一种机器学习指导的个性化血压管理方法

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，对于应将血压降低到什么水平以改善这种风险一直存在争议，特别是对于2型糖尿病患者，在临床研究中积极控制血压的证据尚无定论。

耶鲁大学的研究人员开发了一种基于机器学习的工具，可以个性化考虑在糖尿病患者和非糖尿病患者中追求强化与标准血压治疗目标的考虑。新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。

发表在《柳叶刀数字健康》杂志上的一项研究描述了该工具。

对于这项研究，第一作者EvangelosK.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RohanKhera博士收集了两项随机临床试验的数据：SPRINT(收缩压干预试验)和ACCORDBP(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毫米汞柱或140毫米汞柱的强化或常规收缩压目标。使用来自SPRINT的参与者水平数据，这项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用于开发机器学习算法确定了从强化降压中获益最多的患者的特征。接下来，研究小组评估了该算法在不同的ACCORDBP试验中的价值——一项针对糖尿病患者的试验，发现强化血压治疗无效。

该团队发现，与标准治疗相比，该算法PRECISION(高血压中的压力控制)可以定义从积极的血压管理中受益的糖尿病患者。研究人员表示，PRECISION提供了实用、可靠的信息，该信息基于强化治疗与标准收缩压治疗对糖尿病患者的影响。

“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加强两个具有里程碑意义的临床试验的推论，以评估强化血压控制对心血管的个性化益处。关键发现是，从非糖尿病患者中得出的益处概况似乎可以定义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，以证明我们的现象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价值。

“此外，它代表了一种基于现有数据定义的表型反应特征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测试，以更好地了解生物学、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。