一种机器学习指导的血压管理方法

高血压是一种持续高于 140/90 毫米汞柱的血压，是全球心脏病、残疾和过早死亡的主要原因之一。然而，应该将血压降低到何种水平以改善这种风险一直存在争议，特别是对于临床研究中积极控制血压的证据尚无定论的 2 型糖尿病患者。

耶鲁大学的研究人员开发了一种基于机器学习的工具，用于个性化考虑在患有和未患有糖尿病的个体中追求强化与标准血压治疗目标的考虑。新颖的临床决策支持工具通过数据驱动的方法支持患者和提供者之间的共同决策。

该工具在 10 月 25 日发表于《柳叶刀数字健康》的一项研究中有所描述。

在这项研究中，第一作者 Evangelos K. Oikonomou 博士和资深作者、耶鲁大学医学院助理教授兼心血管数据科学 (CarDS) 实验室主任 Rohan Khera 博士从两项随机临床试验中收集了数据：SPRINT (收缩压干预试验)和 ACCORD BP(控制糖尿病血压心血管风险的行动)。

在这两种情况下，患者被随机分配到 120 mm Hg 或 140 mm Hg 的强化或常规收缩压目标。研究人员使用来自 SPRINT 的参与者级数据，该研究不包括糖尿病患者，但证明了降低血压的价值，研究人员确定了 59 个不同的变量，包括肾功能、吸烟和他汀类药物或阿司匹林的使用，以开发机器学习算法确定了从强化降低血压中受益最大的患者的特征。接下来，研究小组在独特的 ACCORD BP 试验中评估了该算法的价值，该试验是针对未发现强化血压治疗有效的糖尿病患者的试验。

研究小组发现，与标准治疗相比，该算法称为 PRECISION(高血压中的压力控制)，能够确定从积极的血压管理中受益的糖尿病患者。研究人员说，PRECISION 提供了基于强化治疗与标准收缩压治疗对糖尿病患者的影响的实用、可靠的信息。

“为高血压和糖尿病患者确定合适的血压目标和治疗方案可能具有挑战性，”Khera 说。“在这里，我们使用机器学习来增强两项具有里程碑意义的临床试验的推论，以评估强化血压控制的个体化心血管益处。关键的发现是，在非糖尿病患者中获得的益处似乎定义了受益于此类的糖尿病患者。一种治疗策略。”

Khera 补充说：“我们还进行了一系列数据实验，以证明我们的表型映射方法在定义随机临床试验中嵌入的治疗反应特征方面的价值。这种方法在更多地了解治疗对个体患者的影响方面具有潜在价值。

“此外，它代表了一种基于现有数据定义的表型反应谱来丰富临床试验的新方法。”

标签：