DOI:10.20047/j.issn1673-7210.25111877
中图分类号:R541.9
郭亚梅, 唐基然, 卢咏梅
| 【作者机构】 | 广州中医药大学护理学院 |
| 【分 类 号】 | R541.9 |
| 【基 金】 | 广州中医药大学人文社科培育项目(2024ZXPY06)。 |
心血管疾病(cardiovascular disease,CVD)是全球范围内致残与致死的主要病因,也是中国面临的重大公共卫生挑战[1]。流行病学数据显示,CVD占中国居民死因构成的40%以上,现存患者逾3.3亿。随着人口老龄化的加剧与危险因素的持续增加,其疾病负担日益加剧,预计到2030年,主要CVD事件的发生率将显著攀升,对医疗卫生系统及社会经济构成持续压力[2]。
当前,中国CVD防控体系面临双重挑战。在基层,高危人群的识别与管理存在明显缺口,高血压、糖尿病等主要危险因素的知晓率、治疗率与控制率仍处于较低水平[2]。在模式上,传统健康管理因人力资源有限、随访效率低及数据分析能力不足,难以实现个体化、动态化的精准风险管理[3]。近年来,人工智能(artificial intelligence,AI)技术的兴起为上述问题解决提供了新思路,借助可穿戴设备、机器学习算法与智能决策系统,AI能够在健康监测、风险预警与个性化干预推荐等方面发挥重要作用,展现出提升管理效率与改善健康结局的潜力[4-6]。然而,这些基于AI的干预措施在实际患者健康管理中的有效性与普适性,尚需来自高质量研究的综合证据予以验证。因此,本研究旨在通过meta分析,评估AI干预对心血管疾病高危人群相关危险因素与健康行为的影响,以期为该技术在心血管健康管理领域的科学应用与推广提供循证依据。
本研究已在PROSPERO平台进行登记注册(CRD420251168629)。
系统检索中国知网、万方数据知识服务平台、维普网、中国生物医学文献服务系统及PubMed、The Cochrane Library、Embase、Web of Science核心合集数据库,检索时限为2015年1月至2026年3月。采用主题词和自由词相结合的方式进行检索,中文检索词包括心血管疾病高危人群、高血压、糖尿病、肥胖、一级预防,AI、人工智能、智能技术、机器学习、可穿戴设备、算法,自我管理、健康管理。英文检索词包括Cardiovascular Diseases、Heart Disease Risk Factors、Primary Prevention、Artificial Intelligence、Machine Learning、Deep Learning、Wearable Electronic Devices、Mobile Applications、Digital Health、Self-Management、Disease Management、Patient Compliance。以中国知网、PubMed为例,检索式见图1。
图1 检索策略
1.2.1 纳入标准 ①研究对象:心血管疾病高危人群,年龄 ≥18岁。人群定义综合参考中国心血管疾病高危人群早期筛查与综合干预项目的实践标准与国际通用原则,心血管疾病高危人群符合以下至少一项条件[7]。a.已确诊的心血管代谢性疾病(符合以下任意一条):高血压病、糖尿病、血脂异常或肥胖;b.疾病史(符合以下任意一条即可):心肌梗死病史、脑卒中病史(缺血性或出血性)、经皮冠脉介入治疗史、冠状动脉搭桥手术史;c.经专业心血管疾病风险评估工具评估后,判定为心血管疾病高危人群。②研究类型:随机对照试验。③干预措施:干预组予AI技术支持的健康管理干预,包括智能健康管理系统或平台、智能穿戴设备、智能健康APP及其他智能算法支持健康决策形式,常规组予常规医疗护理、健康教育或其他非AI技术为主要支持的健康管理方式。④结局指标(包含以下任一条):a.心血管代谢中间结局。糖化血红蛋白(glycosylated hemoglobin,HbA1c)、空腹血糖(fasting blood glucose,FPG)、收缩压(systolic pressure,SBP)和舒张压(diastolic pressure,DBP)、低密度脂蛋白胆固醇(low-density lipoprotein cholesterol,LDL-C)、总胆固醇(total cholesterol,TC)、体质量指数(body mass index,BMI)等指标;b.自我管理能力、用药依从性等其他用于衡量患者健康行为能力的指标。
1.2.2 排除标准 ①个案、综述、会议摘要;②孕妇合并其他恶性疾病的文献;③干预措施为非AI技术为主要支持的文献;④重复发表、数据缺失或不完整的文献;⑤无法获取全文;⑥非中、英文文献;⑦灰色文献。
两名研究者独立筛选文献、提取资料并交叉核对,如遇分歧,则讨论解决或交由第3名研究者协助判断。从纳入的研究中提取的内容包括:第一作者姓名、发表年份、国家等;研究对象特征;研究方法学质量、干预措施、结局指标等。
采用Cochrane偏倚风险评估工具(RoB 2.0)对纳入文献进行风险评估,评估维度包括随机序列产生、分配隐藏、研究者与研究人员施盲、结果评估施盲、数据完整性、选择性报告及其他偏倚。依据标准对纳入文献的每部分做出低、中、高风险的判断,最后参考评估结果对文献总体偏倚风险判断为“低风险”“有一些风险”“高风险”,出现分歧时讨论解决。
使用RevMan 5.3统计学软件进行数据分析。根据结局指标选择合适的效应量进行合并分析:二分类变量采用风险差(RD)表示,连续变量使用均数差(MD)或标准化均数差(SMD)表示;所有效应量均以95%CI表示。纳入研究的异质性通过Cochrane χ2检验分析,若I2 ≤50%、P>0.1,则各研究间存在同质性,采用固定效应模型分析;反之,采用随机效应模型分析。敏感性分析通过逐项排除法及变换统计模型以评估分析结果的稳定性。以P<0.05为差异有统计学意义。
文献筛选严格遵循PRISMA声明流程。初步检索得文献19 042篇,删除重复文献后剩余14 321篇;依据文献纳入及排除标准,阅读标题、摘要后筛选剩余953篇;随后进行全文阅读复筛,最终纳入11篇[8-18]文献。文献筛选流程见图2,纳入文献的基本特征见表1。
表1 纳入文献基本特征
干预措施干预纳入研究国家样本量(干预组/常规组,例)研究对象特征结局指标干预组常规组时间秦征魏等[8]2024中国103/103糖尿病智能中医设备常规管理12个月①②③④张红芳等[9]2025中国127/127糖尿病智慧医联体管理平台常规管理3个月②⑦⑨邢肖雅等[10]2023中国91/91老年2型糖尿病智能语音对话系统常规管理3个月①②⑨闫朝霞等[11]2020中国130/130青中年2型糖尿病智慧医疗云管理平台常规管理3个月①②⑧刘才基等[12]2026中国29/29糖尿病AI云平台管理/常规管理常规管理3个月①②⑧Tan等[13]2023新加坡159/160糖尿病智能远程监测管理系统常规管理6个月①③④⑤⑦⑧Yoon等[14]2025韩国88/85原发性高血压基于知识库的临床决策支持系统常规管理24周③④⑨Pokushalov等[15]2024俄罗斯34/33LDL-C异常GenAIS™系统常规管理90 d⑤⑥Yao等[16]2026中国31/31原发性高血压AI辅助远程康复应用常规管理8周③④Persell等[17]2020美国144/152原发性高血压对话式人工智能智能手机应用常规管理6个月③④Horne等[18]2022美国89/93有他汀适应证强化学习模型常规管理12个月⑨
注 ①HbA1c;②FPG;③SBP;④DBP;⑤TC;⑥LDL-C;⑦BMI;⑧自我管理能力;⑨用药依从性。AI:人工智能;HbA1c:糖化血红蛋白;FPG:空腹血糖;SBP:收缩压;DBP:舒张压;TC:总胆固醇;LDL-C:低密度脂蛋白胆固醇;BMI:体质量指数。
图2 文献筛选流程
11项研究中,10项[9-18]研究明确提到随机方法;6篇[13-18]英文文献明确说明实施了分配隐藏,剩余5篇[8-12]中文文献未描述分配隐藏措施;11项研究[8-18]均因智能技术干预措施的性质无法对受试者或研究人员设盲,评为高风险;9项研究[10-18]使用客观结局指标或明确说明结局评估者被设盲;11项研究[8-18]均充分报告失访情况,数据完整;11项研究[8-18]均报告了其主要预设的结局指标,未发现选择性报告迹象。文献质量总体评价均为“有一些风险”。偏倚风险评价结果见图3~图4。
图3 文献偏倚风险评价
图4 文献偏倚风险评价汇总
2.3.1 心血管疾病相关危险因素
2.3.1.1 HbA1c水平 5项研究[8,10-13]报告了HbA1c水平,异质性结果显示I2=87%,P<0.000 01,各研究间存在异质性,采用随机效应模型进行分析。结果显示,干预组HbA1c水平低于常规组(MD=-0.79,95%CI:-1.11~-0.47,P<0.000 01)。见图5。
图5 两组HbA1c水平比较森林图
2.3.1.2 FPG水平 5项研究[8-12]报告了FPG水平,异质性结果显示I2=85%,P<0.000 1,各研究间存在异质性,采用随机效应模型进行分析。结果显示,干预组FPG水平低于常规组(MD=-1.13,95%CI:-1.53~-0.74,P<0.000 01)。见图6。
图6 两组FPG水平比较森林图
2.3.1.3 SBP水平 5项研究[8,13-14,16-17]报告了SBP水平,异质性结果显示I2=0%,P=0.71,各研究间存在同质性,采用固定效应模型进行分析。结果显示,干预组SBP水平低于常规组(MD=-3.87,95%CI:-5.46~-2.27,P<0.000 01)。见图7。
图7 两组SBP水平比较森林图
2.3.1.4 DBP水平 5项研究[8,13-14,16-17]报告了DBP水平,异质性结果显示I2=83%,P<0.000 1,各研究间存在异质性,采用随机效应模型进行分析。结果显示,干预组DBP水平低于常规组(MD=-3.23,95%CI:-6.07~-0.39,P=0.03)。见图8。
图8 两组DBP水平比较森林图
2.3.1.5 TC、LDL-C、BMI水平 仅2项研究[13,15]报告了TC水平,1篇研究[15]报告了LDL-C水平,2篇研究[9,13]报告了BMI水平,三项指标因研究证据不足,无法进行合并分析或合并结果稳健性不足。
2.3.2 健康行为
2.3.2.1 自我管理能力 3项研究[11-13]报告了自我管理行为,异质性结果显示I2=98%,P<0.000 01,各研究间存在异质性,采用随机效应模型进行分析。结果显示,干预组自我管理能力高于常规组(SMD=3.45,95%CI:1.71~5.19,P=0.000 1)。见图9。
图9 两组自我管理能力水平比较森林图
2.3.2.2 用药依从性 4篇研究[9-10,14,18]报告了用药依从性,异质性结果显示I2=0%,P=0.42,各研究间存在同质性,采用固定效应模型进行分析。结果显示,干预组用药依从性高于常规组(RD=0.14,95%CI:0.08~0.20,P<0.000 01)。见图10。
图10 两组用药依从性水平比较森林图
通过变换统计模型,对HbAlc、FPG、DBP、自我管理能力进行敏感性分析,结果显示,变换统计模型后各指标合并结果相似。见表2。
表2 敏感性分析
结局指标纳入研究效应模型效应量[MD/SMD(95%CI)]P值HbA1c5项[8,10-13]固定效应模型-0.79(-0.90~-0.68)<0.000 01 FPG5项[8-12]固定效应模型-1.10(-1.25~-0.95)<0.000 1 DBP5项[8,13-14,16-17]固定效应模型-3.34(-4.43~-2.25)<0.000 1自我管理能力3项[11-13]固定效应模型2.09(1.89~2.29)<0.000 01
注 HbA1c:糖化血红蛋白;FPG:空腹血糖;DBP:舒张压;MD:均数差;SMD:标准化均数差。
采用逐项剔除法,评估未明确报告结局评估者盲法对主观结局指标合并结果的影响。对于用药依从性,仅张红芳等[9]未明确报告结局评估者是否施盲,剔除该研究后结果显示,用药依从性合并结果稳定(RD=0.17,95%CI:0.09~0.24,P<0.000 1。对于自我管理能力,纳入的3项研究[11-13]均明确报告对结局评估者实施了设盲,故未进行剔除敏感性分析。
各结局指标纳入文献数量均<10篇,故未绘制漏斗图。
本研究结果显示,AI技术支持的健康管理能显著降低心血管疾病高危人群的HbAlc、FPG、SBP及DBP水平,并提升自我管理能力与用药依从性,但对TC、BMI及LDL-C改善的证据不足。总体而言,AI干预在改善血糖、血压及健康行为方面具有积极价值。其影响机制可能与以下几个方面有关:①AI系统通过智能提醒、个性化反馈与远程监测形成闭环管理,提高了患者的治疗执行力,直接提升了用药和自我护理行为[19];②通过借助个性化反馈增强患者自我效能,能够促进健康行为长期维持,在一定程度上弥补了传统慢性疾病管理中人力资源不足、随访效率低下等缺陷[20]。
AI干预形式多样,尽管在本研究中meta合并分析显示整体有效,但不同技术类型对结局指标的改善程度可能存在差异。有研究发现,同一慢性疾病中,不同AI技术产生的临床结局差异显著[21]。在本研究中,Tan等[13]使用算法驱动的远程监测系统对血糖和血压的综合改善效果较为突出,可能与其实时数据传输与医师主动干预的机制有关;而Persell等[17]研究单纯依赖智能手机应用程序,虽能观察到血压降低,但效应量相对较小。在用药依从性方面,Horne等[18]采用的强化学习模型和Yoon等[14]使用的知识库决策支持系统均显示出显著效果,提示行为助推与智能化提醒相结合的干预模式可能更有利于提升长期依从性[22]。由于各研究间技术交互、人工参与程度等差异较大,难以直接比较优劣,这也是本研究指标合并异质性的主要来源。
本研究纳入的文献大多以糖尿病或原发性高血压患者为研究对象,缺乏肥胖、代谢综合征或多重危险因素共存的心血管疾病高危人群。肥胖患者的行为干预需求与糖尿病患者存在差异,其自我管理重点更多集中于饮食控制与体力活动而非药物依从性[23]。此外,受经济资源与文化水平等限制,现有研究大多在城市三甲医院或发达地区开展,研究对象具有较好的数字素养和智能手机使用条件,资源可及性高[24]。然而,农村、偏远地区等恰恰是心血管疾病高危人群聚集、传统健康管理能力薄弱的区域,AI干预的实际需求潜力更大,对于AI支持的健康干预在资源薄弱基层地区的应用效果有待进一步验证[25]。
本研究存在一定的局限性:各项指标纳入研究较少,未能进行发表偏倚检验,且纳入研究的地域分布不均,研究对象大多为高血压病、糖尿病患者,缺少肥胖等人群的研究,限制了结论的推广性,多数研究的随访时间较短,AI干预的长期效果尚不明确。基于上述发现与局限,对今后研究与实践提出以下建议:①开展针对不同AI技术类型的比较研究,明确不同技术类型在不同人群特征中的应用优劣;②扩大研究人群覆盖范围,优先关注血脂异常、代谢综合征等患者的AI应用形式与研究;③推动基层及资源匮乏地区的AI干预研究,开发低成本、易操作的适配性工具;④推动多中心、大样本量的高质量研究,并注意延长随访周期,以观察AI干预的长期效果。
利益冲突声明:所有作者均声明不存在利益冲突。
[1] Banach M,Toth P P,Bielecka-Dąbrowa A,et al. Primary and secondary cardiovascular prevention:recent advances [J].Kardiol Pol,2024,82(12):1200-1210.
[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] Ecos F C,Chavez R,Sanchez C A V,et al. Mobile health APPs for cardiovascular risk assessment:a systematic review [J]. J Am Coll Cardiol,2024,83(13):2596.
[4] Shajari S,Kuruvinashetti K,Komeili A,et al. The emergence of AI-based wearable sensors for digital health technology:a review [J]. J Sensors,2023,23(23):9498.
[5] Krackhardt F,Jörnten-Karlsson M,Waliszewski M,et al.Results from the “Me & My Heart”(eMocial)study:a randomized evaluation of a new smartphone-based support tool to increase therapy adherence of patients with acute coronary syndrome [J]. Cardiovasc Drug Ther,2023,37(4):729-741.
[6] Chen S,Salvatore L,Chen K,et al. Artificial intelligence for risk assessment on primary prevention of coronary artery disease [J]. Curr Cardiovasc Risk,2023,17(12):215-231.
[7] Linderman G C,Lu J,Lu Y,et al. Association of body mass index with blood pressure among 1.7 million chinese adults [J]. JAMA Netw Open,2018,1(4):e181271.
[8] 秦征魏,杨贇,岑凯. 人工智能技术应用于2型糖尿病患者中医健康管理的效果评估[J]. 健康研究,2024,44(6):611-614,626.
[9] 张红芳,闫朝霞. 智慧医联体平台共管分级诊疗模式在糖尿病患者中的应用效果[J]. 河南医学研究,2025,34(3):530-535.
[10] 邢肖雅,屈小伶,仇金玮,等. 智能化语音随访系统在老年糖尿病患者中的应用[J]. 中华现代护理杂志,2023,29(23):3179-3184.
[11] 闫朝霞,赵青华,刘亚楠,等. 三级综合医院糖尿病教育门诊智慧医疗云管理平台的构建及应用效果观察[J]. 中华现代护理杂志,2020,26(24):3293-3300.
[12] 刘才基,林晓燕,江金钗,等. 基于人工智能的远程血糖监测技术在糖尿病患者血糖管理中的应用[J]. 医疗装备,2026,39(1):120-122.
[13] Tan N C,Tyagi S,Lee C S,et al. Effectiveness of an algorithm-driven home telemonitoring system on the metabolic control and self-care behaviour of asian adults with type-2 diabetes mellitus:a randomised controlled trial [J]. J Telemed Telecare,2023,31(4):1357633X231203490.
[14] Yoon M,Hur T,Park S J,et al. Self-monitoring of blood pressure and feedback via mobile app in treatment of uncontrolled hypertension:the SMART-BP randomized clinical trial [J]. Mayo Clin Proc,2025,100(5):840-853.
[15] Pokushalov E,Ponomarenko A,Smith J,et al. Efficacy of AI-guided(GenAISTM)dietary supplement prescriptions versus traditional methods for lowering LDL cholesterol:a randomized parallel-group pilot study [J]. Nutrients,2024,16(13):2023.
[16] Yao Q,Qiu B,He L,et al. Effects of artificial intelligence recognition-based telerehabilitation on exercise capacity in patients with hypertension:randomized controlled trial [J]. J Med Internet Res,2026,28:e81400.
[17] Persell S D,Peprah Y A,Lipiszko D,et al. Effect of home blood pressure monitoring via a smartphone hypertension coaching application or tracking application on adults with uncontrolled hypertension:a randomized clinical trial [J]. JAMA Netw Open,2020,3(3):e200255.
[18] Horne B D,Muhlestein J B,Lappe D L,et al. Behavioral nudges as patient decision support for medication adherence:the ENCOURAGE randomized controlled trial [J].Am Heart J,2022,244:125-134.
[19] 吕梁,庄乾淑,李伟. 基于闭环管理模式构建全院糖尿病信息化平台[J]. 中国冶金工业医学杂志,2026,43(2):217-219.
[20] Du Y,Yang P,Liu Y,et al. Artificial intelligence in chronic disease self-management:current applications and future directions [J]. Front Public Health,2025,13:1689911.
[21] Hwang M,Zheng Y,Cho Y,et al. AI applications for chronic condition self-management:scoping review [J]. J Med Internet Res,2025,27:e59632.
[22] Mathioudakis N,Lalani B,Abusamaan M S,et al. An AI-powered lifestyle intervention vs human coaching in the diabetes prevention program:a randomized clinical trial [J]. JAMA,2025,334(23):2079-2089.
[23] Kurnik Mesarič K,Pajek J,Logar Zakrajšek B,et al. Cognitive behavioral therapy for lifestyle changes in patients with obesity and type 2 diabetes:a systematic review and meta-analysis [J]. Sci Rep,2023,13(1):12793.
[24] Joseph J. Algorithmic bias in public health AI:a silent threat to equity in low-resource settings [J]. Front Public Health,2025,13:1643180
[25] Liu M,He X,Yang X,et al. 2024 annual report on cardiovascular health and diseases in China:data and trend [J].Chin Med J (Engl),2025,138(23):3037-3049.
Meta-analysis of the effects of artificial intelligence intervention on related risk factors and health behaviors in high-risk populations for cardiovascular disease
X