机器学习引导的个性化血压管理方法

高血压是持续血压高于140/90毫米汞柱，是全球心脏病、残疾和过早死亡的主要原因之一。然而，应降低血压以改善这种风险的水平一直存在争议，特别是对于2型糖尿病患者，其积极控制血压的证据在临床研究中尚无定论。

耶鲁大学的研究人员开发了一种基于机器学习的工具，以个性化在患有和没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享决策。

该工具在发表在《柳叶刀数字健康》杂志上的一项研究中进行了描述。

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，患者都被随机分配到120毫米汞柱或140毫米汞柱的强化或常规收缩压目标。 使用SPRINT的参与者水平数据，一项不包括糖尿病患者但证明了实现降低血压的价值的研究，研究人员确定了59个不同的变量，包括肾功能，吸烟， 他汀类药物或阿司匹林用于开发机器学习算法，该算法可识别从强化降压中受益最大的患者特征。接下来，研究小组评估了该算法在独特的ACCORD BP试验中的价值 - 这是一项针对糖尿病患者的试验，其中强化血压治疗未被发现有效。

研究小组发现，与标准治疗相比，算法PRECISION(PREssure Control In hypertenSION)可以定义受益于积极血压管理的糖尿病患者。研究人员表示，PRECISION根据糖尿病患者强化收缩压治疗与标准收缩压治疗的效果提供实用，可靠的信息。

“为高血压和糖尿病患者确定适当的血压目标和疗程可能具有挑战性，”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理，以评估强化血压控制的个性化心血管益处。关键发现是，在没有糖尿病的患者中得出的益处似乎定义了那些从这种治疗策略中受益的糖尿病患者。

Khera补充说：“我们还进行了一系列数据实验，以证明我们的表型图谱方法在随机临床试验中定义嵌入式治疗反应特征的价值。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的价值。

“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。

作者指出，需要对不同的患者群体进行进一步的测试，以更好地了解生物，临床和社会经济因素如何影响强化降压策略的风险和益处。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！