在基于移动健康的疾病管理计划中调查用于收缩压变化的特征工程预测因子

你的手机为何能帮助控制高血压

高血压是心肌梗死和中风的主要原因之一，但很多人在短暂的医生就诊之间难以将血压控制在目标范围内。本研究提出了一个及时的问题：如果人们在家测量血压并使用一个为期数月的指导应用，测量数据与应用使用模式中的哪些规律能否帮助预测谁的血压会改善、谁可能需要额外帮助？研究人员检验了将数字数据巧妙组合是否能使这些预测更准确。

在日常生活中监测血压

研究团队分析了来自日本2300多名成年人在名为Mystar的为期24周移动健康项目中的记录。参与者包括患有高血压、糖尿病或高胆固醇等疾病的人群，已处于心血管疾病风险中。在六个月内，他们接受定期电话指导，通过应用记录生活方式习惯，并每天早晨在家测量血压。主要问题是每个人的收缩压——即最高血压——从项目开始到结束变化了多少。

将原始读数转为有用信号

现代应用和可穿戴设备会生成大量连续数值：每日血压、步数、睡眠时长、体重，以及用户在应用中点击和滚动的频率等。研究人员没有把这些原始数值直接输入预测模型，而是使用“特征工程”软件创建新的复合指标。例如，软件可将某人早晨血压与其初始血压相关联，或将若干次测量融合为单一的稳定性评分。团队随后在项目的第4、8、12和22周构建了两类数学模型：一类仅使用诸如年龄、病史和周均值等直接指标，另一类则在此基础上加入这些工程化的组合特征。

早期哪些因素最重要

在最初的一两个月里，一些工程化指标比任何单一原始指标与后续血压变化的相关性更强。清晨血压模式和基线读数的简单组合在重要性排名中名列前茅。数字行为也起到了一定作用：更多时间查看已记录数据或应用主屏幕的用户，其血压变化轨迹略有不同。这些细微的参与度线索能在血压明显改变之前提示哪些参与者可能偏离了计划。

长期来看简单趋势仍占主导

尽管早期有这些提示，加入工程化特征并未显著提高预测模型的整体准确性。到第22周时，简单模型和工程化模型对项目结束时的收缩压变化均能较好地预测，且准确度几乎相同。最强的信号是直接的：最近的家庭血压读数。随着更多周的测量数据累积，这些近期数值压倒性地占据了比复杂组合或应用使用模式带来更多的信息。换言之，持续的家庭监测本身提供了主要的预测能力。

对个人和项目的含义

对患者和健康项目而言，这一结论既令人放心又具有实用性。通过一个简单的移动平台定期进行家庭血压监测，计算模型已经能够高精度预测后续改善。花哨的数据处理技巧可以在只有几周数据时稍微增强早期预警，应用参与度的轨迹也能帮助识别可能需要提前干预或额外指导的用户。但归根结底，最重要的仍是稳定的家庭测量：你最近的测量模式是判断血压走向的最清晰指南。

引用: 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

关键词: 移动健康, 家庭血压, 数字指导, 机器学习, 高血压管理