一、文献综述
- 国内外研究现状
高血压是导致脑卒中、心肌梗塞发生的主要原因，其高致病率、致残率、致死率使得高血压已经成为危害人类公共健康的重要因素[1]。
目前在国际上提出了家庭血压监测（ home blood pressure monitoring，HBPM），并成为了各国高血压管理的主要路径之一，在美国、欧洲等国家的应用率达到了50%~80%[2]。HBPM的主要应用方式是让患者在家中依据规定的测量时间进行测量，并且每次记录下各项指标，医生在获得这些数据后，可以进行对患者的身体状况与病情有更加全面的评估，这样做成本低廉，一定程度上能提高患者的自我管理能力及患者家属对患者测量血压的重视程度，还有十分重要的一点是减小“白大衣”效应。但其存在的弊端也很明显，首先就是信息传递不及时，医生无法及时获得患者的数据，就无法及时给出相应的诊断建议，可能会耽误患者的治疗，加重病情；最主要的问题还是每个患者自我管理能力的差异性，单靠患者本身是很难坚持长期测量血压的，一旦出现短期中断，那么就容易产生惰性。
为了弥补HBPM的缺陷，近年来广泛提出家庭血压远程监控（home blood pressure telemonitoring，HBPT），并已在美国为首的发达国家得到应用，其主要应用方式是基于电子通信技术对患者的血压数据进行采集、分析、传输，患者在使用HBPT 系统相连的血压计测量血压后，可将相应数据上传终端，实现医务人员对数据的实时观察与评估[3]。其优势在于充分利用当前通讯网络与移动设备，从患者的角度出发，个人血压数据的存储更加方便，传输更加高效，减少了随访成本，方便的操作能够调动患者的测量主动性，远程反馈的方式也能够一定程度上减小患者的心理压力；从医生或者护理人员出发，远程实时获得患者数据，数据的格式清晰统一，提高其分析的效率，为决策提供更加稳定集中的数据支持，从而能及时给患者进行反馈。虽然HBPT提供了很好的解决高血压自我管理思路，但是其中也存在着问题。因为高血压自我管理不足的核心问题在于患者本身缺少治疗主动性，由于高血压患者集中在60岁以上的老年人，而在目前我国的情况下，老人接受教育程度参差不齐，导致认知能力差异化很明显，智能设备的使用过程存在各种困难，而该方案没有考虑到这个因素，且我国的医疗资源与高血压患者存在严重的供小于求的情况，所以医护人员无法及时反馈的问题依然存在，从而导致老年人患者缺少较强的动机去进行长期血压测量。
深度学习作为目前前沿的人工智能领域，擅长在输入和输出之间建立极其复杂的关系，该领域可用于不同的任务，如预测未来的医疗事件，目前深度学习研究主要有视网膜眼底图像预测心血管健康、检测皮肤病变等，目前已经取得了超过专家系统的成果。
国内通过大量的长期随访实验与理论实践研究，研究者们对影响血压水平的因素进行了评估影响高血压患者生存质量的单因素包括年龄、性别、婚姻、经济收入、血压控制情况、慢性疾病、 社会支持情况、治疗依从性等，当前硬件的进步使测量拥有更高的精确性，但主观条件的重要性也不容忽视，如果患者受到社会的关心、支持和安慰较多，则能满足其精神和情绪上的变化。研究显示：除提供经济和物质支持等有形支持外，关心、爱护、慰问等精神上的帮助可以直接帮助患者克服疾病折磨产生的负性情绪。 婚姻、家庭支持是高血压患者生存质量的影响因素，提示全科医疗要更加注重开发家庭资源[4]。
除了实验之外，医院目前采用的24小时动态血压监测来判断高血压患者的血压变换状况，动态血压记录仪主要为袖带式，袖带式动态血压记录仪是将袖带缠在上臂处，然后定时给袖带充气测量肱动脉血压，并自动存储数据，然后在全机回收系统分析、打印出血压。该技术可以有效减小患者的“白大褂效应”，缓解他们面对医生时的焦虑感，从而使数据更自然真实。能够更为客观真实的反应血压变换的规律，为医生诊断与药物指导提供更加有说服力的依据[5]。
随着物联网领域中的传感器、芯片及通信模块的小型便携化等技术的创新和优化，家庭远程血压管理和监测具备了硬件基础，大数据和云服务等技术的发展则为血压管理的数据处理提供了软件支持，家庭式血压管理APP逐渐成为刚需。目前国内市场上目前已经存在一些互联网血压计的成品，如倍康物联网血压计、i8乐心无线互联血压计和康康随身动态血压计等产品。这些互联网血压计大多通过蓝牙、WIFI或GPRS进行数据的传输，并上传至云平台生成图表曲线等将数据呈现给用户。倍康物联网血压计和i8乐心无线互联血压计配备的APP都可以进行多用户数据管理，适用于家庭使用，但是APP提供的功能过于单一，仅仅围绕着数据记录与展示，高血压患者本身难以挖掘数据背后的隐藏的身体情况，而深度学习作为机器学习的一个重要研究方向，可以对高血压患者长期测压数据进行分析，把握血压变化规律，为医生调整治疗方案提供更为客观的依据。
（二）研究主要成果
目前，随着深度学习算法的发展，人工智能在高血压治疗领域发挥了更大的作用。目前主要研究方向有高危人群的筛查，利用ANN（Artificial Neural Network，人工神经网络）算法分析行为学、环境和社会经济因素预测高血压风险，利用健康查体（体格检查、血常规、尿常规、肝功能)、医疗保险数据(年龄、性别、种族和基础疾病)等数据进行分析建模，可以准确预测高血压的发生[6-10]。在高血压的辅助诊断方面，应用ML（ Machine Learning，机器学习）算法根据年龄、血压、脉搏、体重指数、血常规、血脂、吸烟史、运动情况等因素预测高血压的精确度可达82%~92%。在危险分层和疗效评估方面，现代高血压的发病群体也包括了低年龄群体，现有的分层标准预测精度有限，故现有的模型必须纳入新的预测因子，获得更高的预测精度。除此之外，基因组测序等组学技术与人工智能技术结合，能够分析来自DNA与RNA测序获得的数据集，从而可以测试降压治疗的药物或干预方法，基于心电信号的自动诊断是否有高血压疾病，并将可穿戴设备用于预测中风发生的概率。由于对高血压的预测属于回归问题，目前可以对回归问题研究主要的方法有：线性回归、多项式回归、SVM（Support Vector Machines，支持向量机）回归，随机森林回归。除以上应用外，基于机器学习的智能推荐算法也可以为老年高血压患者提供营养、丰富的饮食搭配，解决老人择菜难，择健康菜难的痛点[11]。人工智能技术的发展正在为医疗健康领域提供更多自动化、个性化的解决方案。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
