药物研发方面，AI通过多维度创新提升研发效率：（1）通过深度分析疾病相关分子机制，可快速识别疾病相关生物标志物和潜在药物靶点 ［ 77 ］ ；（2）基于深度神经网络和生成化学等算法，能高效模拟药物-靶点相互作用 ［ 78 ］ ，将传统药物筛选的“月、年”级耗时缩短至数周 ［ 79 , 80 ］ ；（3）通过机器学习模型可更准确地预测候选药物的安全性和有效性 ［ 81 ］ 。这些突破性进展正在系统性地解决传统研发流程中的效率瓶颈问题。
在临床试验领域，AI技术展现出革命性潜力：（1）远程监测技术与图像模式识别等的应用将重构临床研究范式；（2）基于机器学习的患者分层算法优化了临床试验的受试者选择与质量控制 ［ 82 ］ ；（3）对研究结果的深度整合与挖掘为循证医学提供了更可靠的数据支持 ［ 83 ］ 。值得注意的是，作为心血管疾病的首要危险因素，高血压相关参数已被整合到多种AI驱动的风险评估模型中，这进一步凸显了其在临床预测系统中的重要价值 ［ 84 , 85 ］ 。SPRINT试验（收缩压干预试验）的数据分析项目公开招募到29个符合标准的临床预测模型，通过递归分割、随机森林等多种机器学习方法进行分析，结果显示尽管使用相同的数据源，不同研究团队开发出的预测模型在方法学和结果上仍存在显著异质性。这一发现揭示了临床数据分析中模型开发的复杂性和高血压治疗反应的真实生物学差异 ［ 86 , 87 ］ 。此外，数字孪生技术可实现治疗方案的动态模拟与优化 ［ 2 ］ ，而AI驱动的慢性疾病管理平台将推动高血压管理向全周期、个性化模式转变 ［ 88 ］ 。
AI技术在医疗领域的应用虽展现出巨大潜力，但仍面临多重技术局限性和伦理挑战，距离真正实现大规模临床应用还有相当距离。尤其在高血压管理领域，目前尚缺乏经过监管机构正式批准的专用AI高血压管理产品。尽管已有研究证实AI在高血压预测、诊断和管理方面具有良好前景，但这些应用主要停留在实验室研究和小规模临床试验阶段，缺乏大规模、多中心的临床验证数据支持。当前的AI模型因严格遵循预设因果机制，在应对临床复杂多变的决策场景时表现欠佳，特别是在需要多维度关联分析的疑难病例中更为明显 ［ 89 ］ 。此外，与传统数据收集和分析方法相比，AI的准确性和可靠性仍存疑 ［ 90 ］ ，临床级AI系统的错误率仍较高 ［ 91 ］ 。在高血压风险预测中，机器学习模型并未展现出优于传统回归模型的性能 ［ 92 , 93 ］ 。更重要的是，当前机器学习算法普遍存在模型复杂性高和可解释性不足等问题，严重制约了其在临床实践中的推广应用 ［ 94 ］ 。此外，AI使用的监管框架和伦理评估体系亟待完善 ［ 95 , 96 ］ 。由于训练数据难以全面覆盖所有患者群体，现有算法存在固有数据偏差问题，这种缺陷在边缘化或医疗服务不足群体中表现尤为突出，甚至可能产生具有危害性的错误预测 ［ 97 ］ 。
在AI推动医疗效率提升的过程中，须重视其中隐含的伦理风险，通过融入平等、非歧视等基本原则，加强健康公平性保障和伦理审查机制，严格保护患者隐私 ［ 2 ］ 。只有在技术迭代中审慎平衡效率与安全，在临床实践中清晰界定人机权责边界，才能促使AI实现从“辅助工具”到“可信伙伴”的实质性跨越，最终推动医疗AI的可持续发展。
综上所述，AI在高血压管理领域展现出前所未有的应用潜力，正推动传统医疗模式向精准化、智能化方向深度转型。AI已在高血压的预测、诊断、治疗决策、患者管理和药物研发等全链条环节实现重要突破。然而，AI在医疗应用中仍面临数据算法偏差、模型可解释性低、伦理风险等挑战。我们期望未来随着技术的完善、算法透明性的提升和伦理审查机制的健全，AI将推动高血压管理从被动治疗向主动预防、从标准化诊疗向个性化精准医疗的范式转变，推动高血压管理乃至整个医疗体系的智能化升级。
利益冲突所有作者声明无利益冲突
《中华心血管病杂志》2025年1期至2026年6期重点号安排
投稿网址
www.editorialmanager.com/cardiodiscovery
作者须知
https://edmgr./cardiologydiscovery/accounts/ifauth.htm