セルフモニタリングとモバイルヘルスが血圧管理を改善する

モバイル技術を用いた血圧自己管理プログラムに参加した成人における高血圧コントロールの評価

著者 Tomer Gazit, PhD1; Michal Gutman, BSc1; Alexis L. Beatty, MD, MAS2

出典 米国医師会雑誌

‍

キーポイント

質問モバイル技術を用いた血圧自己管理プログラムへの参加は、長期的な血圧コントロールと関連するか？

研究結果高血圧または高血圧症の米国成人28 189人を対象としたこのコホート研究では、血圧モニターと接続されたスマートフォンアプリケーションを用いた高血圧自己管理プログラムに参加し、臨床に基づくデジタルコーチングを受けた。

意味 これらの知見は、モバイル技術を用いた高血圧自己管理プログラムが、実際の血圧モニタリングとコントロールに有用である可能性を示唆している。

‍

要旨

重要性-モバイル技術を用いた高血圧自己管理プログラムが血圧（BP）コントロールと関連するかどうかは不明である。

目的-BPモニターを用いた高血圧自己管理プログラムへの参加と、臨床に基づくデジタルコーチングを含むスマートフォンアプリケーションとの連携が、3年間という長期間の追跡期間中のBPコントロールと関連しているかどうかを検討すること。

デザイン、設定、参加者-このコホート研究は、2015年1月1日から2020年7月1日の間に血圧上昇または高血圧を有する米国の成人を登録した。高血圧自己管理プログラムは、参加者（またはその配偶者）の雇用主の医療保険を通じて提供された。

Exposures- プログラムの平均申し込みセッション数で定義されるプログラムへの参加。

主なアウトカムと測定法-収縮期および拡張期血圧を米国食品医薬品局認定の血圧計で測定し、正常（収縮期血圧120mmHg）、上昇（収縮期血圧120～129mmHg）、第1期高血圧（収縮期血圧130～139mmHg）、第2期高血圧（収縮期血圧140mmHg）のカテゴリーに分類した。その他の測定項目は、年齢、性別、うつ病、不安、糖尿病、高コレステロール、喫煙、地理的地域、地域剥奪指数、自己申告による体重、機器による身体活動量（1日当たりの歩数）であった。

結果-参加者28189人（年齢中央値［IQR］51［43-58］歳；女性9424人［40.4％］；男性13902人［59.6％］）において、ベースラインの収縮期血圧中央値（IQR）は129.5mmHg（120.5-139.6mmHg）、拡張期血圧は81.7mmHg（75.7-88.4mmHg）であった。1年後の収縮期血圧の中央値は、ベースラインの血圧が高かった参加者934人中495人（53.0％）、ベースラインのステージ1高血圧症966人中673人（69.7％）、ベースラインのステージ2高血圧症1075人中920人（85.7％）で少なくとも1カテゴリー改善した。3年間プログラムに参加した参加者の収縮期血圧は、ベースラインと比較して、高血圧、1期高血圧、2期高血圧でそれぞれ平均7.2（0.4）mmHg、12.2（0.7）mmHg、20.9（1.7）mmHg低下した。より高い関与は経時的な収縮期血圧の低下と関連していた（高関与群：131.2mmHg；95％CI、115.5-155.8mmHg；中等度関与群：133.4mmHg；95％CI116.3-159.5mmHg；低関与群：135.5mmHg；95％CI、117.3-164.8mmHg；P 0. 001）；これらの結果は、年齢、性別、うつ病、不安、糖尿病、高コレステロール、喫煙、地域剥奪指数順位、米国地域について調整した後も持続し、身体活動の増加によって部分的に媒介された。超高血圧（収縮期血圧180mmHg）は、3778人の参加者から11 637回観察された。より高い関与はより低い超高BPリスクと関連していた；超高BPの推定確率は、中位関与群（0.79％；95％CI、0.71％-0.87％；P0.001）および高位関与群（0.53％；95％CI、0.45％-0.60％；両群との比較でP0.001）と比較して、低位関与群（1.42％；95％CI、1.26％-1.59％）で大きかった。

結論と関連性-本研究の結果は、モバイル技術を用いた高血圧自己管理プログラムが、長期的な血圧コントロールと超高血圧の検出をサポートできることを示唆している。このようなプログラムは実世界の血圧モニタリングとコントロールを改善する可能性がある。

‍

はじめに

米国の成人の約47％が高血圧であり、高血圧患者のわずか22％しか適切な血圧コントロールができていないと推定されている。1血圧自己測定は、より良い血圧コントロールを達成するための介入として提案されている。

モバイル技術による介入は、血圧の自己管理を促進し、自動化されたライフスタイルコーチングを提供するために使用することができる。 4研究は、モバイル技術による介入が収縮期血圧の低下および拡張期血圧の低下と関連することを示唆している。

ハローハート」は、血圧計と接続されたスマートフォンアプリ（アプリ）を用いた高血圧自己管理プログラムである。このプログラムへの参加は、22週間もの長期にわたって血圧の低下と関連している8。高血圧または高血圧症の大規模集団において、高血圧自己管理プログラムへの参加が、3年もの長期にわたる血圧コントロールおよび超高血圧のリスクと関連しているかどうかを調査した。われわれは、高血圧自己管理プログラムへの参加度が高いほど、BPコントロールおよび超高BPリスクの低下と関連するという仮説を立てた。

‍

方法

研究デザインと参加者

本試験は、米国において2015年1月1日から2020年7月1日のいずれかの時点で登録された、参加者（またはその配偶者）の雇用主ベースの医療保険を通じて高血圧自己管理プログラムを利用した参加者のコホート研究である。血圧上昇または高血圧の診断または保険請求、および/または高血圧の治療または管理のための薬剤の薬局請求のある個人が、郵送されたはがき、現場でのプロモーションコミュニケーション、および/または雇用者の福利厚生パッケージのオンラインポータルコミュニケーションを使用して、プログラムに登録するように招待された。参加は任意であり、参加者は、非識別化されたデータが研究に使用される可能性があることを明記した利用規約およびプライバシーポリシー同意書に署名した。参加基準として、本プログラムに参加している21社のうち1社の従業員（または配偶者）であり、研究期間中いつでもアプリで少なくとも2回の血圧測定を記録することが求められた。参加者データはすべて非識別化され、安全に暗号化された。このプログラムは医療保険の相互運用性と説明責任に関する法律に準拠している。この非識別化の最小リスク研究は免除として承認され、インフォームド・コンセントの放棄がWCG施設審査委員会により認められた。このコホート研究は、Strengthening the Reporting of Observational Studies in Epidemiology（STROBE）報告ガイドラインに従って報告されている9。

テクノロジー

高血圧自己管理プログラムでは、米国食品医薬品局（FDA）認可のBluetooth対応BPモニター（Zewa UAM-910BT、Zewa UAM-900T、またはA&D UA-651BLE BPカフ）とスマートフォンアプリが組み合わされている。参加者は個人のモバイル機器を使って血圧、体重、身体活動を記録する。このソフトウェアには、服薬アドヒアランスのリマインダーと、使用パターンに基づくアルゴリズムを用いてライフスタイルの変化（BP管理のためのガイドライン推奨の非薬物介入）を促す臨床ベースのデジタルコーチングが組み込まれており、各個人にパーソナライズされる。この高血圧自己管理プログラムは、使いやすさ、ゲーミフィケーション、人工知能、わかりやすさ、明快さなど、モバイルヘルスのベストプラクティスを取り入れることで、ユーザーのエンゲージメントを最大化するように設計されている。このアプリケーションは、一元化されたモバイルプラットフォームで医療データを整理し、参加者が医師の電子カルテにリモート接続して、検査データや医薬品使用データを自動的に入力できるようにする。ユーザー・インターフェースは英語とスペイン語に対応している。

計測

ベースラインの参加者の血圧は、最初の1週間の収縮期血圧の平均値によって分類された：(1）正常：収縮期血圧120mmHg未満、（2）上昇：収縮期血圧120～129mmHg、（3）ステージI高血圧：収縮期血圧130～139mmHg、（4）ステージ2高血圧：収縮期血圧140mmHg以上。収縮期血圧が180mmHg以上のものは超高血圧とみなされた。

BPを経時的に評価するため、最初の週（0週目）、最初のBP測定から2週目（1～2週目）、4週目（3～4週目）、6週目（5～6週目）、12週目（11～12週目）、26週目（24～27週目）、52週目（48～55週目）、104週目（96～111週目）、155週目（148～163週目）の各時点で、収縮期および拡張期BPの中央値を評価した。参加者がプログラムに登録した時期が異なるため、追跡期間はすべての参加者で同じではなく、すべての参加者がすべての時点のデータを提供したわけではない。163週以降のデータは解析しなかった。

プログラムへの参加者の関与は、定義されたBP測定時点において参加者がアプリケーションに関与したセッション数によって分類された。各時点のセッション数を正規化し、時点間で平均して、全体的なユーザー関与スコアを形成した。このスコアは、連続変数として、またK平均アルゴリズムを用いて3つのグループ（低関与度、中関与度、高関与度）にクラスタリングすることによりカテゴリー変数として適用された（付録のeMethods）。 付録).

人口統計学的データは、参加者が最初にアプリをダウンロードしたときに収集され、年齢、性別、地理的位置、および関係（従業員または配偶者）が含まれた。うつ病、不安、糖尿病、高コレステロール、喫煙などの参加者の併存疾患は、アプリで自己申告した。地域の剥奪指数は、ウィスコンシン大学のNeighborhood Atlasによって定義され、5分位に分けられた10。米国の地域（北東部、中西部、西部、南部）は、米国国勢調査局によって定義された11。

体重と身長はアプリで自己申告。体格指数（BMI；体重（キログラム）÷身長（メートル2乗）で算出）は、自己申告された体重と身長を用いて推定された。身体活動は研究期間中に追加された機能であったため、すべての参加者についてデータを入手することはできなかった。身体活動は、Apple Health（iOS）またはGoogle Fit（Android）アプリによって収集された1日あたりの歩数によって追跡された。

統計分析

サンプルサイズは、組み入れ基準を満たす試験期間中に登録されたすべての参加者を組み入れることによって決定された。収縮期または拡張期BPを従属変数、最初のBP測定からの時間および関与群を固定変数、企業をランダム変数とする混合モデルを、BP上昇または高血圧を有する参加者の年齢、性別、抑うつ、不安、糖尿病、高コレステロール、喫煙、地域剥奪指数順位、米国地域の共変量で調整する場合と調整しない場合で実施した。参加者レベルのランダム効果はなかった。BPの欠測値は、混合効果モデルにおける欠測値とみなされた。ラウンドロビン方式で他の変数の関数として欠損値のある各変数をモデル化することにより、反復インピュータを用いて共変量の欠損データの多重代入を行った。時間の関連性の大きさは時間とともに変化するため、2つの異なる時間範囲（0～12週と26～156週）について特定の線形混合モデルを行った。

関与と超高値BPとの関連を評価するため、関与群を固定変数、会社をランダム変数とする混合モデルを用いて、年齢、性別、うつ病、不安、糖尿病、高コレステロール、喫煙、地域剥奪指数ランク、米国地域について調整する場合としない場合の超高値BPの確率をモデル化した。超高血圧後のBPコントロールは、超高血圧後10日以内に少なくとも1回の測定があった参加者のみを含み、その後10日間でBPが低下した参加者の割合を計算することにより評価した。血圧の漸増と超高血圧との関連を評価するため、超高血圧（収縮期血圧上昇後1ヵ月以内）の参加者の割合を従属変数（超高血圧測定回数を目標とし、総測定回数の対数を付加オフセットとする）、3週間の間に測定されたBPの数を独立固定変数、参加者を確率変数とする一般化混合モデル（ポアソン分布）を用いて解析した。

体重とBP低下との関連を評価するため、BP変化（最初の体重測定時から最後の体重測定時まで）を従属変数、BMI変化（最後のBMIから最初のBMIを引いた値）をBMI開始値とともに固定独立変数、会社を確率変数とする混合モデルを用いた。BPの変化は次のように推定した：最初と最後の体重測定について、時間的に最も近い週を検索し、その収縮期と拡張期の中央値を評価した。最も近い週が4週間以上であった症例は除外した。次に、最初の体重測定に最も近い週のBP測定値の中央値を、最後の体重測定値の中央値から引き、BP（収縮期または拡張期）の変化の値を得た。Statsmodelsパイソンモジュール12を用いて、収縮期BP差を従属変数、関与群を独立変数、最初のBMIを共変量、BMI差を媒介変数として媒介分析を行った。身体活動と血圧低下との関連、および身体活動が関与と血圧変化との関連を媒介するかどうかを評価するために、同様の分析を行った。

統計解析はPythonモジュールstatsmodelsバージョン0.12.0を用いて行った。統計的有意性はP= .05とし、統計的有意性の検定は両側検定とした。

‍

結果

ベースラインの特徴と関与

組み入れ基準を満たした28 189人の参加者のうち、年齢中央値（IQR）は51歳（43-58歳）、性別データがある23 326人中9424人（40.4％）が女性、13 902人（59.6％）が男性であった(表1).ADIの中央値（IQR）は50（39-59）であり、794人（3.2％）がADIの最高分位（すなわち、最も不利な条件）にあった。ベースライン時の収縮期および拡張期血圧の中央値（IQR）は、それぞれ129.5mmHg（120.5-139.6mmHg）および81.7mmHg（75.7-88.4mmHg）であった。1週間当たりの平均血圧測定回数は、低関与群で中央値（IQR）1.3（0.6-2.8）、高関与群で2.8（1.5-5.3）であった(表2).エンゲージメントは性別によって異なっていた。 補足と年齢によって異なっていた。 補足).

血圧の経時変化

図 図は、正常血圧、血圧上昇、ステージ1高血圧、ステージ2高血圧で開始した参加者の、測定開始週からの経時的な血圧変化を示している。ベースラインBPは測定開始週からの平均BPと定義した。1年目までの収縮期血圧の中央値は、ベースライン血圧が高値であった934人中495人（53.0％）、ベースライン血圧が第1期高血圧であった966人中673人（69.7％）、ベースライン血圧が第2期高血圧であった1075人中920人（85.7％）で低下した(表3).プログラムを3年間継続した参加者では、これらの低値が維持され、高血圧、ステージ1、ステージ2の参加者では、それぞれベースラインと比較して収縮期血圧が平均（SEM）で7.2（0.4）mmHg、12.2（0.7）mmHg、20.9（1.7）mmHg低下した。最初の週に4回の血圧測定が行われた参加者のみを含み、4回の平均値に基づいて個人をカテゴリーに分類した感度分析でも、同様のパターンが示された（図1）。 付録).

ステージ2の高血圧で開始した参加者では、最初の測定からそれぞれ4週後、6週後、12週後、26週後、52週後、104週後に、4464人中2150人（48.2％）、3909人中1988人（50.9％）、2590人中1521人（58.7％）、2007人中1293人（64.4％）、1323人中842人（63.6％）、507人中354人（69.8％）が血圧コントロールを改善した。同様に、ステージ1の高血圧で開始した参加者では、4714人中2059人（43.7％）、4090人中1882人（46.0％）、2742人中1403人（51.2％）、1992人中1068人（53.6％）、1505人中774人（51.4％）、642人中366人（57.0％）が、それぞれ4週後、6週後、12週後、26週後、52週後、104週後に血圧コントロールが改善した（図2）。 付録).BPコントロールの改善は少なくとも1段階の改善（例：ステージ2から収縮期BP140mmHgまたはステージ1から収縮期BP130mmHg）と定義した。

関与とBPの経時的関連性

混合効果モデルにおいて、アプリへの関与の大きさは収縮期血圧の低下と関連しており、高関与の参加者は中関与または低関与の参加者よりもモデル推定による経時的な平均収縮期血圧が低かった（高関与：131.2mmHg；95％CI：115.5-155.8mmHg；中関与：131.2mmHg）：131.2mmHg；95％CI、115.5-155.8mmHg；中等度関与：133.4mmHg；95％CI116.3-159.5mmHg；低-エンゲージメント：135.5mmHg；95％CI、117.3-164.8mmHg；P0.001）。混合効果モデルにおいても、より高い関与はより低い拡張期血圧と関連しており、高関与の参加者は中関与または低関与の参加者よりも経時的に拡張期血圧が低かった（高関与：82.0mmHg；95％CI、67.5-97.7mmHg；中関与：83.5mmHg；95％CI、69.0-100.3mmHg；低関与：84.7mmHg；95％CI、69.0-104.5mmHg；P0.001）。これらの差は、年齢、性別、うつ病、不安、糖尿病、高コレステロール、喫煙、地域剥奪指数、地域で調整した後も持続した（付録の表3）。 付録).正規化したエンゲージメントスコアを連続変数とした場合にも、エンゲージメントと血圧の間に関連が認められ、エンゲージメントが1単位増加するごとに、収縮期血圧（0.85mmHg；95％CI、0.78-0.93mmHg；P0.001）および拡張期血圧（0.60mmHg；95％CI、0.55-0.66mmHg；P0.001）が低下した。

参加者の収縮期血圧は、0週から12週までの期間において、すべての参加群で1週間あたり0.5mmHg（95％CI、0.3-0.6mmHg）低下した（P0.001）。参加者は、0週から12週までの期間において、1週間あたり0.3mmHg（95％CI、0.3-0.4mmHg）拡張期血圧が低下した（P 0.001）。12週目までの血圧低下はすべての群で達成された（補遺の表4）。 付録).26週以降、参加者はBPを維持し、収縮期および拡張期BPに有意な変化はみられなかった。

非常に高い血圧

超高血圧（収縮期血圧180mmHg）は、3778人の参加者から11 637回観察された。超高血圧の推定確率は、低関与群（1.42％；95％CI、1.26％-1.59％）では、中関与群（0.79％；95％CI、0.71％-0.87％；P0.001）および高関与群（0.53％；95％CI、0.45％-0.60％；両群との比較ではP0.001）と比較して高かった。年齢、性別、うつ病、不安、糖尿病、高コレステロール、喫煙、地域剥奪指数、地域で調整した後も、関与と超高血圧リスクとの関連は統計的に有意であった。

超高血圧後10日以内に少なくとも1回の血圧測定があった超高血圧イベントのうち、9474人中8509人（89.8％）は収縮期血圧が180mmHg未満であった。参加者は、超高値血圧前の30日間は収縮期血圧が徐々に高くなり、超高値血圧後の30日間は収縮期血圧が急速に低下することが観察された（付録の図3）。 付録).週間平均収縮期血圧が140mmHgを超え、3週間で10mmHg以上の増加が観察された882人の参加者（収縮期血圧180mmHgなし）のうち、アプリに入力されたBP測定回数と超高BPの確率との関連を評価したところ、BP測定回数が多いほど超高BPの確率が低いことがわかった（付録の図3）。 付録).

BP、関与、BMI、身体活動

参加者のBMIまたは身体活動の変化により、関与と血圧との関連が媒介されるかどうかを調査した。体重の変化は、1ヵ月以上の間隔で1回以上体重を記録した3229人の参加者で評価することができた。BMIが1単位低下するごとに収縮期血圧が0.74mmHg（95％CI、0.19-1.29mmHg）低下することが分かった。BMIと拡張期血圧との関連はみられなかった。肥満（BMI 30）の参加者は、標準体重（BMI 18.5～25；平均差、2.36mmHg；95％CI、0.93～3.78mmHg）または過体重（BMI 25～30；平均差、1.57mmHg；95％CI、0.56～2.59mmHg；交互作用のP 0.001）の参加者と比較して、収縮期血圧の低下が大きかった。肥満の参加者は、標準体重の参加者（平均差、1.60mmHg；95％CI、0.60-2.59mmHg）または過体重の参加者（平均差、0.97mmHg；95％CI、0.26-1.67；交互作用0.001のP ）と比較して、拡張期血圧の低下が大きかった。BMIの変化は関与とは関連していなかった。媒介分析では、BMIが関与と収縮期血圧または拡張期血圧の低下との関連を媒介することは示されなかった。

BP測定と同じ週に接続データが得られた590人の参加者において、1日の歩数で表される身体活動を評価することができた。1日の歩数が1000歩増加するごとに、収縮期血圧は0.8mmHg（95％CI、0.08-1.48mmHg）低下した（P= 0.03）。歩数と拡張期血圧との間には統計的に有意な関連はみられなかった。高関与群（平均5236歩/d；95％CI、4881-5590歩/d）の参加者は、中関与群（4552歩/d；95％CI、4131-4974歩/d；P= 0.02）よりも身体活動量が高かった。低関与群と他の2群（4841歩/d；95％CI、4086-5596歩/d）との間に統計学的有意差はなかった。毎日の歩数は、関与と血圧低下との関連を部分的に媒介することがわかった（媒介された割合、17％；P= 0.04）。拡張期血圧との統計的に有意な関連はみられなかった。

‍

ディスカッション

高血圧または高血圧の大規模コホートにおいて、BPモニターと接続されたスマートフォンアプリを用いた高血圧自己管理プログラムに参加し、臨床に基づく自動化されたライフスタイルコーチングを受けることは、3年間という長期間のフォローアップで、BPの低下と関連していた。非常に高いBPを観察することができ、その後のBP測定はより安全なレベルで行うことができた。客観的に測定された身体活動データが入手可能な個人において、より高い身体活動は、関与とより低いBPとの関連を部分的に媒介した。このことは、自動化されたライフスタイルコーチングが、個人に身体活動を奨励することによって、部分的にBPに影響を及ぼす可能性を示唆している。

モバイル技術を用いて促進されるBP自己管理介入に関する先行研究では、BPコントロールとの有意な関連が認められている5-7,13。さらに、われわれの知る限り、本研究は高血圧管理のためのデジタルヘルスアプリケーションの長期的経験を報告した最初の研究であり、臨床的に意味のある可能性のある関連性の大きさを示している。スマートフォンアプリによる血圧自己測定と自動化されたライフスタイルコーチングに関するある小規模でパワー不足の研究では、BPコントロールに有意差は示されなかったが、自信と身体活動の改善が示された。これは、非薬理学的介入として身体活動を推奨するBPガイドラインの勧告と一致している2。しかし、この関連は低または中等度の活動に限定される可能性があるため、今後の研究ではこの関連の非線形性を評価すべきである15,16。したがって、他の因子が関与と血圧低下との関連に関与している可能性が高い。そのような要因には、アプリの推奨システムによって奨励される服薬アドヒアランス、ナトリウム摂取量の減少、ストレス管理、睡眠管理などが含まれる可能性がある。

モバイル技術を用いて促進されるBP自己管理と超高BPとの関連について発表されたエビデンスはほとんどない。われわれの研究は、自己管理プログラムへの関与が超高BPのリスク低下と関連する可能性を示唆している。また、あまり関与していない参加者であっても、プログラムが超高血圧とその後の血圧の改善の両方を検出したことから、あまり関与していない集団であっても、プログラムが臨床的に意味のある役割を果たしうることが示唆された。

この研究の長所は、BP自己管理プログラムに参加した患者の母集団が大きく、実世界での追跡データが3年間という長期にわたっていることである。先行研究では18ヵ月という長期間の結果が報告されている6。すべての参加者が3年間のデータを提供しているわけではないが、一部の参加者がプログラムを継続的に利用し、長期にわたってBPコントロールが継続されたことは注目に値する。さらに、本研究では、客観的に測定された身体活動が、参加とBPコントロールの関連性の媒介因子であることを検証することができた。これは、自動化されたライフスタイルコーチングがどのようにBPコントロールと関連するかについての潜在的なメカニズムを理解するのに役立つ重要な知見である。また、スマートフォンソリューションの異なる自動介入は、エンゲージメント、身体活動、およびBPとの現実世界での関連が異なる可能性があることを示唆している。

高血圧は心臓病や脳卒中を含む深刻な健康被害をもたらす一般的な疾患であり、従来の戦略は集団における適切なBPコントロールを達成するのに有効ではなかったため、BPコントロールを達成できるスケーラブルな介入を特定することが急務である1,2。自動化されたライフスタイルコーチングを備えたスマートフォンアプリに接続されたBPモニターを用いたBP自己管理プログラムに関するこの現実世界のエビデンスは、より良いBPコントロールを達成するためのこの戦略の可能性を示している。今後の研究では、モバイル技術によって促進されるBP自己管理介入の有効性と普及、および他の設定や集団における実世界での有効性を検討するとともに、BPコントロールに対する効果を促進するメカニズムについてより深く検討すべきである。

‍

制限事項

この研究には限界がある。この研究は、雇用者負担の健康保険に加入している中年層を対象に行われた。結果は高齢者やセーフティネット集団に属する人々には一般化できないかもしれない。サンプルサイズは非常に大きかったが、すべての参加者が長期にわたってプログラムに参加し続けたわけではないため、追跡不能による選択バイアスの可能性を排除することはできない。健康的なアドヒアラーは長期にわたってプログラムを継続する可能性が高かったかもしれない。プログラムへの参加が、モニターされているために参加者の行動が異なるというホーソン効果と関連している可能性は否定できない。さらに、測定されていない要因による交絡が残っている可能性もある。しかし、年齢、性別、抑うつ、不安、糖尿病、高コレステロール、喫煙、地域、近隣の社会経済的地位で調整しても有意な関連が認められたことは注目に値する。経時的な血圧の改善が平均値への回帰である可能性を排除することはできないが、4回の測定の平均値を含む感度分析でも同様の結果が示唆され、1回の測定による測定誤差が観察された差異の唯一の説明ではないことを示している。測定誤差は、非常に高血圧の参加者の同定に存在する可能性がある。個人の身体活動を正確に反映するようにスマートフォンを携帯するとは限らないことから、スマートフォンによる身体活動の測定に測定誤差が存在する可能性がある。本研究は観察研究であるため、因果関係のある結論を出すことはできない。

‍

結論

この研究では、スマートフォンアプリに接続されたBPモニターを用いたBP自己管理プログラムの参加者が、BPコントロールに関する自動化されたライフスタイルコーチングにより、BPの長期的なコントロールを達成した。この実際のエビデンスは、モバイル技術がBPモニタリングとコントロールに有用であることを示唆している。

‍

記事情報

出版受理：2021年7月16日

公開：doi:10.1001/jamanetworkopen.2021.27008

オープンアクセスこれは CC-BY-NC-NDライセンスの下で配布されたオープンアクセス論文である。© 2021 Gazit T et al.JAMA Network Open.

コレスポンディング・オーサーAlexis L. Beatty, MD, MAS, Department of Epidemiology & Biostatistics, University of California, San Francisco, Mission Hall, Global Health and Clinical Sciences, Box 0560, 550 16th St, San Francisco, CA 94143 ([email protected])。

著者の貢献Gazit博士は本試験の全データにアクセス可能であり、データの完全性とデータ解析の正確性に責任を負う。

‍

‍

‍