Оценка возможности использования данных смартфона для выявления риска идиопатической легочной артериальной гипертензии

Почему ваш телефон может помочь заметить бесшумные проблемы сердца и лёгких

Большинство из нас носит смартфон, а многие — часы, которые бесшумно фиксируют шаги, частоту сердцебиения и сон. В этом исследовании поставлен простой, но значимый вопрос: могут ли эти повседневные цифровые следы помочь врачам выявить редкое, серьёзное заболевание сердца и лёгких — идиопатическую легочную артериальную гипертензию (ИЛАГ) — на более ранней стадии, задолго до визита к узкому специалисту? Исследователи проанализировали годы реальных данных со смартфонов, часов и встроенных опросников, чтобы выяснить, могут ли тонкие закономерности в повседневной активности и сердечных сигналах указывать на повышенный риск.

Трудно распознаваемое заболевание

ИЛАГ сужает сосуды, по которым кровь идёт от сердца к лёгким. Со временем это вызывает одышку, утомляемость и повышает риск сердечной недостаточности. Ранние признаки размыты — усталость, одышка при нагрузке — а окончательный диагноз требует инвазивной катетеризации сердца в специализированном центре. Многие пациенты ждут примерно три года от первых симптомов до постановки диагноза, к моменту чего заболевание становится более запущенным и сложным в лечении. Авторы исследования хотели узнать, может ли непрерывный пассивный мониторинг повседневной активности дать раннюю подсказку о том, что что‑то не в порядке.

Преобразование повседневного движения в подсказки о здоровье

Исследователи использовали приложение My Heart Counts для iPhone, которое получает данные Apple Health со смартфонов и Apple Watch. В исследование были включены 109 человек в Великобритании, у которых уже был iPhone: 33 человека с подтверждённой ИЛАГ, 14 с другими серьёзными заболеваниями (в основном после тяжёлого COVID‑19) и 61 здоровый доброволец. Для некоторых пациентов удалось посмотреть исторические данные за месяцы или даже годы до постановки диагноза, сохранённые на телефоне. Анализировались простые показатели — количество шагов, скорость ходьбы, число подъёмов по лестнице, поведение частоты сердечных сокращений в покое и при движении, а также ночной сон. Участники также отвечали на вопросы о стиле жизни, настроении и отношении к физической активности и болезни.

Что данные показали о повседневной жизни

Люди, у которых впоследствии диагностировали ИЛАГ, уже до постановки диагноза двигались меньше и медленнее, чем здоровые участники. Они делали меньше шагов, реже поднимались по лестнице и ходили с более медленным темпом. У них чаще наблюдалась повышенная частота сердечных сокращений в покое и меньшее постударное вариабельное изменение ритма сердца — признаки того, что организму приходится работать интенсивнее и он хуже адаптируется. Также они проводили больше времени бодрствуя ночью. После диагноза и начала лечения эти показатели в целом улучшались: пациенты ходили больше, чаще поднимались по лестнице, а их сердечные показатели становились спокойнее и более гибкими, что соответствовало улучшениям, наблюдавшимся в стандартном шестиминутном тесте ходьбы в клинике. Ответы на опросы о мировоззрении и образе жизни добавляли ещё один слой информации: люди с ИЛАГ чаще сомневались в пользе своей текущей активности и чаще рассматривали болезнь как нечто фиксированное или генетическое, а не как то, на что можно повлиять образом жизни.

Обучение компьютеров распознавать риск

Чтобы проверить, могут ли эти цифровые сигналы помочь выявлять ИЛАГ, команда натренировала модели машинного обучения на данных приложения. Используя только информацию, собранную до постановки диагноза, модели на основе данных с часов (включая частоту сердечных сокращений) довольно хорошо различали ИЛАГ и контрольные группы, с показателем точности ROC AUC около 0,87. Данные только со смартфона по активности также показали высокую эффективность, а добавление выбранных ответов из опросников — особенно о стиле жизни и удовлетворённости жизнью — повышало результат до 0,94. При попытке применить тот же подход к отдельной группе пользователей приложения в США модели изначально работали хуже, главным образом потому, что паттерны активности и фон здоровья различались между странами. Но после дообучения модели на небольшой части американских данных с учётом этих различий система вновь достигла полезной точности (ROC AUC около 0,74), что указывает на возможность адаптации таких инструментов к разным популяциям.

Что это может значить для пациентов

Для широкой аудитории ключевая мысль такова: ваши шаги, темп ходьбы и реакция частоты сердечных сокращений в повседневной жизни несут значимую информацию о состоянии здоровья — даже если вы чувствуете себя лишь слегка плохо. Это исследование, хоть и небольшое и пилотное, показывает, что простые данные, пассивно собираемые потребительскими устройствами, в сочетании с несколькими короткими опросами, могут отражать результаты клинических тестов и помочь отделить людей с серьёзным, но скрытым заболеванием от здоровых или имеющих другие проблемы. Авторы подчёркивают, что прежде чем такие инструменты смогут направлять уход, нужны гораздо более крупные и разнообразные исследования, и что обнаруженные закономерности не уникальны для ИЛАГ. Тем не менее их работа указывает на будущее, в котором телефоны и носимые устройства служат ранними предупредителями, помогая пациентам и врачам вовремя заметить опасные изменения в здоровье сердца и лёгких, с меньшей инвазивностью обследований и более своевременным лечением.

Цитирование: Delgado-SanMartin, J.A., Keles, M., Errington, N. et al. Assessing the feasibility of using smartphone data to identify risk of idiopathic pulmonary arterial hypertension. npj Cardiovasc Health 3, 16 (2026). https://doi.org/10.1038/s44325-026-00114-9

Ключевые слова: цифровое здравоохранение, легочная гипертензия, носимые датчики, мониторинг смартфоном, машинное обучение в медицине