基于Markov决策模型的高血压预测研究

谢辉平 任金妹 谢宁

摘 要 目的：探讨通过Markov模型评价高血压各阶段管理过程中药学干预所体现的治疗效果。方法：将10例高血压患者作为研究对象，随机分为实验组和对照组各5例，两组均接受常规药物治疗，实验组同时进行药学干预措施，包括药学监测和用药教育。结果：通过Markov预测，发现实验组患者的血压波动更小。实验组在血压正常区间的概率相对比较大，对照组在血压正常区间的概率相对偏小。结论：药学干预可降低高血压患者血压波动带来的风险，同时，Markov模型能较好地预测血压的变化。

关键词 高血压 Markov决策模型 预测计算 药学服务

中图分类号：R544.1 文献标志码：B 文章编号：1006-1533（2020）11-0058-03

Study on hypertension prediction based on Markov strategy model*

XIE Huiping**， REN Jinmei， XIE Ning***

（Qingpu Branch of Zhongshan Hospital， Shanghai 201700， China）

ABSTRACT Objective： To explore the effect of pharmacological intervention in the management of hypertension at various stages by Markov model. Methods： Ten hypertensive patients were randomly divided into an experimental group and a control group with 5 cases each. Both groups underwent conventional drug treatment. Besides， the experimental group underwent pharmaceutical interventions including pharmaceutical monitoring and medication education. Results： The blood pressure fluctuation of patients in the experimental group was significantly smaller according to Markov prediction. The probability of normal blood pressure interval was relatively larger in the experimental group and relatively smaller in the control group. Conclusion： Pharmaceutical intervention can reduce the risk of blood pressure fluctuation in hypertensive patients. Meanwhile Markov model can better predict the changes of blood pressure.

KEy WORDS hypertension； Markov strategy model； predicative computation； pharmaceutical service

高血壓是目前最常见的慢性非传染性疾病之一，且高血压患者数量持续上升[1]。高血压不仅会降低患者的生活质量和幸福感，还会对患者和社会造成直接或间接的经济损失和卫生资源的负担[2]。本研究通过对高血压患者进行药学干预并建立档案，用Markov模型进行预测研究，为后续开展有效常态化健康管理工作提供科学依据[3]。

1 资料与方法

1.1 一般资料

选取2018年1月—2019年1月在中山医院青浦分院心血管内科门诊和住院确诊为高血压的患者10例。采用随机数字表法分为对照组和实验组各5例。患者年龄在52～83岁，平均年龄（63.15±5.68）岁，病程3～10年，对照组和实验组各有1例合并糖尿病，其余无并发症。两组患者一般资料比较差异无统计学意义（P>0.05），具有可比性。本研究经医院伦理委员会审查并获得批准，患者知情同意。

1.2 干预措施

两组患者均给予降压药物治疗。对照组仅接受口头健康教育和门诊随访；而实验组同时进行药学干预措施，包括：①健康教育：制定针对性的健康教育方案，进行包括高血压病因，并发症风险等教育。②用药教育：对患者进行治疗药物相关的教育，分发药物使用宣传手册，讲解按医嘱服药的重要性，服药过程中可能存在的不良反应及应对方案；③运动干预：根据情况制定合理的运动计划，告知其养成良好生活作息习惯的重要性，戒烟戒酒。两组患者每天进行1次血压检查并记录数据，由患者自行完成或至固定的社区卫生服务中心进行测量。药师每周电话随访并记录患者这1周测定的平均血压。两组干预时间均为3个月。

1.3 Markov决策模型建模和计算

Markov决策模型在本研究中的规律是：在患者的血压变化过程中，第n次血压变化获得的状态常决定于前1次（第n-1次）试验的结果。由1个血压状态转移到另1个血压状态的转化过程中，存在着状态转化概率，并且这种转化概率可以依据其紧接的前一状态推算出来。

1.3.1 计算血压状态转移概率矩阵

本研究中，假定实验组和对照组中患者血压发展过程有n个可能的状态，即C0，C1，C2…，Cn。记Pij为从血压状态Ci转变为血压状态Cj的状态转移概率，则矩阵的因子可以如此计算：

从C0出发（转移出去）的状态中，有A个是从C0转移到C0的，有B个是从C0转移到C1的，有C个是从C0转移到C2的。

1.3.2 模型预测计算

血压状态概率δj（K）表示患者的血压在初始（k=0）状态为已知的条件下，经过k次血压变化状态转移后，在第k个时刻（时期）处于状态Ej的概率。

根據所给的实验组和对照组的患者血压值，通过Markov模型预测出患者未来的血压变化，从而得知干预与否对患者的血压变化的效果。

2 结果

2.1 干预前后患者血压情况

干预前，两组患者收缩压和舒张压比较，差异无统计学意义（P>0.05）。干预后，实验组的收缩压和舒张压优于对照组，两组比较差异具有统计学意义（P< 0.05，表1）。

2.2 Markov分析结果

通过Markov决策模型结合实验数据，应用Matlab编制程序，计算实验组和对照组血压的状态转移概率矩阵。概率值越接近1，表明血压在正常区间的可能性越大，血压变化较小。通过Markov模型预测出同组患者未来的血压变化，从而得知干预与否对患者血压变化的效果。

从Markov预测结果来看，实验组患者的血压值经模型预测后，血压在正常区间的概率在0.336 511～ 0.632 516之间，平均在正常区间概率为0.535 220，血压变化较小，表明实验组患者的血压较为平稳。而对照组患者的血压值经模型预测后，患者血压在正常区间的概率在0.121 604～0.503 754之间，平均概率为0.279 645，数值变化较大，表明该组患者的血压波动相对较大。此外，从概率比值可以看出实验组在血压正常区间的概率相对比较大，对照组在血压正常区间的概率相对偏小。因此，该研究表明进行药学干预能够让患者的血压波动更小，具有很好的血压控制效果[4]。

3 讨论

上海社区高血压慢性病综合防治工作已开展10年有余。本项目前期已对青浦区高血压药物的可负担性进行评价[5]。但是由于对社区人群整体疾病进展与分布状态、影响因素以及疾病管理效果缺乏科学有效的观察与评价指标，因此有学者将Markov模型用于高血压的研究[6]。Markov模型是著名数学家马尔可夫提出的一种数学分析方法，可用于疾病发展状态的研究，临床决策的经济学评价等[7]。

本研究经Markov模型预测得到实验组的概率比值很相近，说明实验组经过药学干预后，患者依从性明显高于对照组，血压控制良好。分析原因可能是药师通过建立患者档案，设计个体化的教育和管理方案，从健康教育、用药教育和运动教育等方面管理患者，能够加强患者对高血压的认知，提高用药依从性，从而更好地控制血压[8]。但本研究的缺陷是样本量少，下一阶段将扩大样本量，从而建立完整的药物经济学模型[9]，以期对高血压的预防和治疗起到指导作用，为更大范围的慢性病控制提供理论依据。

参考文献

[1] Zack R， Okunade O， Olson E， et al. Improving hypertension outcome measurement in low-and middle-income countries[J]. Hypertension， 2019， 73（5）： 990-997.

[2] 《中国高血压防治指南》修订委员会.中国高血压防治指南2018年修订版[J]. 心脑血管病防治， 2018， 19（1）： 24-56.

[3] 朱亦凡， 黄蓉， 丁怡文， 等. 氨氯地平和赖诺普利治疗老年高血压的经济学评价——基于Markov模型[J]. 卫生经济研究， 2019， 36（6）： 50-53.

[4] Eghbali-Zarch M， Tavakkoli-Moghaddam R， Esfahanian F， et.al. A Markov decision process for modeling adverse drug reactions in medication treatment of type 2 diabetes[J]. Proc Inst Mech Eng H， 2019， 233（8）： 793-811.

[5] 沈毅， 万茜， 谢宁. 对上海青浦区基本药物目录中抗高血压药物可负担性的实证研究[J]. 药学实践， 2018， 36（6）： 536-540.

[6] 游如旭， 刘金玉， 张玉， 等. 应用Markov模型对厄贝沙坦和比索洛尔治疗高血压伴心衰的长期药物经济学评价[J].中国药学， 2017， 52（24）： 2209-2213.

[7] 刘利勤， 李青， 胡明， 等. 应用Markov模型对3种血管紧张素Ⅱ受体拮抗剂预防高血压患者卒中和心肌梗死的经济学评价[J]. 中国药学， 2019， 54（2）： 137-143.

[8] 计秋旖， 王梓， 李晓烨. 临床药师在心血管疾病患者护理中的作用[J]. 上海医药， 2018， 39（5）： 70-72.

[9] 杨馥宁， 贺小宁， 吴晶. 基于Markov模型对新型抗病毒药物治疗基因1b型慢性丙型肝炎的药物经济学评价[J]. 中国药学， 2019， 54（15）： 1276-1284.