Clinical applications of artificial intelligence in hypertension management: current evidence and future perspectives

BACKGROUND: Hypertension remains the leading modifiable risk factor for cardiovascular morbidity and mortality worldwide, with persistently inadequate blood pressure control despite guideline-directed therapy. The rapid expansion of digital health data and computational capacity has positioned artificial intelligence (AI) as a promising tool for improving hypertension management through enhanced risk prediction, phenotyping, and individualized care. However, important challenges related to external validation, interpretability, implementation, and real-world clinical benefit remain unresolved. METHODS: We conducted a structured narrative review with a systematic literature search across PubMed/MEDLINE, Embase, and Scopus for studies published between January 2015 and December 2025. Eligible studies evaluated clinically relevant applications of AI in hypertension, including screening, diagnosis, cardiovascular risk stratification, treatment optimization, clinical decision support, and remote monitoring. Findings were synthesized qualitatively because of substantial heterogeneity in study design, AI methodology, and reported outcomes. RESULTS: AI-based models demonstrated favorable performance in predicting incident hypertension and cardiovascular risk using electronic health records, wearable technologies, and multimodal clinical datasets. Machine learning approaches frequently outperformed conventional risk prediction models, with reported area under the curve values generally ranging from approximately 0.75 to 0.90 across representative studies. AI-supported systems also showed potential for personalized antihypertensive therapy, resistant hypertension identification, and continuous blood pressure monitoring. However, most available evidence remains based on retrospective or internally validated datasets, and relatively few studies have demonstrated robust external validation or improvements in hard clinical outcomes such as cardiovascular events or mortality. CHALLENGES: Major barriers to implementation include data heterogeneity, algorithmic bias, limited interpretability, insufficient external validation, infrastructure and cost requirements, regulatory uncertainty, and concerns regarding patient trust and data privacy. In addition, evidence supporting widespread clinical implementation remains limited by the scarcity of large prospective randomized trials. CONCLUSION: AI has the potential to substantially transform hypertension management by enabling more precise, proactive, and personalized care. Nevertheless, rigorous prospective validation, improved transparency, equitable implementation strategies, and seamless integration into clinical workflows will be essential before widespread clinical adoption can be achieved. ZUSAMMENFASSUNG: HINTERGRUND: Hypertonie bleibt einer der führenden modifizierbaren Risikofaktoren für Herz-Kreislauf-Morbidität und -Mortalität weltweit, mit anhaltend inadäquater Blutdruckeinstellung trotz leitliniengerechter Therapie. Durch die schnelle Ausbreitung digitaler Gesundheitsdaten und der Rechenkapazität ist künstliche Intelligenz (KI) zu einem vielversprechenden Instrument für eine bessere Blutdruckeinstellung durch verstärkte Risikoprädiktion, Phänotypisierung und individualisierte Versorgung geworden. Jedoch sind entscheidende Probleme hinsichtlich der externen Validierung, Interpretierbarkeit, Implementierung und des klinischen Nutzens in der Praxis immer noch ungelöst. METHODEN: Es wurde eine strukturierte narrative Übersichtsarbeit mit einer systematischen Literatursuche in den Datenbanken PubMed/MEDLINE, Embase und Scopus nach Studien durchgeführt, die zwischen Januar 2015 und Dezember 2025 publiziert wurden. Geeignete Studien untersuchten klinisch relevante Anwendungen der KI bei Hypertonie, einschließlich Screening, Diagnosestellung, kardiovaskulärer Risikostratifizierung, Therapieoptimierung, klinischer Entscheidungshilfe und Telemonitoring. Die Befunde wurden wegen wesentlicher Heterogenität im Studiendesign, in der KI-Methodik und bei den beschriebenen Ergebnissen qualitativ zusammengefasst. ERGEBNISSE: KI-basierte Modelle wiesen eine günstige Leistungsfähigkeit bei der Vorhersage von neu auftretender Hypertonie und des kardiovaskulären Risikos unter Einsatz von elektronischen Krankenakten, Wearables und multimodalen klinischen Datensätzen auf. Ansätze mit maschinellem Lernen übertrafen häufig konventionelle Risikoprädiktionsmodelle, dabei wurden Werte für die Fläche unter der Kurve angegeben, die i. Allg. bei annähernd 0,75–0,90 in allen repräsentativen Studien lagen. KI-unterstützte Systeme zeigten auch Potenzial für eine personalisierte antihypertensive Therapie, für die Erkennung therapierefraktärer Hypertonie und für die kontinuierliche Blutdrucküberwachung. Allerdings basiert die verfügbare Evidenz immer noch zumeist auf retrospektiven oder intern validierten Datensätzen, und nur relativ wenige Studien zeigen eine robuste externe Validierung oder Verbesserungen bei harten klinischen Parametern wie kardiovaskulären Ereignissen oder Mortalität. HERAUSFORDERUNGEN: Zu den wesentlichen Hindernisse für die Implementierung gehören Datenheterogenität, algorithmische Verzerrung, begrenzte Interpretierbarkeit, unzureichende externe Validierung, Anforderungen in Bezug auf Infrastruktur und Kosten, regulatorische Unsicherheit und Bedenken hinsichtlich des Vertrauens der Patienten und des Datenschutzes. Außerdem bleibt die Evidenz zur Unterstützung der weitverbreiteten klinischen Implementierung begrenzt aufgrund des Mangels an großen prospektiven randomisierten Studien. SCHLUSSFOLGERUNG: KI hat das Potenzial, die Hypertoniebehandlung grundlegend zu verändern, indem sie eine präzisere, proaktive und personalisierte Versorgung ermöglicht. Trotzdem sind eine strenge prospektive Validierung, verbesserte Transparenz, Strategien für eine gerechte Umsetzung und nahtlose Integration in die klinischen Abläufe grundlegende Voraussetzung, bevor eine weitverbreitete klinischen Implementierung erzielt werden kann.