机器学习降低心血管疾病风险的一种有效方法

新的加州大学洛杉矶分校的研究表明,一种新的机器学习技术被称为“因果森林”是五倍的效率比目前治疗高血压患者的临床实践。

在现行体制下,医生治疗高血压患者根据假设人在最大的不良结果的风险和死于一种疾病最得益于降低血压。近年来,然而,有先进的机器学习如何预测不良健康结果由于高血压基于个人特征,临床医生可以检查在多大程度上进行干预的影响可以人与人之间的不同,从而调整治疗病人的需求。

采用了一种叫“因果森林”,研究人员发现,人在最高的心血管疾病的风险,比如高血压,或高血压,并不总是从密集的压力控制中获益,作者北岛康介本人Inoue博士说,他进行了这项研究的流行病学的研究生加州大学洛杉矶分校部署公共卫生学院现在的社会流行病学副教授京都大学。

“我们发现大量的个人没有高血压受益于他们的血压降低,”他说。“运用因果森林方法,我们发现治疗患者高估计福利提供更好的人口健康结果比传统的高风险的方法。”

这项研究发表在同行评议的国际流行病学》杂志上。

因果森林是一个机器学习算法估计的影响干预的结果根据人的特点,允许个性化的预测每个人将受益于一个给定的治疗。现在的标准做法是对所有人在高风险的不良健康状况,如患有高血压、中风与选择,不一定每个人都受益——例如,一些高血压患者可能不是从降血压药物中获益,因为他们可能有其他潜在健康问题更重要的心血管疾病的危险因素,如糖尿病。

在目前的研究中,研究人员使用的数据来自近10700人收缩压干预试验(SPRINT)和控制糖尿病心血管风险行动研究血压(ACCORD-BP)试验。他们还估计,这些方法使用数据对14600名美国成年人的影响从国家健康和营养调查(NHANES) 1999 - 2018。

SPRINT表明,密集的收缩压治疗,旨在保持压力低于120毫米汞柱,与降低心血管疾病的风险事件和全因死亡率没有糖尿病的人。结果,诊断血压阈值从140毫米汞柱降低到130毫米汞柱,导致美国人口的一半被诊断为高血压。ACCORD-BP审判,专注于糖尿病患者,发现没有证据表明强化血压控制不良心血管事件的概率较低有关。

研究人员应用因果森林方法这两个试验参与者的数据预测个性化治疗的效果,以减少不良心血管结果会在3年。然后他们相互比较了两种方法的性能;高效益的方法(针对患者高治疗效果)与高风险的方法(针对个人与高血压等高风险和高心血管风险评分)。

他们发现,近80%的患者血压读数达到或超过130毫米汞柱受益于密集的血压控制。高效益的方法优于高风险的方法近8个百分点。结果是相同的,当运送到了“全国健康和营养检查调查”数据。

这项研究有一定的局限性,研究人员写道。例如,他们不排除个人的特征,可能会影响治疗;基线特征是参与者的自我报告,这可能导致测量误差;和研究设计,而不是社会和物理机制,可能会影响结果由于SPRINT和ACCORD-BP试验标准之间的区别。

虽然需要更多的研究,但研究结果表明,高效益的方法,个人目标与高估计健康福利的降低血压,有潜力大幅提高治疗和改善人口健康结果的有效性,并能改变当前治疗策略在临床实践和政治决策,研究人员指出。

“我们的研究结果揭示了一个强大的机器学习算法,使我们能够识别那些将受益最严格的血压控制,可实现精度的一个关键因素,”资深作者说博士Yusuke Tsugawa副教授,医学分部的普通内科医学和卫生服务研究加州大学洛杉矶分校的大卫格芬医学院在菲尔丁和卫生政策和管理学校。

参考:阿塞井上K,年代,Tsugawa y Machine-learning-based高效益血压管理方法和传统高风险的方法。我增加。2023:dyad037。doi:10.1093 / ije / dyad037

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。