一种机器学习引导的血压管理方法
![Cardiovascular benefit phenomaps of intensive blood pressure reduction in SPRINT phenomap representation of the individualized HRs with intensive versus standard blood pressure control for the primary (A) and secondary (B) outcomes HR=hazard ratio. SPRINT=Systolic Blood Pressure Intervention Trial. Credit: <i>The Lancet Digital Health</i> (2022). DOI: 10.1016/S2589-7500(22)00170-4 一种机器学习引导的血压管理方法](https://scx1.b-cdn.net/csz/news/800a/2022/a-machine-learningguid.jpg)
高血压,即血压持续高于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,如何降低血压来降低这种风险一直存在争议,特别是对于2型糖尿病患者,积极控制血压的证据在临床研究中还没有定论。
耶鲁大学的研究人员开发了一种基于机器学习的工具,以个性化地考虑追求密集还是标准血压患者和非患者的治疗目标糖尿病.这种新型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10月25日发表的一项研究中有描述《柳叶刀数字健康》.
在这项研究中,第一作者Evangelos K. Oikonomou博士和资深作者、耶鲁医学院助理教授、心血管数据科学实验室主任Rohan Khera博士从两个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,患者被随机分配到强化或常规收缩压目标为120毫米汞柱或140毫米汞柱。使用来自SPRINT的参与者水平数据,该研究不包括糖尿病患者,但证明了实现较低血压的价值,研究人员确定了59个不同的变量,包括肾脏功能使用他汀类药物、吸烟、他汀类药物或阿司匹林等药物来开发机器学习算法,以识别从密集降压中获益最多的患者的特征。接下来,研究团队评估了该算法在ACCORD BP试验中的价值,该试验针对糖尿病患者,强化的血压治疗没有发现有效。
研究小组发现,这种名为PRECISION(高血压压力控制)的算法能够确定受益于积极的血压管理的糖尿病患者标准治疗.研究人员说,基于糖尿病患者强化收缩压治疗与标准收缩压治疗的效果对比,PRECISION提供了实用、可靠的信息。
Khera说:“为高血压和糖尿病患者确定合适的血压指标和治疗过程可能具有挑战性。”“在这里,我们使用机器学习从两个里程碑式的临床试验中加强推断,以评估强化血压控制对心血管的个性化益处。关键的发现是,从没有糖尿病的患者中获得的益处似乎确定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,以证明我们的现象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。这种方法在了解治疗对个体的影响方面具有潜在的价值病人.
此外,它代表了一种新颖的致富方式临床试验基于从现有数据定义的表型反应图谱。”
作者指出,需要在不同的患者群体中进行进一步的测试,以更好地了解生物、临床和社会经济因素是如何影响强化降压策略的风险和收益的。
进一步探索