他们的工作获得了2018年IEEE Healthcom最佳论文的称号。据研究人员所知，这是第一次研究每日血压预测及其与可穿戴设备收集的健康行为数据的关系。

Sujit Dey是这篇论文的合著者，同时也是加州大学圣地亚哥分校雅各布斯工程学院无线通信中心的主任，他是该学院电气和计算机工程系的教授，他说，当医生告诉他们的病人要做很多重大的生活方式改变——多运动，改善睡眠，降低盐的摄入量等等——这可能会让人难以接受，而且依从性并不高。

戴伊问道:“如果我们能找出一种对个人血压影响最大的健康行为，并让他们专注于这一目标，那会怎么样?”

Dey和他的合作者poo - han Chiang是加州大学圣地亚哥分校雅各布斯工程学院电子与计算机工程系移动系统设计实验室的研究生，他们使用FitBit Charge HR和欧姆龙Evolv无线血压监测仪收集了8名患者90天内的睡眠、运动和血压数据。利用机器学习和现有可穿戴设备的数据，他们开发了一种算法来预测用户的血压，并显示哪些特定的健康行为对血压影响最大。

这项研究肯定了个性化数据比广义信息的重要性。许多健康数据库将大量的患者数据添加到一个模型中，考虑到所有患者一起提出健康建议，本研究中的个性化信息更为有效。例如，一名受试者的血压受他们一天中久坐时间的影响最大。改变这一因素会产生显著影响，在一周内，他们的平均收缩压降低了15.4%，舒张压降低了14.2%。对于另一名受试者，根据他们的历史数据，他们睡觉的时间是降低血压的最重要因素。当受试者比前一周提前58分钟上床睡觉时，他们的收缩压比前一周下降了3.6%，平均舒张压下降了6.6%。

戴伊说:“这项研究表明，使用无线可穿戴设备和其他设备收集和分析个人数据可以帮助患者从被动治疗过渡到持续治疗。”“不是说‘我的血压很高，所以我要去医生那里吃药’，而是让病人和医生接触到这种类型的系统，可以让他们持续控制自己的症状。”

Dey和Chiang最近与加州大学圣地亚哥分校健康中心的临床医生合作，正在努力在更大的样本量上测试他们的预测模型，提供提前一天的预测，并研究健康行为对血压的长期影响。

这项研究是作为无线通信中心“连接健康”项目的一部分进行的，得到了行业合作伙伴的支持，包括Kaiser Permanente、UC San Diego Health、Samsung Digital Health和Teradata。