利用个人数据预测血压

文章内容

加州大学圣地亚哥分校的工程师们首次使用可穿戴现成技术和机器学习来预测个人的血压，并根据这些数据提供个性化的血压降低建议。

他们的工作获得了2018年IEEE Healthcom最佳论文的称号。据研究人员所知，这是第一次调查日常血压预测及其与可穿戴设备收集的健康行为数据的关系。

“当医生告诉他们的病人在生活方式上做出重大改变时——多锻炼、改善睡眠、降低盐摄入量等——这可能会让人难以承受，而且依从性不是很高，”该论文的合著者、美国健康与健康研究中心主任苏吉特·戴伊说无线通信中心他是加州大学圣地亚哥分校雅各布斯工程学院电气与计算机工程系的教授。

戴伊问道:“如果我们能确定对个人血压影响最大的一种健康行为，并让他们专注于一个目标，会怎样?”

Dey和合著者Po-Han Chiang(加州大学圣地亚哥分校Jacobs工程学院电子与计算机工程系移动系统设计实验室的研究生)使用FitBit Charge HR和Omron Evolv无线血压监测仪收集了8名患者90天的睡眠、运动和血压数据。利用机器学习和现有可穿戴设备的数据，他们开发了一种算法来预测用户的血压，并显示哪些特定的健康行为对血压影响最大。

这项研究肯定了个性化数据比广义信息的重要性。虽然许多健康数据库将大量患者数据添加到一个模型中，考虑所有患者一起提出健康建议，但本研究中的个性化信息更有效。
例如，一名受试者的血压受一天中久坐时间长短的影响最大。改变这一因素有显著影响，一周内平均收缩压降低了15.4%，舒张压降低了14.2%。对另一名受试者来说，根据他们的历史数据，他们睡觉的时间是降低血压的最重要因素。当受试者比前一周提前58分钟睡觉时，他们的收缩压比前一周下降3.6%，平均舒张压下降6.6%。

戴伊说:“这项研究表明，使用无线可穿戴设备和其他设备来收集和分析个人数据可以帮助患者从反应性护理过渡到持续护理。”“与其说‘我的血压很高，所以我要去医生那里吃药’，不如让病人和医生使用这种类型的系统，让他们能够持续地控制自己的症状。”

Dey和Chiang最近与加州大学圣地亚哥分校健康中心的临床医生合作，致力于在更大的样本量上测试他们的预测模型，提供提前一天的预测，并研究健康行为对血压的长期影响。

这项研究是无线通信中心互联健康计划的一部分，得到了包括Kaiser Permanente、UC San Diego Health、三星数字健康和Teradata在内的行业合作伙伴的支持。

读作“健康行为对血压的个性化影响:基于机器学习的预测和推荐”。