这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Formative Research上的原创作品。必须包括完整的书目信息,https://formative.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
高血压患者建议在家监测血压;然而,荟萃分析表明,血压的改善与额外的指导支持结合自我监测有关,仅自我监测效果甚微或没有效果。高接触的教练需要大量的资源,可能很难通过人力教练模型来实现。
这项观察性研究评估了参与一个名为Lark高血压护理的全数字项目后血压和体重的变化,该项目由人工智能(AI)提供指导。
参与者(N=864)的基线收缩压(SBP)≥120 mm Hg,提供了他们的基线体重,并且至少达到了他们参加该计划的第三个月。主要结果是3个月和6个月时收缩压的变化,次要结果是体重变化以及收缩压和体重变化与参与者人口统计学、特征和项目参与程度的相关性。
到第3个月,显著下降-5.4 mm Hg (95% CI -6.5至-4.3;
一个由人工智能指导的高血压护理项目与3个月和6个月的项目参与后收缩压的临床有意义的降低相关。体重变化百分比与收缩压下降≥5 mmhg的可能性显著相关。人工智能驱动的解决方案可以提供一种可扩展的方法,帮助高血压患者通过改变健康的生活方式(如减肥),在临床上实现有意义的血压降低,以及心血管疾病和其他严重不良后果的相关风险。
美国心脏协会(AHA)将高血压(BP)定义为:收缩压(SBP)≥130 mm Hg或舒张压(DBP)≥80 mm Hg,并持续升高[
美国心脏协会建议将家庭血压监测作为所有高血压患者自我管理的一部分,因为它能更好地估计“正常”情况下的血压,并有助于改善血压控制[
美国预防工作组建议对有心血管危险因素(包括血压高和超重或肥胖)的成年人进行中等至高强度的行为指导[
这项观察性研究评估了参与由人工智能驱动的全数字化高血压护理计划后血压和体重的变化。该项目使用自我监测血压,再加上参与者智能手机上的对话式人工智能,指导参与者降低血压、减肥,并改变其他健康的生活方式。主要研究目标是评估血压随时间的变化(基线、3个月和6个月),次要目标是评估体重的变化以及血压和体重变化与人工智能指导和活动的关系。主要假设是基线收缩压升高或更高(即≥120 mm Hg)的参与者平均收缩压至少降低5 mm Hg,这通常被认为是降低心血管疾病风险的有临床意义的阈值[
这是一项对滚动注册的参与者的研究(从2019年1月1日开始,到2021年11月4日结束),该参与者参加了一个名为Lark Hypertension Care的商业项目,该项目通过公司与健康保险提供商、雇主和其他组织之间的现有合作伙伴关系提供。该计划通过健康计划的直接推荐或通过电子邮件活动和Facebook等社交媒体平台的数字广告招募符合条件的参与者。所有参与者都通过短信收到了一个链接,提示他们下载移动应用程序,同意应用程序的隐私政策,并允许使用他们的未识别数据进行研究。纳入的项目参与者在注册时年龄≥18岁,讲英语,拥有Android或iPhone智能手机,并有相应的健康计划,确定他们患有高血压或有高血压风险。被排除的参与者没有提供初始血压或体重读数;初始收缩压<120 mm Hg,表明血压得到控制;或者还没有达到至少第三个月的项目(见
研究中参与者的流动。参与者根据收缩压分为升高、高血压1期或高血压2期。3个月和6个月读数的参与者可以是血压或体重。BP:血压;SPB:收缩压。
该研究获得了Advarra机构审查委员会的豁免状态(协议编号#Pro00047181),用于对先前收集和未识别的数据进行回顾性分析。
高血压护理计划包括教育课程和由对话AI提供支持的健康生活方式行为的全自动个性化指导。对话式人工智能技术通过基于文本的界面促进机器人(计算机)和人类之间的类似人类的互动。看到
该项目的参与者可以选择接收连接设备(数字BP袖带或体重秤)来测量血压和体重,并可以在应用程序中以多种方式输入血压数据,包括无线或手动输入。如果使用连接的BP监控器,参与者可以通过指导教练交流进行测量,并立即同步测量结果。那些已经有家用血压袖带的人可以使用他们现有的设备,在应用程序中手动输入血压读数。无论测量方法如何,参与者都收到了美国心脏协会(AHA)概述的关于在家测量血压的详细说明。
主要结果是收缩压分别从计划开始到3个月和6个月的变化。初始血压是参与者在项目第一周内的平均测量值,3个月和6个月的血压分别是参与者在项目第3个月和第6个月的平均测量值。少数参与者在第六个月后不久就出现了读数,我们也纳入了这些数据点,以最大限度地扩大可用于分析的样本量。这对于现实世界的研究是必要的,因为参与者并不知道他们应该在特定的时间点提供读数。我们认为在任何时间点下降≥5mm Hg是有临床意义的改善。我们还对基线收缩压升高(收缩压120-129毫米汞柱)、1期高血压(收缩压130-139毫米汞柱)和2期高血压(收缩压≥140毫米汞柱)的参与者进行了亚组分析。我们根据开始收缩压分类评估相应的舒张压变化。
次要结果分别是第3个月和第6个月的体重变化百分比。我们计算3个月体重变化百分比如下:(第一次体重- 3个月最低点体重)/第一次体重。我们计算6个月体重变化百分比如下:(第一次体重- 6个月最低点体重)/第一次体重。我们删除了任何表明体重减轻或增加速度为>7磅/周的异常称重,除非用户确认这是正确的测量。我们使用2个独立的回归模型评估了第3个月收缩压和体重变化与参与者人口统计学、特征和参与指标之间的关系。对于以收缩压变化为因变量的回归,自变量包括参与者的人口统计数据(年龄、性别)、特征(初始BMI、开始收缩压、体重变化百分比)和计划参与指标(与人工智能教练的会话次数、血压测量次数)。对于以体重变化百分比作为因变量的回归,自变量包括参与者的人口统计数据(年龄、性别)、特征(初始BMI、起始SBP)和项目参与指标(与人工智能教练的会话次数、体重测量次数)。我们在第3个月而不是第6个月检查了这些关联,因为第3个月的样本量更大(统计功率),而且对于提供两种测量方法的参与者,大多数血压变化发生在第3个月,并维持到第6个月。
我们在RStudio 4.0.5中进行了所有的统计分析。我们比较了根据基线收缩压分类分组的参与者人口学和特征数据。我们使用成对的
基于收缩压类别的初始BMI在参与者之间存在显著差异(
所有参与者的基线人口统计数据和特征,并按起始收缩压分组。
英国石油公司一个类别 |
|
|
||||||
全部,平均值(SE)c | 升高,平均(SE)c | 高血压1期,平均(SE)c | 2期高血压,平均(SE)c |
|
|
|||
年龄(年) | 51.5 (0.34) | 52.3 (0.54) | 51.2 (0.55) | 50.7 (0.70) | 1.9 (2847) | .14点 | ||
初始BMI (kg/m2) | 34.0 (0.25) | 33.2 (0.37) | 34.2 (0.39) | 35.2 (0.56) | 5.4 (2861) | .005 | ||
不。包括基线血压读数 | 3.6 (0.11) | 3.5 (0.16) | 3.9 (0.21) | 3.3 (0.19) | 2.6 (2861) | 07 | ||
基线收缩压(mm Hg) | 134.5 (0.38) | 125.0 (0.15) | 134.3 (0.17) | 149.5 (0.60) | 1506.0 (2861) | <措施 | ||
基线舒张压(mm Hg) | 85.3 (0.30) | 81.4 (0.38) | 85.4 (0.43) | 91.4 (0.63) | 110.5 (2861) | <措施 | ||
女性性c | 500/861 (58.1) | 216/351 (61.5) | 162/286 (56.6) | 122/224 (54.5) | 3.2 (2) | . 21 | ||
白种人c | 370/499 (74.1) | 157/207 (75.8) | 128/168 (76.2) | 85/124 (68.5) | 2.7 (2) | 点 | ||
服用血压药物c | 530/578 (91.7) | 228/245 (93.1) | 156/177 (88.1) | 146/156 (93.6) | 4.3 (2) | 点 |
一个血压:血压。
b卡方仅适用于女性、白人、服用降压药物者。对于其他人口统计数据,
c这里的Mean (SE)不适用于女性、白人和服用降压药物的类别;对于这些类别,数据以n/ n(%)表示。
参与者提供的平均起始血压读数为3.6 (SE 0.1),第3个月平均血压读数为15.0 (SE 1.2),第6个月平均血压读数为17.0 (SE 1.6)。
3个月后平均收缩压整体显著下降-5.4 mm Hg (
大约一半的样本在第3个月(178/349,51%)和第6个月(98/199,49.2%)实现了临床意义上的收缩压下降≥5 mm Hg。收缩压的下降导致47.6%(166/349)的参与者降低了至少1个分类类别的收缩压(例如,高血压2期至高血压1期;高血压1期至升高)到第3个月。
血压从基线到3个月和6个月的变化
|
血压变化一个3个月时,Δmean (95% CI)b |
|
|
收缩压≥5mm Hgc第3个月下降,n/ n (%) | 6个月以上收缩压变化,Δmean (95% CI)b |
|
|
第6个月收缩压下降≥5mm Hg, n/ n (%) | |
|
|||||||||
整体 | -5.4 |
9.5 (348) | <措施 | 178/349 (51.0) | -5.3 |
6.3 (198) | <措施 | 98/199 (49.2) | |
120 - 129 | -1.1 |
1.5 (148) | .14点 | 51/149 (34.2) | 0.6 |
-0.5 (85) | .62 | 25/86 (29.1) | |
130 - 139 | -5.2 |
6.6 (106) | <措施 | 53/107 (49.5) | -7.3 |
5.8 (64) | <措施 | 36/65 (55.4) | |
≥140 | -12.4 |
10.2 (92) | <措施 | 74/93 (79.6) | -13.0 |
8.2 (47) | <措施 | 37/48 (77.1) | |
|
|||||||||
整体 | -1.3 |
3.1 (348) | .002 | N/Ae | -1.2 |
2.3 (198) | 02 | N/Af | |
升高 | 0.6 |
-1.0 (148) | 点 | N/A | 1.0 |
-1.2 (85) | 口径。 | N/A | |
阶段1 | -0.9 |
1.3 (106) | . 21 | N/A | -2.4 |
2.8 (64) | .007 | N/A | |
第二阶段 | -4.6 |
5.8 (92) | <措施 | N/A | -3.5 |
3.2 (47) | .002 | N/A |
一个血压:血压。
bΔ值为负值表示血压下降,值为正值表示血压升高。
cSBP:收缩压。
dDBP:舒张压。
e基于收缩压初始分类的DBP分类:升高、高血压1期或高血压2期。
fN/A:不适用。
BP的多元logistic回归结果显示,参与者的人口统计学、特征和项目参与指标与在第3个月实现临床意义上的SBP下降≥5 mmhg的可能性相关。总体回归具有统计学意义(对数似然-152.3;姆法登的伪
在第三个月进行称重的参与者中,90.1%(374/415)在项目的前3个月保持体重稳定或体重减轻(
体重变化的多元线性回归结果显示,到第3个月时,参与者的人口统计学、特征和项目参与度指标与体重变化百分比的大小存在关联。整体回归有统计学意义(
2个回归模型共同表明,第3个月时体重变化百分比与收缩压下降≥5 mmhg的可能性显著相关,计划参与变量与体重变化百分比的大小显著相关,而与收缩压下降无关。因此,重要的是要考虑体重变化百分比是否作为计划参与和收缩压下降之间的统计中介。中介分析的结果确实表明,计划参与对收缩压下降的影响完全由第3个月体重变化百分比介导。
作为
收缩压降低≥5mm Hg 3个月可能性的回归结果(n=268)一个.
变量 | 标准化系数(β) | SE |
|
|
常数 | 点 | 0.14 | 0.87 | 38 |
年龄 | 03 | 0.15 | -0.24 | 结果 |
男性性 | .19 | 0.14 | -1.31 | .19 |
初始BMI (kg/m2) | 56 | 0.15 | -3.57 | <措施 |
3个月体重变化百分比b | 36 | 0.15 | 2.43 | 02 |
SBP开始c | 1.11 | 0.18 | 6.13 | <措施 |
不。与人工智能的对话d前3个月做教练 | .04点 | 0.16 | -0.27 | .79 |
不。前3个月记录的血压 | 0。 | 0.16 | 0.28 | 尾数就 |
一个纳入的参与者必须在3个月时获得血压和体重数据。
b体重变化的负号表示体重下降幅度更大。
cSBP:收缩压。
dAI:人工智能。
每个体重变化类别的参与者数量和平均值(SE): 415名在3个月时提供体重的参与者和186名在6个月时提供体重的参与者增加、稳定和减少。
参与者人口统计学、特征和项目参与度与因变量权重变化百分比的相关性回归结果。对于因变量weight change,负值表示体重减轻(n=400)一个.
变量 | 标准化系数(β) | SE |
|
|
常数 | -1.57 | 0.15 | 10.26 | <措施 |
年龄 | 0。 | 0.17 | -0.30 | .77点 |
男性性 | .09点 | 0.15 | -0.59 | 56 |
初始BMI (kg/m2) | 的相关性 | 0.16 | 3.02 | .003 |
SBP开始b | 。 | 0.15 | -1.09 | 低位 |
不。与人工智能的对话c前3个月做教练 | .62 | 0.16 | 3.81 | <措施 |
不。前三个月的体重记录 | 无误 | 0.16 | 2.78 | .006 |
一个由于取消了对3个月血压数据的要求,样本量更大。
bSBP:收缩压。
cAI:人工智能。
3个月时体重变化百分比作为计划参与和收缩压变化之间关系的中介。负系数表示与AI教练进行的训练次数越多,减肥效果越显著(用负号表示)。百分比权重变化和SPB变化之间显著关系的正系数是因为两者的下降(改善)都用负号表示。AI:人工智能;SBP:收缩压。*非标准化系数和显著性水平≤.001。
本研究的主要目的是评估参与人工智能高血压护理计划后收缩压的变化。我们进一步评估了体重的变化以及血压和体重变化与参与者特征和项目参与度的关系。为了支持主要假设,参与人工智能驱动的高血压护理计划与3 - 6个月内有临床意义的收缩压降低相关,在基线时被分类为1或2期高血压的参与者亚组中观察到更大的下降。超过一半的参与者实现了临床意义上的收缩压下降≥5毫米汞柱。在基线时被分类为高血压的参与者中,实现临床意义下降的比例更高,在开始收缩压≥140毫米汞柱的参与者中,79.6%(74/93)在项目的第3个月实现了≥5毫米汞柱的下降。第3个月时体重变化百分比与项目投入程度和实现临床意义上的收缩压下降的可能性显著相关,并且体重变化百分比介导了项目投入程度和收缩压变化之间的关系。
在这项研究中,收缩压总体平均降低-5.4 mmhg,相当于大约一半的参与者在第3个月将他们的初始收缩压分级降低了至少一个分类类别。该计划的关键方面包括提醒监测血压、药物依从性支持、关于进展的个性化即时反馈、高血压特定的营养指导、减压指导和关于高血压的教育材料。先前的研究表明,这种个性化和多方面的干预对数字化高血压护理计划的成功至关重要[
本研究中观察到的收缩压变化与已发表的人类教练指导的行为生活方式干预中报道的下降相当。在Tucker等人的元分析中[
本研究的参与者平均肥胖,总体初始BMI为34.0 kg/m2属于I类肥胖[
在本研究中观察到的体重变化百分比与实现临床意义上的收缩压下降之间的关系有多种原因。减肥对高血压有公认的生理益处,如改善胰岛素敏感性,减少交感神经系统活动和炎症[
这是一项单臂研究,无法确定因果关系。然而,参与者是为高血压管理而设计的商业数字健康计划的真实用户;因此,这项研究为人工智能驱动的行为指导程序在降低目标人群血压方面的有效性提供了证据。参与者不需要提供社会经济信息(如收入、教育),这限制了对潜在社会经济差异的了解。尽管保留率低于临床疗效研究中的保留率,但这是数字健康的预期结果[
这项研究是证明在全数字化高血压管理计划中发生的血压和体重变化的重要的第一步。虽然我们有基线时其他重要的血压管理策略的信息(如药物状态),但我们没有能力跟踪在研究期间可能发生的参与者护理管理的变化。在未来的调查中,我们打算检查计划参与和护理的其他方面之间的相互作用。评估药物依从性是应用程序中的一个新功能,未来的调查将检查参与全数字化高血压管理计划是否会提高对处方药的依从性。最后,由于共线性问题,我们在回归分析中没有单独考虑每个主题领域(如饮食)的教练课程。然而,某些类型的指导可能比其他类型的更重要。我们计划在未来的调查中探索与AI教练相关的不同因素。
参加全数字化高血压护理计划的成员,由人工智能指导,在参与计划的第三个月和第六个月提供血压读数,实现了临床上有意义的收缩压降低。血压下降的幅度取决于开始收缩压的程度,被归类为高血压2期的参与者经历了最大的下降。大多数参与者在该计划的第3个月保持体重稳定或体重减轻,第3个月体重变化百分比与计划参与程度和收缩压下降≥5毫米汞柱的可能性显著相关。综上所示,这些结果提供了形成性的证据,即参加人工智能高血压护理计划的成员,如果他们继续参与,他们的收缩压和体重就会有临床意义上的降低。
云雀高血压护理计划的描述。
美国心脏协会
人工智能
血压
舒张压
收缩压
我们感谢Lark团队在管理数据收集方面提供的帮助。
OHB设计了研究并编辑了手稿;MR进行数据分析并编辑手稿;拉格撰写并编辑了手稿;KGL撰写并编辑稿件;和SAG设计了这项研究,进行了数据分析,并撰写和编辑了手稿。
OHB, MR, LAG, KGL和SAG被Lark使用。