A Smart Blood Pressure Monitoring System for Prevention of Hypertension Episodes

Abstract

The largest cause of disease and mortality globally is hypertension, sometimes referred to as the "silent killer." The objective of this thesis is to create unexplored digital solutions that will improve lifestyle choices for blood pressure (BP) self-management, which is essential for managing hypertension, enhancing patient adherence, and encouraging a healthy way of living.Developing models and algorithms for hypertensive patient remote management is the main objective. To increase prediction accuracy, this entails using algorithms to forecast future blood pressure levels based on historical data and integrating contextual factors like alcohol use and physical activity. In addition, the thesis suggests working with experts from the Centro Hospitalar e Universitário of Coimbra (CHUC) to develop recommendation systems centred on lifestyle treatments like food and exercise.When traditional forecasting models struggled to surpass their expectations, the focus evolved to categorizing blood pressure variations and states (hypertension, normotension, hypotension). The volatile nature of the BP data indicated that this method produced other types of results. The lack of data for model training was a major obstacle that was addressed by applying generative AI methods like GANs. With challenges with data availability existing, these examples have given predictive models a strong foundation.To improve prediction models, the suggestion module incorporated specialized medical knowledge. More contextually relevant and accurate projections were provided by expert-driven rules and suggestions, which enhanced the system's recommendations, particularly for actions related to individual patients.

A maior causa de doença e mortalidade globalmente é a hipertensão, às vezes referida como o "assassino mudo". O objetivo desta tese é criar soluções digitais inexploradas que melhorarão as escolhas de estilo de vida para o controlo da pressão arterial (PA), o que é essencial para controlar a hipertensão, melhorar a adesão do paciente e incentivar um modo de vida saudável.Desenvolver modelos e algoritmos para o controlo remoto de pacientes hipertensos é o principal objetivo. Para aumentar a precisão da previsão, isso envolve o uso de algoritmos para prever níveis futuros de pressão arterial com base em dados históricos e integrar fatores contextuais como uso de álcool e atividade física. Além disso, a tese sugere trabalhar com especialistas do Centro Hospitalar e Universitário de Coimbra (CHUC) para desenvolver sistemas de recomendação centrados em tratamentos de estilo de vida, como alimentação e exercício.Quando os modelos tradicionais de previsão lutaram para superar suas expectativas, o foco evoluiu para categorizar variações e estados da pressão arterial (hipertensão, normotensão, hipotensão). A natureza volátil dos dados da BP indicou que esse método produziu outros tipos de resultados. A falta de dados para o treinamento de modelos foi um grande obstáculo que foi trabalhado pela aplicação de métodos generativos de IA, como GANs. Com a existência de desafios com a disponibilidade de dados, esses exemplos deram aos modelos preditivos uma base forte.Para melhorar os modelos de previsão, o módulo de recomendação incorporou conhecimento médico especializado. Projeções mais relevantes e precisas contextualmente foram fornecidas por regras e sugestões orientadas por especialistas, que aprimoraram as recomendações do sistema, particularmente para ações relacionadas a pacientes individuais.