Исследование предикторов изменений систолического артериального давления, полученных с помощью инженерии признаков, в mHealth‑программе управления заболеваниями

Почему ваш телефон может помочь укротить высокое давление

Высокое артериальное давление — одна из ведущих причин инфарктов и инсультов, но многим людям трудно удерживать его под контролем между краткими визитами к врачу. В этом исследовании звучит своевременный вопрос: если люди измеряют давление дома и несколько месяцев пользуются приложением‑коучем, могут ли шаблоны в этих показаниях — и в том, как они используют приложение — помочь предсказать, у кого показатели улучшатся, а кому понадобится дополнительная помощь? Исследователи проверяли, способны ли умные способы объединения цифровых данных сделать такие прогнозы точнее.

Наблюдение за давлением в повседневной жизни

Команда проанализировала записи более чем 2300 взрослых в Японии, которые присоединились к 24‑недельной mHealth‑программе Mystar. У участников были такие состояния, как гипертония, диабет или повышенный холестерин, и они уже находились в группе риска заболеваний сердца и сосудов. В течение шести месяцев они получали регулярные телефонные консультации, использовали приложение для фиксации привычек образа жизни и каждое утро измеряли давление дома. Главный вопрос заключался в том, насколько изменилась у каждого человека верхняя цифра давления — систолическое давление — с начала до конца программы.

Преобразование сырых показателей в сигналы

Современные приложения и носимые устройства генерируют длинные последовательности чисел: ежедневные показания давления, шаги, время сна, вес и детали того, как часто человек нажимает и листает в приложении. Вместо того чтобы напрямую подсовывать все эти сырые значения в модель прогнозирования, исследователи использовали программное обеспечение для «инженерии признаков», чтобы создать новые комбинированные индикаторы. Например, программа могла соотнести утреннее давление человека с его начальным показателем или объединить несколько измерений в единую оценку стабильности. Затем команда построила два типа математических моделей на неделях 4, 8, 12 и 22 программы: одну, использующую только простые показатели, такие как возраст, анамнез и недельные средние, и другую, включающую также эти созданные комбинации.

Что было важно в первые недели

В первый месяц‑два некоторые из созданных признаков коррелировали с последующим изменением давления сильнее, чем любой отдельный исходный показатель. Утренние шаблоны давления и простые комбинации исходных измерений поднялись на верхние позиции в ранжировании важности. Цифровое поведение тоже играло роль: люди, которые больше времени проводили, просматривая свои записанные данные или главный экран приложения, демонстрировали слегка отличающиеся траектории давления. Эти тонкие признаки вовлеченности позволяли заподозрить, кто может сбиться с курса, до того как это стало явно видно по показаниям давления.

Простые тренды всё же решали в долгосрочной перспективе

Несмотря на эти ранние подсказки, добавление созданных признаков существенно не улучшило общую точность предиктивных моделей. К 22‑й неделе и простые, и модели с признаками довольно хорошо предсказывали изменения систолического давления к концу программы и — почти одинаково — с той же степенью точности. Самым сильным сигналом оказались простые: недавние домашние измерения давления. По мере накопления недельных данных эти последние значения перекрывали дополнительную информацию, получаемую из сложных комбинаций или из паттернов использования приложения. Иначе говоря, последовательный домашний мониторинг сам по себе обеспечивал основную часть предсказательной мощности.

Что это значит для людей и программ

Для пациентов и программ здравоохранения вывод одновременно обнадёживающий и практический. Регулярные домашние проверки давления, передаваемые через простую мобильную платформу, уже позволяют компьютерам с высокой точностью прогнозировать последующие улучшения. Хитрые приёмы с данными могут немного усилить ранние предупреждения, особенно когда доступно лишь несколько недель данных, а следы вовлечённости в приложении помогают пометить пользователей, которые могут извлечь пользу из более раннего вмешательства или дополнительного коучинга. Но в конечном счёте самым важным ингредиентом остаётся стабильное домашнее измерение: недавний профиль ваших собственных показаний — самый ясный ориентир того, куда движется ваше давление.

Цитирование: Kanai, M., Park, S., Miki, T. et al. Investigating feature-engineered predictors for systolic blood pressure changes in an mHealth-based disease management program. Hypertens Res 49, 1204–1213 (2026). https://doi.org/10.1038/s41440-026-02569-w

Ключевые слова: мобильное здравоохранение, домашнее измерение давления, цифровой коучинг, машинное обучение, управление гипертонией