Digital approaches to remote monitoring of patients with hypertension: a review

Full Text

ВВЕДЕНИЕ

Артериальная гипертензия (АГ) — одно из наиболее частых патологических хронических состояний. Этим заболеванием страдают около 1,4 млрд взрослых людей в возрасте 30–79 лет во всём мире. Популяционный анализ данных, представленный ВОЗ, показывает, что около 44% взрослых не осведомлены о наличии у них АГ¹. Заболевание оказывает серьёзную нагрузку на системы здравоохранения разных стран [1]. АГ приводит к повышению долгосрочного риска развития кардиоваскулярных, цереброваскулярных осложнений и заболеваний почек. ВОЗ рассматривает патологическое повышение артериального давления (АД) как частую причину смертности.

Только около 40% пациентов получают антигипертензивную терапию, а контроль АГ с достижением целевых значений АД устанавливается в среднем лишь у 21% больных с этой патологией¹. При этом неизвестно, какова общая численность пациентов с АГ, осуществляющих дистанционный мониторинг АГ на дому.

В настоящее время появились альтернативные формы контроля за артериальным давлением на дому с использованием цифровых систем, включающих мобильные приложения, мессенджеры и чат-боты, платформы на основе искусственного интеллекта (ИИ) [2]. Применение этих технологий позволяет пациентам зачастую лучше измерять клинические показатели. Отмечается, что параметры, измеренные на дому, могут служить дополнительными маркерами оценки кардиоваскулярного риска и степени повреждения внутренних органов [3, 4].

Таким образом, для пациентов создаются условия по вовлечению их в процессы оказания медицинской помощи, что также сопровождается снижением частоты ложных диагнозов [5]. При этом врачи получают более полную картину о течении АГ у пациента, а не только информацию по отдельным результатам посещений. Это способствует своевременной коррекции или титрованию назначенной терапии и повышает эффективность организации медицинской помощи [6, 7].

Данная работе выполнена с целью определения характеристик цифровых систем для дистанционного мониторинга пациентов с АГ, используемых за рубежом.

МЕТОДОЛОГИЯ ПОИСКА ИСТОЧНИКОВ

Исследование проведено по результатам поиска публикаций в базе данных PubMed и информационной системе Google (в случае необходимости получения справочной информации). В поисковых запросах применяли следующие ключевые слова: «hypertension», «blood pressure», «information technologies», «digital technologies», «telemedicine», «artificial intelligence», «hypertensive patient prognosis». Были отобраны зарубежные библиографические источники. Язык поисковых запросов — английский.

Критерии включения:

• полнотекстовые статьи, в которых представлены сведения о применении цифровых технологий в практике лечения АГ;
• исследования, содержащие характеристики телемедицинских (цифровых) технологий;
• исследования, содержащие данные применения телемедицинских (цифровых) технологий и ИИ в практике терапии АГ;
• репрезентативные исследования, позволяющие иллюстрировать современное состояние области телемедицинских (цифровых) технологий и их применимость в практике лечения пациентов, страдающих АГ.

Критерии исключения: исследования, не отвечающие критериям включения.

В анализ было включено 39 публикаций, содержание полного текста которых отвечает основным целям: изучить некоторые примеры инновационных цифровых технологий, применяемых для дистанционного мониторинга пациентов с АГ за рубежом.

ЦИФРОВЫЕ ТЕХНОЛОГИИ ДЛЯ МОНИТОРИНГА ДИНАМИКИ АРТЕРИАЛЬНОГО ДАВЛЕНИЯ

Электронные медицинские карты

Многие электронные медицинские карты (ЭМК) были разработаны с целью проведения экономического анализа. Реже при их разработке ставились задачи по совершенствованию качества и исходов у пациентов. Тем не менее получаемые данные предоставляют широкие возможности для применения систем предиктивной аналитики, позволяющих анализировать сведения и тенденции в популяциях пациентов. Показаны возможности применения ЭМК для длительного (хронического) мониторинга пациентов, в том числе с АГ [8]. Кроме того, установлена возможность оценки распространённости АГ, включая случаи неконтролируемой гипертензии. Исследователи приходят к выводу, что применение ЭМК в системе общественного здравоохранения, организующей наблюдение пациентов, является многообещающим подходом, который предлагает альтернативу традиционным методам наблюдения. Своевременное изучение общественного здоровья населения на местном и региональном уровнях с применением ЭМК может улучшить расходование и перераспределение медицинских ресурсов, привести к совершенствованию методик профилактики [8]. С помощью анализа сведений в ЭМК показана возможность определения характеристик и предиктивных параметров развития выраженной, устойчивой к терапии АГ. Учёные надеются, что применение данного подхода позволит лучше определить факторы-предикторы развития резистентной АГ и сопутствующих заболеваний [9].

Регистрация артериального давления с помощью манжетных и безманжетных приборов

Чаще всего пациентам приходится измерять АД с помощью манжеты. Современные приборы могут подключаться к телефону, что позволяет пациенту загружать данные и отправлять их клиницисту. Отмечен ряд положительных характеристик регистрации АД на дому. Измерения производятся в более спокойной и комфортной обстановке. В исследованиях установлено, что мониторинг АД на дому способствует получению более точных прогностических в отношении развития осложнений сведений. Длительный мониторинг выявляет колебания АД, а также может помочь в диагностике «скрытой» АГ у пациентов. Исследования показали, что самостоятельный контроль АД хорошо воспринимается пациентами и врачами, а также повышает вовлечённость пациентов в принятие совместных с медицинским специалистом решений. Это приводит к лучшему самоконтролю над заболеванием и получению дополнительных возможностей для проведения ранних клинических оценок и начала лечения. Тем не менее реализация данных подходов может сопровождаться снижением возможностей для межличностных взаимодействий пациента со специалистом здравоохранения [10–12].

К настоящему времени разработаны специальные приборы для регистрации клинических показателей без традиционной манжеты. Существует два типа безманжетных приборов: 1) требующие калибровки; 2) не требующие калибровки. В первом случае периодические измерения АД проводятся с помощью традиционного плечевого тонометра с манжетой (в соответствии с инструкцией). Калибровку обычно выполняют с использованием валидированного автоматизированного манжетного прибора (верхнее предплечье) [13].

Подготовка прибора может производиться с помощью разных инструментов. Исследования калибруемых приборов показали, что периодическая повторная калибровка, выполняемая наручным монитором АД, может быть такой же точной, как и при использовании плечевого монитора. Эти результаты подтверждают пригодность наручных устройств для повседневного применения. Наручные мониторы могут заменить мониторы АД с плечевыми манжетами. Благодаря использованию устройств для мониторинга АД с наручными манжетами становятся возможными непрерывная оценка АД, а также частые калибровки для обеспечения его точного мониторинга [14].

Инструменты цифровой регистрации часто основаны на вычислении АД путём записи электрокардиограмм и фотоплетизмографических сигналов. Фотоплетизмография — простой и недорогой метод оптической регистрации, который часто используется для мониторинга работы сердца. Технология является неинвазивной и использует источник света и датчик, размещённый на коже для измерения объёмов потока циркулирующей крови [15]. Например, фотоплетизмографический сенсор может быть установлен на палец. Отмечено, что лучшими источниками света являются ближний инфракрасный диапазон для систолического АД и синий — для диастолического АД [16].

Сенсоры могут размещаться на различных участках тела. Например, в исследовании [17] электрокардиограмма, волны пульсового давления и результаты многоволновой фотоплетизмограммы регистрировались одновременно с помощью смарт-часов. Отмечено, что применение умных часов является эффективным способом измерения диастолического АД у всех участников исследования, хотя измерение систолического АД с предварительной калибровкой оказывалось более надёжным у субъектов с нормальным АД и молодых участников. Результативность измерений девайсом значительно снижалась в гетерогенной популяции пациентов. Исследователи приходят к выводу, что для повышения точности измерений в большой гетерогенной популяции данная технология требует дальнейшей валидации путём интеграции в неё способов регистрации дополнительных сигналов или принципов функционирования. Авторы также обсуждают необходимость калибровки девайса.

В работе J. Kyung и соавт. представлены результаты новой системы регистрации АД, использующей запись фотоплетизмографических сигналов в условиях сдавливания пальца [18]. В целях уменьшения погрешности были разработаны специальный сенсор для мультиканальной фотоплетизмографии и алгоритмы глубокого обучения для определения наиболее значимых сигналов. Предлагаемая система оценки АД позволяет получать достаточно точные клинические сведения в автоматизированном режиме, без вмешательства оператора. Прибор самостоятельно выбирает наиболее значимые сигналы от сенсоров. Применяемые подходы к настройке так называемого внимания со стороны системы могут привести к серьёзному улучшению эффективности прогностических оценок гипотонии и гипертонии. Так как предлагаемая система на основе глубокого машинного обучения не требует использования стандартной манжеты, на практике пациентам проще её применять. Таким образом, у них появляется дополнительная возможность для регулярного контроля АД, что способствует диагностике АГ уже на ранней стадии. Система оценки АД потенциально может обеспечить регулярный мониторинг АД у нескольких пользователей с помощью мобильных устройств [18].

Схожие результаты описаны в работе H. Samimi и соавт. [19]. Исследователи предложили метод сбора данных об изменении пульсовых волн с небольшими интервалами и заменили калибровку информацией, получаемой при выполнении фотоплетизмографии. Использовался один сенсор. Методика регистрации плетизмографических сигналов с использованием безманжетных приборов оказалась многообещающей при дополнении её данными о кардиоваскулярной динамике. Упоминается, что необходимо провести дополнительное изучение и установить универсальный стандарт для оценки эффективности и точности безманжетных устройств [19].

Телемониторинг и процессинг данных

Телемониторинг показателей АД, измеряемых пациентом самостоятельно, — это процесс безопасного накопления и передачи надёжных показателей от пациента в медицинскую организацию с обеспечением их «удобочитаемости» и последующего применения для улучшения лечебно-диагностических процессов [20]. При этом оптимальный вариант организации самостоятельного измерения АД строится на сотрудничестве между пациентом и клиницистом. Необходимо обучение пациента использованию медицинских приборов, частоте и графику измерений, способам их отправки клиницисту через удалённые каналы связи. Для обмена медицинской информацией могут применяться специальные серверы.

Базовыми элементами передачи данных являются платформы для обработки SMS, мобильные приложения, технологии bluetooth для подключения и приёма данных от устройств. В текстовых чатах пациент может передавать показатели АД, сообщать о принимаемой терапии и проявлениях заболевания. Обратная связь предоставляется в виде напоминаний, рекомендаций по улучшению образа жизни и других видов информационной поддержки. Применение подобных технологий приводит к повышению эффективности сбора данных и улучшению исходов у пациентов [21]. В научных исследованиях сделан вывод, что телемониторинг может быть широко внедрён в рутинную первичную медико-санитарную помощь, хотя это незначительно влияет на сложившуюся рабочую нагрузку врачей. Оптимальная интеграция этой технологии в обработку медицинских сведений может иметь решающее значение [21].

В исследованиях показано, что телемониторинг положительно воспринимается пациентами и врачами. Наблюдаются высокая приверженность пациентов терапии, улучшение исходов и снижение затрат. Включение пациентов в программы телемониторинга приводит к статистически значимо большему и устойчивому снижению АД. В группе пациентов с плохо контролируемой АГ, проводящих самомониторинг или участвующих в телемониторинге, достигался лучший контроль над заболеванием, чем при титровании доз препарата, проводившемся только по результатам мониторинга в офисе. Тем не менее в другом исследовании не выявлено долгосрочных статистически значимых различий при использовании пациентами самостоятельного мониторинга и телемониторинга [11, 22]. Необходимо дополнительно исследовать данный вопрос.

Технологии искусственного интеллекта

Технологии ИИ могут применяться при обработке самых разнообразных данных, что способствует лучшей оценке персональных кардиоваскулярных рисков. Собираемые данные могут включать клинические, молекулярно-биологические сведения, характеристики поведения пациента и условий его проживания (данные по внешним факторам). Разработка систем ИИ способствовала улучшению технологий фильтрования данных, получаемых от пациента, а также более «умному» выявлению пациентов, нуждающихся в консультациях врача и индивидуализации антигипертензивной терапии. В литературе подчёркивается, что технологии ИИ обладают серьёзным потенциалом для последующего развития [23]. Эти технологии уже зарекомендовали себя при разработке предиктивных моделей течения АГ, формулировке диагноза, стратификации пациентов и определении наиболее эффективной терапии (табл. 1).

Отмечено, что системы на основе ИИ могут помочь в разработке инфраструктуры для постоянного мониторинга АД с использованием беспроводных инструментов. Результаты плетизмографии, полученные через смартфоны или умные часы и отражающие информацию по АД, могут быть проанализированы с помощью технологии глубокого обучения. Кроме того, благодаря технологии машинного обучения стало возможным проводить идентификацию дополнительных генов, ассоциированных с развитием АГ. Это способствует более ранней диагностике [5].

Использование искусственного интеллекта для определения риска развития артериальной гипертензии

Использование различных алгоритмов ИИ позволяет определить риск развития АГ у пациента на основании анализа больших массивов данных. В последнее десятилетие отмечался прогресс в прогностических технологиях. Интересным подходом можно считать применение в анализах методом ИИ, кроме стандартных факторов предрасположенности к АГ (недостаточная грамотность субъекта, непостоянная работа, АГ в семейном анамнезе, неблагоприятные демографические характеристики, индекс массы тела, объём груди и талии, соблюдение диеты, уровень физической нагрузки, потребление соли, алкоголя и т. д.), новых данных по экспрессии генов и результатам секвенирования следующего поколения. Использование генетических технологий и машинного обучения позволило выявить более 150 новых генов, ассоциированных с АГ, и включить их в последующий компьютерный анализ [24, 25].

Одним из наиболее частых примеров использования ИИ в диагностике АГ является анализ круглосуточного мониторинга АД в амбулаторной практике. Благодаря относительной простоте алгоритма и определённым интервалам измерения АД технология позволяет выявить гипертонию «белого халата» (когда повышение АД вызвано стрессом от присутствия медицинского работника). Разрабатываются новые технологии на основе искусственной нейрональной сети, позволяющие оценивать АД с целью определения вероятности развития АГ у ранее здоровых пациентов на основании следующих факторов: индекс массы тела, возраст, физическая нагрузка и т. д.). Точность и аккуратность метода пока лимитированы [26, 27].

Применение искусственного интеллекта для совершенствования терапии артериальной гипертензии

В научной литературе отражены возможности применения ИИ для оптимизации терапии АГ. Значение ИИ в этой сфере обычно сводится к идентификации модифицируемых факторов, влияющих на развитие АГ у субъектов. Этот принцип также применяется при выработке эффективных алгоритмов медицинской поддержки пациентов. ИИ оказался полезен при выборе лучшей комбинированной терапии по сравнению со стандартным подходом. Применение алгоритмов машинного обучения позволяет определить приверженность терапии путём анализа медицинских записей, выполненных приложением к смартфону. Это улучшает комплаентность, осведомлённость и самоконтроль пациента над течением АГ. С каждым исследованием открываются до конца не изученные возможности ИИ. Технология предлагает разносторонние подходы к разработке алгоритмов пациент-ориентированного лечения на основе анализа омиксных данных.

В частности, результаты секвенирования геномов, функциональной геномики, профилирования белков, метаболомики и биоинформатики могут обеспечить комплексный системный анализ для дальнейшего понимания сложных аспектов патогенеза АГ [28, 29]. Интеграция ИИ в анализ омиксных данных приведёт к лучшему определению траектории развития АГ у пациента и позволит выбрать наиболее подходящую терапию. В настоящее время наблюдается технологическая эволюция в «омиксных» методиках — геномике, транскриптомике, эпигеномике, метаболомике, протеомике и микробиомике [30]. Развитию «омиксных» технологий способствуют подходы с использованием широкого анализа «больших данных». Новые методики обеспечивают разработку углублённого клинического, биологического и молекулярного фенотипирования. На практике это приводит к улучшению ранней диагностики и лечения, более точной стратификации пациентов по группам риска, оптимизации процессов медицинского менеджмента [31].

Хотя появляются обнадёживающие результаты исследований применимости ИИ, многие технические вопросы ещё предстоит решить, включая соблюдение режимов информационной безопасности [5].

Применение искусственного интеллекта для определения траектории развития артериальной гипертензии

У пациента с АГ может применяться ИИ для установления «траектории» развития заболевания (траектория — путь, по которому развивается АГ) [32]. Прогнозирование течения АГ у пациента — это сложная научная работа. Применение ИИ при определении прогноза течения АГ связано с использованием алгоритмов машинного обучения, прошедших тренинг на большом наборе сведений. Готовые алгоритмы оценивают прогноз и предлагают дополнительное обоснование при выборе терапии [33]. Прогностическое значение АГ зависит от стратификации пациентов, основанной на глобальной оценке с интеграцией различных параметров, таких как степень и стадия АГ, достижение контроля над АД, сопутствующие заболевания. Правильная стратификация пациентов может быть проведена путём применения классифицирующих алгоритмов: метода опорных векторов, деревьев решений, случайных лесов и экстремального повышения градиента (считается одним из частых алгоритмов в предиктивной аналитике кардиоваскулярных событий) [34–36].

Аккуратность определения индивидуальной «траектории» (или модели) у пациентов с АГ может улучшаться путём удлинения периода наблюдения и повышения числа входящих в модель параметров, таких как генетические варианты, ассоциированные со специфическим фенотипом АГ и определёнными исходами [37]. В целом преимущество от клинического внедрения ИИ может обеспечить более точное определение профиля исходов у пациентов.

Направления дальнейших исследований в области цифрового менеджмента пациентов с АГ могут быть сопряжены с приоритетами, представленными в табл. 2.

ПРЕИМУЩЕСТВА ВНЕДРЕНИЯ ЦИФРОВЫХ ТЕХНОЛОГИЙ В ПРАКТИКУ ЛЕЧЕНИЯ ПАЦИЕНТОВ С АРТЕРИАЛЬНОЙ ГИПЕРТЕНЗИЕЙ

Внедрение цифровых технологий в практику лечения пациентов с АГ обеспечивает ряд преимуществ. Возможности цифрового здравоохранения часто превосходят возможности традиционных форм и подходов к оказанию медицинской помощи пациентам с АГ. Применение цифровых систем позволяет проводить регулярный мониторинг АД вне медицинских кабинетов или офисов. В данной работе описаны подходы к автоматизированному измерению АД, телемониторингу, организации дистанционного взаимодействия с пациентами и обработке цифровых данных. Ожидается рост распространённости перечисленных подходов в практической медицине. Однако до повсеместного внедрения цифровые технологии должны пройти процедуры валидации и стандартизации. На данный момент эти технологии постепенно получают распространение в различных регионах мира. Одним из препятствий на пути к их внедрению можно считать отсутствие полного набора стандартизированных протоколов валидации некоторых девайсов и гаджетов (например, ряда безманжетных приборов для измерения АД) [38]. Решение задач по идентификации дополнительных подходов к валидации девайсов, гаджетов и компьютерных систем, а также определение мер, направленных на формирование системы возмещения затрат на цифровизацию процессов оказания медицинской помощи пациентам с АГ, может способствовать распространению рассмотренных технологий дистанционного мониторинга состояния пациентов в повседневной практике.

ЗАКЛЮЧЕНИЕ

Разработка цифровых подходов к наблюдению пациентов с АГ на основе технологий ИИ с применением переносных медицинских устройств открывает принципиально новые возможности для реализации концепции персонифицированной и пациент-ориентированной кардиологической помощи. Использование интеллектуальных алгоритмов анализа больших массивов данных, получаемых в режиме реального времени с носимых сенсоров, позволяет не только повысить точность диагностики и мониторинга состояния, но и обеспечить своевременное выявление факторов риска и ранних признаков осложнений. В то же время необходимы дополнительные клинические исследования, направленные на оценку применимости и эффективности современных цифровых технологий в реальной практике лечения пациентов с АГ, включая анализ долгосрочных исходов и экономической целесообразности их внедрения. В перспективе широкое внедрение технологий ИИ может способствовать повышению медицинской осведомлённости пациентов, формированию устойчивых навыков самоконтроля за течением заболевания, улучшению приверженности назначенной терапии и укреплению мотивации к ведению здорового образа жизни, что в совокупности будет способствовать существенному снижению бремени сердечно-сосудистых заболеваний.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. Д.А. Андреев — определение концепции, разработка методологии, проведение исследования, пересмотр и редактирование рукописи. Автор одобрил рукопись (версию для публикации), а также согласился нести ответственность за все аспекты настоящей работы, гарантируя надлежащее рассмотрение и решение вопросов, связанных с точностью и добросовестностью любой её части.

Этическая экспертиза. Неприменимо.

Источники финансирования. Данная статья подготовлена автором в рамках научно-исследовательской работы «Разработка методологических подходов ценностно-ориентированного здравоохранения (ЦОЗ) в городе Москве» (номер в ЕГИСУ НИОКТР: 123032100062-6).

Раскрытие интересов. Автор заявляет об отсутствии отношений, деятельности и интересов за последние три года, связанных с третьими лицами (коммерческими и некоммерческими), интересы которых могут быть затронуты содержанием статьи.

Оригинальность. При создании настоящей работы использованы таблицы 1 и 2, заимствованные из работы I. Skalidis и соавт., doi: 10.3390/medicina61091597 (распространяется на условиях лицензии CC-BY 4.0: https://creativecommons.org/licenses/by/4.0/).

Доступ к данным. Неприменимо (статья является описательным обзором литературы).

Генеративный искусственный интеллект. При подготовке настоящей работы инструменты экосистемы Microsoft Copilot использовались в минимальном объёме и исключительно для формулировки отдельных заключительных выводов. Период обращения к инструментам: октябрь 2025 г.

Рассмотрение и рецензирование. Настоящая работа подана в журнал в инициативном порядке и рассмотрена по обычной процедуре. В рецензировании участвовали, два члена редакционного совета и научный редактор издания.

ADDITIONAL INFORMATION

Author contributions: D.A. Andreev: conceptualization, methodology, investigation, writing—review & editing. The author approved the version of the manuscript to be published and agreed to be accountable for all aspects of the work, ensuring that questions related to the accuracy or integrity of any part of the work are appropriately investigated and resolved.

Ethics approval: Not applicable.

Funding sources: This article was part of the research project “Development of methodological approaches to value-based healthcare in the city of Moscow” (USISR No. 123032100062-6).

Disclosure of interests: The author has no relationships, activities, or interests for the last three years related to for-profit or not-for-profit third parties whose interests may be affected by the content of the article.

Statement of originality: Tables 1 and 2 used in this work were adapted from I. Skalidis et al. (doi: 10.3390/medicina61091597), distributed under the terms of the CC-BY 4.0 license (https://creativecommons.org/licenses/by/4.0/).

Data availability statement: Not applicable, as this is a descriptive review.

Generative AI: In this work, the AI tools of Microsoft Copilot ecosystem was used minimally and solely to formulate individual concluding statements. Tool access period: October 2025.

Provenance and peer review: This paper was submitted unsolicited and reviewed following the standard procedure. The peer review process involved two members of the Editorial Council and the in-house scientific editor.

¹ Hypertension. 2025. In: World Health Organization [Internet]. Режим доступа: https://www.who.int/news-room/fact-sheets/detail/hypertension Дата обращения: 26.09.2025.

About the authors

Dmitry A. Andreev

Author for correspondence.
Email: andreevda@zdrav.mos.ru
ORCID iD: 0000-0003-0745-9474
SPIN-code: 7989-0581

MD, PhD

References

Supplementary files