AI在高血压健康教育中的应用：范围综述

摘要 背景：高血压是一项重大的全球健康挑战，有效的健康教育对于改善患者的自我管理至关重要。传统的健康教育方法往往受到个性化不足、可及性和可扩展性有限的制约。人工智能（AI），包括自然语言处理、机器学习和大型语言模型（LLMs），为解决这些局限性提供了前景广阔的解决方案。然而，关于AI在高血压健康教育中应用的相关证据尚未得到全面整合。 目的：本范围综述旨在总结当前AI在高血压健康教育中应用的证据，并明确研究空白，以为未来的研究和实践提供参考。 方法：本综述遵循Joanna Briggs Institute方法学和PRISMA-ScR（范围综述系统评价和Meta分析优先报告条目扩展指南）指南。检索了2015年1月至2026年6月期间的6个数据库（PubMed、Embase、Web of Science、Cochrane Library、CINAHL和Scopus）。使用参与者-概念-情境（PCC）框架制定了合格标准。两名评审员独立进行研究筛选和数据提取。研究设计采用Mixed Methods Appraisal Tool框架进行分类。与范围综述方法学一致，未进行正式的质量评价。研究结果采用叙述性综合，并通过证据差距图、表格和图表呈现。 结果：共纳入来自11个国家的24项研究，包括6项随机对照试验、4项非随机试验、11项定量描述性研究和3项混合方法研究。大多数研究发表于2024年至2026年之间。总共确定了3类AI应用场景：基于规则的健康教育、数据驱动的自适应健康教育以及生成式AI驱动的健康教育。自然语言处理是应用最广泛的技术，且基于LLM的应用在2023年后迅速增加。然而，生成式AI研究主要为概念验证评估，缺乏随机临床验证。健康教育极少作为独立干预措施实施，通常嵌入在多功能AI平台中。结局指标采用Digital Health Scorecard Framework分为4个领域：技术、临床、可用性和成本。技术准确性和血压结局是最常报告的指标，而尚无研究评估经济结局。 结论：这项关于AI在高血压健康教育中应用的首篇范围综述表明，生成式AI的快速发展与严格临床证据的匮乏之间存在不匹配。确定了三大主要研究空白：(1) 缺乏涵盖技术、行为、临床和实施领域的标准化核心结局集；(2) 将LLM与结构化医学知识库相结合的混合架构开发有限；(3) 缺乏同时满足监管和实施要求的评估框架。AI似乎最适合作为临床医生开展教育的补充，而非替代。未来的研究应优先开展严格的临床验证、经济学评价、多元文化适应以及健康素养公平性研究，以确保AI驱动的健康教育能够减少而非加剧高血压控制方面的差异。