La hipertensión arterial constituye el principal factor de riesgo modificable para eventos cardiovasculares y mortalidad a nivel global. A pesar de la disponibilidad de terapias farmacológicas efectivas, las tasas de control han disminuido en la última década. En este contexto, las tecnologías de apoyo emergen como un sustento para incidir en la calidad de vida de los pacientes.
El telemonitoreo de la presión arterial domiciliaria (HBPT, por sus siglas en inglés) representa una de las tecnologías más ampliamente estudiadas y validadas. Un metanálisis de 23 ensayos que incluyó a 7037 pacientes, demostró que el HBPT, comparado con el cuidado usual, mejora la presión arterial sistólica en 4,71 mmHg (IC 95 %: -6.18 a -3.24; p<0,001) y la presión arterial diastólica en 2,45 mmHg (IC 95 %: -3.33 a -1.57; p<0,001). Más importante aún, una proporción significativamente mayor de pacientes logra la normalización de la presión arterial.
La efectividad del HBPT se potencia considerablemente cuando se combina con soporte adicional proactivo. Un metanálisis de 46 estudios que incluyó 13 875 casos reveló que el HBPT con soporte adicional (incluyendo consejería, educación, manejo conductual y decisiones sobre medicamentos) versus HBPT solo mostró cambios medios adicionales de 2,44 mmHg en presión sistólica y 1,12 mmHg en presión diastólica.
Las aplicaciones móviles de salud han demostrado eficacia clínica significativa en múltiples ensayos. Un metanálisis reciente de 74 estudios que incluyó 92 686 participantes reveló que las intervenciones de mHealth produjeron reducciones significativas tanto en la presión arterial sistólica como en la diastólica. Particularmente, el grupo de mHealth mostró mejoras en la adherencia a medicamentos y control de presión arterial, mientras que también demostró reducción del índice de masa corporal.
Un estudio particularmente relevante evaluó una aplicación móvil de automonitoreo en 120 pacientes hipertensos durante 8 semanas, con seguimiento hasta la semana 24. Los resultados mostraron que el puntaje de adherencia al tratamiento aumentó en promedio 5,9 puntos (IC 95 %: 5,0-6,7) en el grupo de intervención, comparado con el control. Además, se observaron mejoras significativas en la adherencia a dietas bajas en grasa y sal, con incrementos de 1,7 (IC 95 %: 1,3-2.,1) y 1,5 puntos (IC 95 %: 1,2-1,9) respectivamente, junto con un aumento de 100 minutos (IC 95 %: 61,7-138,3) de actividad física moderada por semana.
Las apps pueden combinarse con vestibles o wearables. Sin embargo, los dispositivos portátiles para monitoreo continuo de presión arterial no han mostrado resultados coherentes y persistentes.
Los sistemas de apoyo a la decisión clínica (CDSS) han mostrado eficacia notable en entornos de atención primaria. Un ensayo en 16 centros de atención primaria en India evaluó un CDSS versus un sistema basado en gráficos en 1628 pacientes hipertensos. Los resultados demostraron una diferencia media ajustada de -6,59 mmHg (IC 95 %: -12,18 a -1,42; p=0,021) en presión arterial sistólica, favoreciendo al grupo CDSS. Además, la relación costo-efectividad fue superior para el CDSS (US$36,57 por mmHg de reducción de presión sistólica) comparado con el sistema basado en gráficos (US$96,01).
En pacientes con enfermedad renal crónica e hipertensión no controlada, los CDSS demostrando una reducción estadísticamente significativa en la presión arterial sistólica a los 180 días. Se trata de sistemas que incorporan principios de economía conductual y métodos de diseño centrado en el humano, lo que resulta en mayor prescripción de inhibidores de la ECA y bloqueadores de receptores de angiotensina, ya que las sugerencias de tratamiento son personalizadas.
A su vez, las aplicaciones de inteligencia artificial en hipertensión arterial han demostrado capacidades prometedoras para el diagnóstico y la predicción del tratamiento. Los algoritmos de aprendizaje automático han mostrado precisión en la estimación de presión arterial mediante análisis de señales fotopletismográficas, con errores promedio de 4,02 ± 2,79 mmHg para presión sistólica y 2,27 ± 1,82 mmHg para presión diastólica.
Un desarrollo particularmente innovador son los modelos de IA que proporcionan recomendaciones de tratamiento antihipertensivo en tiempo real, de acuerdo a las características específicas del paciente. Estos modelos se asocian de éxito, con el potencial de reducir más efectivamente la presión arterial sistólica que el estándar de cuidado actual.
Un estudio reciente desarrolló un modelo de aprendizaje automático para predecir respuestas individuales de presión arterial a diferentes medicamentos antihipertensivos, utilizando datos de 19 013 registros clínicos. El modelo Extreme Gradient Boost mostró el mejor rendimiento con un error absoluto medio de 8,57 mmHg y un R²=0,28, demostrando el potencial significativo para ayudar a los clínicos a lograr control óptimo de presión arterial de manera segura y eficiente.
La evidencia sugiere que la efectividad de las intervenciones digitales está influenciada por varios factores:
- Frecuencia de la intervención.
- Personalización.
- Compromiso del paciente.
Las intervenciones más exitosas han integrado múltiples componentes, incluyendo monitoreo remoto, soporte educativo, recordatorios automatizados y retroalimentación personalizada. Los estudios de implementación en la práctica real que evalúan plataformas digitales integradas en los centros de atención primaria demuestran que los pacientes con telemonitoreo tienen probabilidades significativamente aumentadas de tener presión arterial controlada.
Pero, a pesar de la evidencia prometedora, existen limitaciones importantes. Muchos estudios son con tamaños de muestra pequeños, períodos de seguimiento cortos y considerable heterogeneidad en las intervenciones evaluadas. Además, la brecha digital y las disparidades de acceso a tecnología pueden limitar la implementación equitativa de estas herramientas en toda la geografía.
Los desafíos regulatorios también son significativos. La FDA y otras agencias están desarrollando marcos para evaluar la seguridad, eficacia y calidad de las terapéuticas digitales, pero la estandarización de protocolos de validación permanece como una necesidad crítica.
Sin dudas, las tecnologías de apoyo representan herramientas complementarias valiosas más que reemplazos del cuidado tradicional frente a la hipertensión arterial. Las intervenciones más exitosas son las que han integrado múltiples modalidades tecnológicas con soporte clínico humano, sugiriendo que el modelo híbrido es el óptimo.
Las áreas prioritarias para investigación futura incluyen el diseño de estudios de mayor duración para evaluar la sostenibilidad de los efectos, validación en las poblaciones diversas para abordar disparidades en salud, el desarrollo de algoritmos interpretativos para mejorar la confianza clínica y la concreción de evaluaciones de costo-efectividad para facilitar la adopción en los sistemas gubernamentales.
La convergencia de inteligencia artificial, monitoreo continuo y medicina personalizada posiciona a las tecnologías digitales como elementos transformadores en el manejo futuro de la hipertensión.
Referencias
Funes Hernandez M, Babakhanian M, Chen TP, Sarraju A, Seninger C, Ravi V, Azizi Z, Tooley J, Chang TI, Lu Y, Downing NL, Rodriguez F, Li RC, Sandhu AT, Turakhia M, Bhalla V, Wang PJ. Design and Implementation of an Electronic Health Record-Integrated Hypertension Management Application. J Am Heart Assoc. 2024 Jan 16;13(2):e030884. doi: 10.1161/JAHA.123.030884. Epub 2024 Jan 16. PMID: 38226516; PMCID: PMC10926825.
Zhang M, Ge J, Yu X, Wang T, Wang F, Kuchawo MGK, Ge L. Effectiveness, acceptability, and cost-effectiveness of digital health interventions for diabetes self-management in adults with or without hypertension: an umbrella review protocol. JBI Evid Synth. 2025 Jun 1;23(6):1198-1206. doi: 10.11124/JBIES-24-00263. Epub 2025 Jun 6. PMID: 39973124.
Naik A, Nalepa J, Wijata AM, Mahon J, Mistry D, Knowles AT, Dawson EA, Lip GYH, Olier I, Ortega-Martorell S. Artificial intelligence and digital twins for the personalised prediction of hypertension risk. Comput Biol Med. 2025 Sep;196(Pt A):110718. doi: 10.1016/j.compbiomed.2025.110718. Epub 2025 Jul 8. PMID: 40628170.
Wang Y, Zhu T, Zhou T, Wu B, Tan W, Ma K, Yao Z, Wang J, Li S, Qin F, Xu Y, Tan L, Liu J, Wang J. Hyper-DREAM, a Multimodal Digital Transformation Hypertension Management Platform Integrating Large Language Model and Digital Phenotyping: Multicenter Development and Initial Validation Study. J Med Syst. 2025 Apr 2;49(1):42. doi: 10.1007/s10916-025-02176-1. PMID: 40172683.
Yap HJ, Lim JJJ, Tan SD, Ang CS. Effectiveness of digital health interventions on adherence and control of hypertension: a systematic review and meta-analysis. J Hypertens. 2024 Sep 1;42(9):1490-1504. doi: 10.1097/HJH.0000000000003793. Epub 2024 Jun 24. PMID: 38973553.
Muehlensiepen F, Bruch D, Seifert F, Wengemuth E, Heinze M, Spethmann S, May S. mHealth Apps for Hypertension Self-Management: Interview Study Among Patient-Users. JMIR Form Res. 2024 Sep 27;8:e56162. doi: 10.2196/56162. PMID: 39331954; PMCID: PMC11470216.
Mohrag M, Mojiri ME, Hakami MS, Alghamdi MS, Moafa AY, Kreet SJ, Alghamdi SM, Nasib HA, Alghamdi OR, Ayoub SM, Hakami AA, Tawashi SM, Tayeb RM, Kariry AA, Ayyashi SM. The Impact of Wearable Technologies on Blood Pressure Control in Hypertensive Patients: A Systematic Review and Meta-Analysis. Cureus. 2024 Oct 10;16(10):e71220. doi: 10.7759/cureus.71220. PMID: 39525097; PMCID: PMC11549951.
Samal L, Kilgallon JL, Lipsitz S, Baer HJ, McCoy A, Gannon M, Noonan S, Dunk R, Chen SW, Chay WI, Fay R, Garabedian PM, Wu E, Wien M, Blecker S, Salmasian H, Bonventre JV, McMahon GM, Bates DW, Waikar SS, Linder JA, Wright A, Dykes P. Clinical Decision Support for Hypertension Management in Chronic Kidney Disease: A Randomized Clinical Trial. JAMA Intern Med. 2024 May 1;184(5):484-492. doi: 10.1001/jamainternmed.2023.8315. Erratum in: JAMA Intern Med. 2024 Aug 1;184(8):992. doi: 10.1001/jamainternmed.2024.2589. PMID: 38466302; PMCID: PMC10928544.
Clifford N, Tunis R, Ariyo A, Yu H, Rhee H, Radhakrishnan K. Trends and Gaps in Digital Precision Hypertension Management: Scoping Review. J Med Internet Res. 2025 Feb 10;27:e59841. doi: 10.2196/59841. PMID: 39928934; PMCID: PMC11851032.