冠心病是全球主要死因之一，由冠状动脉粥样硬化引起，导致心肌缺血、损伤或梗死[1] 。根据《中国心血管病报告2023概要》[2] ，我国冠心病患者已达1 139万例， ≥18岁居民患病率为758/10万，呈年轻化趋势，对社会造成重大负担。心脏康复作为治疗的重要组成部分，通过多学科协作结合药物、运动、营养、心理干预，旨在改善患者身心健康，降低再入院率和病死率[3-4] 。

心脏康复不仅是医疗团队主导的过程，还涉及患者自我行为调整与社会功能重建。自我管理指患者在慢性疾病照护中主动参与健康管理，如了解疾病、改善生活方式和规律用药[5] 。良好的自我管理能力有助于提高康复参与度和健康行为转化效果。尽管健康教育与多学科干预有助于提升患者的自我管理能力并改善临床结局，但其在实施过程中仍面临患者参与度和依从性不足等问题，可能削弱干预效果[6] 。冠心病患者常面临知识匮乏、社会支持不足等障碍[7] 。此外，尽管远程监测和移动应用技术具有潜力，但由于技术可及性差、患者数字技能不足等问题，限制了其临床效果[8] 。

随着人工智能（artificial intelligence，AI）技术的发展，大语言模型为慢性疾病管理提供了新思路[9] 。大语言模型可通过自然语言处理和知识推理，根据患者特征和实时数据提供精准健康管理建议，弥补传统模式不足[10] 。基于深度学习的模型在心血管疾病管理中展现出潜力，尤其在临床决策支持、患者教育和康复指导方面[11] 。本研究旨在开发一款符合中青年冠心病患者需求的智能问答系统，提升其自我管理能力，推动从“被动管理”向“主动、智能、动态管理”转变，促进院外持续有效的心脏康复。

1 对象与方法

1.1 研究对象

采用连续入组的方法，选取2025年3月至6月北京安贞医院心脏中心住院治疗的中青年冠心病患者为研究对象。纳入标准：①年龄18~60岁；②依据《中国心血管病一级预防指南》明确诊断为冠心病；③具备可联网的智能手机，能进行远程健康管理；④具有自我管理意识，知情同意并自愿参与研究。排除标准：①纽约心脏病学会心功能分级Ⅳ级；②具有急性心脏事件、认知障碍或严重精神疾病。

采用两样本均数比较样本含量的计算公式：n1=n2=2[（tα+tβ）S/δ] 2，参考预实验和接受互联网+可穿戴式心电设备进行冠心病患者健康管理研究，试验组冠心病知识评价量表评分较对照组平均提高2.2分，即δ=2.2，干预前试验组的标准差是2.54，即S=2.54[12] ；取α=0.05（双侧检验），tα=1.96，检验效能为90%，tβ =1.28；考虑20%失访率，每组至少需样本量35例。

1.2 分组方法

由住院中心统一随机分配住院科室，并按病区分为对照组和试验组，入住心脏中心A病区者纳入对照组，入住B病区者纳入试验组，分配的两个病区属于同一心脏内科中心，患者采用相同的治疗和护理方式。本研究经首都医科大学医学伦理委员会批准（Z2024SY039）。

1.3 研究方法

1.3.1 对照组

患者在住院期间接受冠心病常规护理及出院健康指导。出院前由责任护士进行个性化健康指导，重点包括：①讲解冠心病相关知识，指导患者规范用药；②制订个体化的生活方式干预方案；③加强药物等急救技能培训。为构建长效管理机制，科室建立微信交流群，在患者出院前完成实名制入群，并通过定期推送疾病知识、专业答疑和紧急咨询通道提供延续性护理。群规包括信息发布规范、隐私保护条款及紧急处理流程。定期评估患者用药依从性、生活方式改善及微信群互动质量，形成“院内指导-院外随访-持续优化”的闭环管理模式，确保持续、有效的健康支持。

1.3.2 试验组

患者在对照组护理的基础上，于出院后1个月内使用冠心病AI智能问答系统——“心健助手”进行自我管理。

1.3.2.1 “心健助手”的构建与训练 构建“心健助手”智能问答系统，提升冠心病健康管理领域的专业性与可用性，基于“智谱清言”平台进行部署与定制化开发。①领域知识集成。参考中华医学会心血管病学分会等机构发布的最新冠心病防治与管理指南，结合UpToDate、ClinicalKey等循证医学数据库内容，筛选PubMed近5年高质量文献，并参考《心血管病学》《中国冠心病诊断与治疗指南》等书籍，系统梳理冠心病相关知识，弥补数据库碎片化内容的不足。同时，整理常用药物的适应证、不良反应等信息，支撑系统对药物咨询的专业应答。②知识结构化处理。采用自然语言处理工具预处理原始文本，构建基于Neo4j图数据库的冠心病知识图谱，涵盖疾病定义、病理分型、症状、诊断标准等预防策略等核心模块。为适配大语言模型训练，所有知识数据标准化为“用户提问-系统回答”结构化格式，形成监督微调数据集。③领域微调。在GPT-4基础架构上，基于8 742条冠心病专业标注问答数据集，采用监督微调技术进行深度领域适配，聚焦冠心病六大核心能力：a.症状识别；b.危险因素管理；c.药物机制解析；d.检查报告解读；e.手术决策支持；f.个性化预防方案。训练中通过同义词替换增强鲁棒性，使用梯度裁剪（阈值1.0）和早停机制保障稳定性，并通过熵值＞1.2的置信度过滤及强制免责声明（“本回复仅供参考，具体诊疗遵医嘱”）实现双重安全控制。④人类反馈强化学习。在监督微调完成后，由4名心内科护师（临床经验 ≥10年）、2名主任护师、1名副主任医师和1名心血管领域护理专家组成专家评审组，对模型生成的500条冠心病问答样本进行三重维度人工标注：医学准确性（40%权重）、临床适用性（30%权重）、表达清晰度（30%权重）。每轮优化经专家盲法复核（Kappa值＞0.85）直至达成安全阈值：高危症状识别准确率 ≥95%、医学错误率＜2%。⑤安全与伦理评估。在系统全周期开发中实施三重核心保障机制，包括：a.医疗红线规则。硬编码52条禁令，实时规则引擎拦截违规行为。b.高危症状分级响应。基于83个关键词构建危急识别模型，触发时推送标准化警示。c.隐私合规方面。本研究遵循《中华人民共和国个人信息保护法》和医疗数据安全标准，杜绝收集敏感信息，保障用户隐私；建立审查与纠错机制，定期更新模型，确保符合最新临床指南与循证证据。

1.3.2.2 “心健助手”的使用 系统通过测试验证后，由经过标准化培训的护理人员在患者出院前24 h实施操作指导，包括：①微信端访问路径；②每日至少1次有效咨询；③高危响应机制。干预期间实施三重质控：后台监测使用频率（目标 ≥5次/周），护理团队审核10%对话记录，建立AI初筛-护士初审-医师终审的三级复核流程；每周对低使用率患者进行电话督导。

研究结束后72 h内，向对照组开放同等权限，保障所有参与者享有同等健康教育权利。

1.4 观察指标

1.4.1 一般资料

对患者进行预调查和查阅相关文献，自行设计问卷并收集一般资料，包括性别、年龄、婚姻状况、是否有合并症等，在患者入院时由调查员填写。

1.4.2 自我管理行为能力

干预前及出院后1个月（干预后），采用冠心病自我管理行为能力量表评估患者的自我管理行为能力，该量表包括不良嗜好管理、症状管理、疾病知识管理、急救管理、治疗依从性管理、日常生活管理及情绪认知管理7个维度，27个条目；采用Likert 5级评分法（1~5分）进行评估，总分27~135分，得分越高表示患者的自我管理行为能力越好。量表Cronbach’ s α系数为0.913[13] ；本研究中该量表Cronbach’ s α系数为0.818。

1.4.3 疾病认知水平

干预前后，采用冠心病健康认知自评量表评估患者的疾病认知水平，该量表涵盖冠心病基本概念、危险因素、临床表现、治疗方法及疾病预防等8个维度，52个条目；包括单选题、多选题、是非判断题。各条目均设“是”“否”和“不确定”3个选项，回答正确记1分，回答错误或选择“不确定”记0分，部分条目采用反向计分。知识掌握程度分为3个等级，总分42~60分为知识掌握良好；31~＜42分为知识水平一般需加强教育；＜31分为知识掌握较差需重点干预。中文汉化版本由肖美莲[14] 基于原量表翻译并修订，量表Cronbach’ s α系数为0.907，内容效度指数为0.88；本研究中该量表Cronbach’ s α系数为0.825。

1.4.4 “心健助手”使用情况

查看干预期内系统后台运行数据，记录试验组患者的系统使用及用户留存情况，包括总对话次数、人均对话次数、单日最高对话次数、系统对话用户占访问用户的比例、次日留存率及七日留存率。

1.5 统计学方法

采用SPSS 26.0统计学软件进行数据分析。符合正态分布的计量资料用均数±标准差表示，组内比较采用配对t检验，组间比较采用独立样本t检验；不符合正态分布的计量资料采用中位数（M）和四分位数（P25，P75）表示，组内比较采用Wilcoxon符号秩检验，组间比较采用Mann-Whitney U检验。计数资料用例数（百分率）[例（%）] 表示，比较采用χ2检验。以P＜0.05为差异有统计学意义。

2 结果

2.1 两组一般资料比较

两组一般资料比较，差异无统计学意义（P＞0.05），具有可比性。见表1。

表1 两组一般资料比较

项目对照组（38例）试验组（38例）χ2/t值P值项目对照组（38例）试验组（38例）χ2值P值性别[例（%）] ＜0.001＜0.999月工资水平[例（%）] 0.2740.965男35（92.1）35（92.1） 0~＜3 000元7（18.4）6（15.8）女3（9.7）3（9.7） 3 000~＜5 000元12（31.6）14（36.8）年龄（岁，xˉ±s）46.88±5.4744.86±4.691.7280.088 5 000~＜8 000元12（31.6）11（28.9）身高（cm，xˉ±s）172.31±5.43171.63±6.610.4900.626 ≥8 000元7（18.4）7（18.4）体质量（kg，xˉ±s）87.55±27.0386.31±25.770.2050.838高脂血症[例（%）] 16（42.1）24（63.2）3.3780.066 BMI（kg/m2，xˉ±s）29.47±9.4729.25±8.450.1090.914高血压病[例（%）] 17（44.7）14（36.8）0.4900.484文化程度[例（%）] 1.6000.819医保支付方式[例（%）] 2.8010.592初中6（15.8）10（26.3） 城镇职工基本医疗保险22（57.9）15（39.5）高中6（15.8）4（10.5） 城乡居民基本医疗保险8（21.1）13（34.2）中专7（18.4）7（18.4） 新型农村合作医疗6（15.8）8（21.1）大专8（21.1）8（21.1） 公费医疗1（2.6）1（2.6）本科及以上11（29.0）9（23.7） 其他1（2.6）1（2.6）婚姻状况[例（%）] 3.4350.179居住地[例（%）] 1.0220.600已婚36（94.7）32（84.2） 城市24（63.2）20（52.6）未婚0（0.0）3（7.9） 乡镇8（21.1）9（23.7）离异2（5.3）3（7.9） 农村6（15.8）9（23.7）

注 BMI：体质量指数。

研究过程中对照组因随访期间多次联系未果，未能完成结局指标评估失访3例。

2.2 两组干预前后自我管理行为能力比较

干预后，对照组疾病知识管理、情绪认知管理得分高于干预前（P＜0.05）；试验组不良嗜好管理得分低于干预前，日常生活管理、症状管理、疾病知识管理、治疗依从性管理、急救管理、情绪认知管理得分及总分高于干预前（P＜0.05）。干预后，试验组日常生活管理、疾病知识管理、治疗依从性管理、急救管理、情绪认知管理得分及总分高于对照组（P＜0.05）。见表2。

表2 两组干预前后自我管理行为能力比较（分，）

组别例数干预前干预不后良嗜好管理t值P值干预前干预日后常生活管理t值P值对照组3515.53±3.7514.32±1.361.8370.07512.79±2.8712.47±1.650.686 0.497试验组3816.53±3.4314.30±1.993.6390.00110.76±3.0714.11±2.165.741＜0.001 t值1.1760.0492.8823.565 P值0.2430.9610.0050.001组别例数干预前干预后症状管理t值P值干预前干预疾后病知识管理t值P值对照组356.76±2.957.21±2.550.6980.4907.00±3.109.65±2.307.395＜0.001试验组386.29±2.628.00±2.135.206＜0.0016.39±2.6313.42±2.3511.164＜0.001 t值0.7361.4370.8955.976 P值0.4640.1550.374＜0.001组别例数干预前干预治后疗依从性管理t值P值干预前干预后急救管理t值P值对照组3511.50±4.0412.29±2.061.3110.1998.15±3.878.09±2.870.087 0.931试验组3810.26±3.3013.79±1.836.090＜0.0017.71±3.569.97±2.814.164＜0.001 t值1.4273.2530.4982.810 P值0.1580.0020.6200.006组别例数干预前干预情后绪认知管理t值P值干预前干预后总分t值P值对照组3514.85±4.0216.65±4.443.932＜0.00176.65±18.4580.50±11.021.555 0.129试验组3815.21±3.6921.84±2.569.099＜0.00173.71±16.7496.11±7.338.172＜0.001 t值0.3936.1550.7087.141 P值0.696＜0.0010.481＜0.001

2.3 两组疾病认知水平比较

干预后，对照组临床表现、检查方法、治疗方法、药物知识、二级预防知识得分及总分高于干预前（P＜0.05）；试验组危险因素、临床表现、检查方法、治疗方法、药物知识、二级预防知识得分及总分高于干预前（P＜0.05）。干预后，试验组冠心病概念、危险因素、药物知识得分及总分高于对照组（P＜0.05）。见表3。

表3 两组干预前后疾病认知水平比较[分，M（P25，P75）]

组别例数干预前冠心病干基预本后概念Z值P值干预前危干险预后因素Z值P值对照组353.00（1.75，3.00）2.50（1.00，3.00）1.1030.2707.00（5.00，8.00）7.00（6.00，8.00）0.9140.360试验组383.00（3.00，3.00）3.00（3.00，3.00）1.7080.0967.00（6.00，8.00）7.00（7.00，8.00）2.2370.031 Z值0.4552.9580.3762.153 P值0.6490.0030.7070.031组别例数干预前诱干发预因后素Z值P值干预前临干床预表后现Z值P值对照组355.00（1.00，6.00）4.00（2.00，6.00）0.1090.9133.00（1.00，3.00）3.00（3.00，4.00）2.7260.006试验组385.00（3.00，6.00）5.00（3.00，6.00）0.1900.8502.50（1.00，4.00）3.00（3.00，4.00）3.3740.002 Z值0.9000.9830.3130.900 P值0.3680.3250.7550.368组别例数干预前检干查预方后法Z值P值干预前治干疗预方后法Z值P值对照组354.00（3.00，5.00）5.00（5.00，5.00）3.745＜0.0013.00（2.75，4.00）3.00（3.00，4.00）2.2850.022试验组385.00（2.00，5.00）5.00（5.00，5.00）4.279＜0.0013.00（2.75，3.25）3.00（3.00，4.00）2.8240.008 Z值0.8510.1770.5270.363 P值0.3950.8600.5980.716组别例数干预前药干物预知后识Z值P值干预前二级干预预后防知识Z值P值对照组354.00（2.75，8.25）6.00（5.00，9.00）2.4660.01410.00（9.00，11.00）11.00（10.00，11.00）2.8000.005试验组385.50（2.00，10.00）9.00（7.00，10.00）5.031＜0.00110.00（9.00，11.00）10.00（10.00，11.00）2.5380.015 Z值0.8083.3250.2821.379 P值0.4190.0010.7780.168组别例数干预前干预后总分Z值P值对照组3539.00（29.00，46.00）40.00（37.00，46.25）2.6470.008试验组3841.00（29.50，48.00）45.50（42.75，48.00）3.865＜0.001 Z值0.8642.381 P值0.3880.017

2.4 “心健助手”使用情况

干预期内，试验组总对话次数为303次；每例患者平均对话次数为3.5次，峰值日最高对话次数达21次。系统对话用户占访问用户的比例为88.9%，次日留存率为32.8%，七日留存率为18.4%。

3 讨论

本研究结果显示，基于AI辅助指导的冠心病智能问答系统可显著提升冠心病患者整体自我管理行为能力，其中情绪认知管理维度改善最明显。本研究结果与Su等[15] 的研究结论一致，其指出数字化干预通过持续情绪监测与认知行为疗法策略，可有效改善患者的焦虑/抑郁状态。Zhu等[16] 研究发现，良好的情绪认知与自我调节是冠心病患者长期自我管理水平提升的关键。AI智能体具有持续交互性，能够根据患者表达内容动态反馈情绪支持，并通过对话引导患者认知重构，从而增强其自我调节能力。此外，系统可结合行为数据进行推理判断，主动发送心理疏导建议或温馨提醒，帮助患者建立正向思维和健康习惯。

本研究结果显示，试验组日常生活管理、疾病知识管理、治疗依从性管理、急救管理、情绪认知管理得分及总分高于干预前，且高于对照组，提示AI系统通过结构化知识推送与情境化提醒可协同改善认知-行为转化。依从性管理得分提升与Li等[17] 研究基于App的自我管理干预研究结果一致，其共性机制在于自动化提醒减少执行遗忘，而AI的对话式教育进一步强化用药必要性认知。本研究结果显示，干预后试验组不良嗜好管理得分低于干预前。此现象符合健康信念模型理论：经皮冠状动脉介治疗后症状缓解易诱发“健康乐观偏差”，未能持续控制吸烟、饮酒、摄盐过多等危险行为有关。Lu等[18] 研究指出，尽管AI工具能在短期内提高健康行为参与度，但对诸如吸烟、饮酒等深层行为改变的干预往往需要更长周期、更多维度的支持（如家庭、社区与医疗体系的协同）才能见效。同时，AI系统在干预设计上对于不良生活方式的干预深度与针对性相对较弱，难以从根本上改变长期形成的习惯行为。此外，不良嗜好的改变通常依赖多维度干预手段，如家庭支持、同伴激励、线下随访与医护人员持续监督，仅依赖短期智能对话或提示可能难以形成行为上的实质性改变[19] 。

本研究结果显示，基于AI辅助指导的冠心病智能问答系统可显著提升冠心病患者的疾病知识水平，其中药物知识维度改善最突出。这一分层效应与Zhu等[19] 的移动健康研究高度一致，其核心机制在于AI系统通过两种途径强化认知建构，包括：①个性化知识推荐引擎。基于患者初始测评薄弱项（如他汀类药物使用禁忌）动态推送图文/短视频内容。②对话式学习设计。采用苏格拉底问答法引导患者自主推导结论。这些策略显著提升了知识转化效率，尤其契合中青年患者的认知偏好，更适应交互式学习模式。

本研究结果显示，两组临床表现、检查方法得分比较，差异无统计学意义（P＞0.05）。该现象符合认知负荷理论，患者入院期间已通过症状体验（如典型胸痛）和医患沟通建立具身认知，传统宣教对陈述性知识已在一定程度上满足患者的认知需求，导致AI干预的边际效益受限[20] ；特别在检查方法维度，冠状动脉造影等侵入性操作伴随的强情境记忆（术前谈话+知情同意签署），使被动知识灌输效果弱化，而本研究AI智能问题系统尚未充分整合虚拟现实等沉浸式训练手段。

从教育机制的角度来看，AI系统所具备的动态适应与个性推荐能力，是其区别于传统宣教和纸质教材的关键优势。它不仅可以根据患者的知识薄弱点反复补充和纠偏，还可利用自然语言交互方式引导患者提出问题、参与对话，从而从“被动接受”转向“主动探索”[21] 。这类融入沉浸式学习体验，特别适用于数字素养较高的中青年患者，有助于激发其学习兴趣和参与积极性，最终推动知识的内化和行为的转化[22] 。

本研究结果显示，AI辅助指导的冠心病智能问答系统在中青年冠心病患者中具有良好的技术接受度与操作可行性。试验组共完成303次有效对话，提示目标人群具备较高的初始采纳意愿。然而，用户持续参与度随时间延长呈下降趋势，次日留存率为32.8%，7日留存率进一步降至18.4%，提示患者对系统的初始接受度较高，但持续使用意愿和用户黏性仍有待提升。持续使用的不足可能与系统知识库更新周期较长（＞30 d）、反馈模式单一有关，限制了其在认知干预后的长期行为转化效果。本研究结果显示，两组检查方法、临床表现及不良嗜好管理得分比较，差异无统计学意义（P＞0.05），提示系统内容覆盖与行为引导深度的不足。未来可通过引入游戏化设计与情感计算引擎，增强个性化情绪支持与使用黏性。

本研究存在一定的局限性：①样本量小、周期短，且为单中心研究，结果外推性有限；②存在3例失访，采用方案分析可能带来偏倚；③干预系统功能尚不完善，长期使用黏性和交互性有待提升；④评估指标未涵盖数字健康素养等变量，后续研究可结合mHealth理论进一步优化。

4 小结

本研究初步验证了AI辅助冠心病智能问答系统对提升中青年冠心病患者自我管理行为能力和疾病认识水平，具有较高的应用可行性和干预价值。虽然AI系统在高效传播、互动引导和个性化适配方面展现出独特优势，但在行为长期维持、不良生活方式改善和平台用户黏性方面仍存在一定的不足。基于当前结果，AI赋能的数字健康管理在中青年冠心病患者中具有良好应用前景，未来需进一步优化系统设计、增强用户黏性，以构建更完善的智能慢性疾病管理模式。

利益冲突声明：所有作者均声明不存在利益冲突。

[参考文献]

[1] 杨继，张垚，马腾，等. 1990—2019年中国心血管疾病流行现状、疾病负担及发病预测分析[J] . 中国全科医学，2024，27（2）：233-244，252.

[2] 国家心血管病中心，中国心血管健康与疾病报告编写组，胡盛寿. 中国心血管健康与疾病报告2023概要[J] .中国循环杂志，2024，39（7）：625-660.

[3] Mcevoy J W，Jennings C，Kotseva K，et al. Variation in secondary prevention of coronary heart disease：the INTER-ASPIRE study [J] . Eur Heart J，2024，45（39）：4184-4196.

[4] Thomas R J. Cardiac rehabilitation-challenges，advances，and the road ahead [J] . N Engl J Med，2024，390（9）：830-841.

[5] Tuner H，Polat F，Alc E，et al. Effectiveness of cardiac rehabilitation in enhancing adherence and improving clinical outcomes post-acute coronary syndrome：a randomized controlled trial [J] . Clin Cardiol，2025，48（6）：e70160.

[6] Zisis G，Carrington M J，Oldenburg B，et al. An m-Health intervention to improve education，self-management，and outcomes in patients admitted for acute decompensated heart failure：barriers to effective implementation [J] . Eur Heart J Digit Health，2021，2（4）：649-657.

[7] Negarandeh R，Aghajanloo A，Seylani K. Barriers to selfcare among patients with heart failure：a qualitative study [J] . J Caring Sci，2020，10（4）：196-204.

[8] Tadas S，Coyle D. Barriers to and facilitators of technology in cardiac rehabilitation and self-management：systematic qualitative grounded theory review [J] . J Med Internet Res，2020，22（11）：e18025.

[9] Aydin S，Karabacak M，Vlachos V，et al. Navigating the potential and pitfalls of large language models in patient-centered medication guidance and self-decision support [J] .Front Med，2025，12：1527864.

[10] Elias P，Jain S，Poterucha T，et al. Artificial intelligence for cardiovascular care-part 1：advances：JACC review topic of the week [J] . J Am Coll Cardiol，2024，83（24）：2472-2486.

[11] Miao S，Ji P，Zhu Y，et al. The construction and application of a clinical decision support system for cardiovascular diseases：multimodal data-driven development and validation study [J] . JMIR Med Inform，2025，13：e63186.

[12] 梁存禹，赵倩，宋宁，等. 基于“互联网+”的可穿戴式心电设备在冠心病患者PCI术后慢病管理中的应用效果评价[J] . 上海交通大学学报（医学版），2022，42（3）：275.

[13] 任洪艳，唐萍，赵庆华. 冠心病自我管理量表的开发和评价[J] . 陆军军医大学学报，2009，31（11）：1087-1090.

[14] 肖美莲. 住院冠心病患者个体化健康教育效果评价[D] . 长沙：中南大学，2007.

[15] Su J J，Yu D S F，Paguio J T. Effect of eHealth cardiac rehabilitation on health outcomes of coronary heart disease patients：a systematic review and meta-analysis [J] . J Adv Nurs，2020，76（3）：754-772.

[16] Zhu H，Chen G，Xue X，et al. Self-management in patients with coronary heart disease after stent implantation at the long-term stage：a cross-sectional study [J] . Ann Palliat Med，2022，11（7）：2265-2274.

[17] Li Y，Gong Y，Zheng B，et al. Effects on adherence to a mobile App-based self-management digital therapeutics among patients with coronary heart disease：pilot randomized controlled trial [J] . JMIR Mhealth Uhealth，2022，10（2）：e32251.

[18] Lu T，Lin Q，Yu B，et al. A systematic review of strategies in digital technologies for motivating adherence to chronic illness self-care [J] . Npj Health Syst，2025，2（1）：13.

[19] Zhu Y，Zhao Y，Wu Y. Effectiveness of mobile health applications on clinical outcomes and health behaviors in patients with coronary heart disease：a systematic review and meta-analysis [J] . Int J Nurs Sci，2024，11（2）：258-275.

[20] Chilamakuri D. AI-powered AR/VR for augmenting patient education and empowerment in chronic disease management [J] . J Neonatal Surg，2025，14：41-54.

[21] Biohdi-Zoccai G，Mahajan A，Powell D，et al. Advancing cardiovascular care through actionable AI innovation [J] .Npj Digit Med，2025，8（1）：249.

[22] Dou Y，Chen B，Yu X，et al. Effectiveness of internetbased health management in patients with dyslipidemia：a four-year longitudinal study [J] . Atherosclerosis，2023，376：34-42.

Effect of artificial intelligence-assisted guidance intelligent questionanswering system on self-management ability and disease cognition level in young and middle-aged patients with coronary heart disease

YANG Muqian1 WU Fangqin1 ZHANG Lixin2 ZHANG Xiwei2

1.School of Nursing, Capital Medical University, Beijing 100069, China; 2.Heart Center, Beijing Anzhen Hospital,Capital Medical University, Beijing 100013, China

[Abstract] Objective To explore the effect of artificial intelligence (AI)-assisted guidance intelligent question-answering system on self-management ability and disease cognition level in young and middle-aged patients with coronary heart disease. Methods A total of 73 young and middle-aged patients with coronary heart disease who were hospitalized in the Cardiac Center, Beijing Anzhen Hospital, Capital Medical University, from March to June 2025 were selected. They were divided into control group (35 cases) and experimental group (38 cases) according to the wards. The control group received routine nursing and health guidance upon discharge, and the experimental group used an AI-assisted intelligent questionanswering system for self-management within one month after discharge on the basis of the control group. The selfmanagement ability and disease cognition level of coronary heart disease in the two groups before and after the intervention were evaluated, at the same time, the usage of the AI-assisted intelligent question-answering system in the experimental group was recorded. Results After the intervention, the scores of daily life management, disease knowledge management,treatment compliance management, emergency management, emotional cognitive management, and total score of the experimental group were higher than those of the control group (P＜0.05). The scores of coronary heart disease concept, risk factors, drug knowledge, and total score in the experimental group were higher than those in the control group (P＜0.05).Conclusion An AI-assisted guidance intelligent question-answering system can effectively enhance the self-management ability and disease cognition level of young and middle-aged patients with coronary heart disease, especially showing obvious advantages in improving the multi-dimensional selfmanagement behavior and the cognition of coronary heart disease, and has clinical promotion and application value.

[Key words] Coronary heart disease; Artificial intelligence;Self-management; Disease cognition; Health guidance

[中图分类号] R473.5；R54

[文献标识码] A

[文章编号] 1673-7210（2026）08（a）-0087-07

DOI：10.20047/j.issn1673-7210.25101845

[基金项目] 首都医科大学数智护理基础临床协同研究专项重点课题项目（SZHL23Z06）。

[通信作者] 吴芳琴（1977.10-），女，博士，副教授，硕士生导师；研究方向：心血管与危重症护理，老年与慢性疾病护理，护理教育。

（收稿日期：2025-10-27）

（修回日期：2026-03-19）