高血壓是一種持續(xù)高于 140/90 毫米汞柱的血壓,是全球心臟病、殘疾和過早死亡的主要原因之一。然而,應該將血壓降低到何種水平以改善這種風險一直存在爭議,特別是對于臨床研究中積極控制血壓的證據尚無定論的 2 型糖尿病患者。
耶魯大學的研究人員開發(fā)了一種基于機器學習的工具,用于個性化考慮在患有和未患有糖尿病的個體中追求強化與標準血壓治療目標的考慮。新穎的臨床決策支持工具通過數據驅動的方法支持患者和提供者之間的共同決策。
該工具在 10 月 25 日發(fā)表于《柳葉刀數字健康》的一項研究中有所描述。
在這項研究中,第一作者 Evangelos K. Oikonomou 博士和資深作者、耶魯大學醫(yī)學院助理教授兼心血管數據科學 (CarDS) 實驗室主任 Rohan Khera 博士從兩項隨機臨床試驗中收集了數據:SPRINT (收縮壓干預試驗)和 ACCORD BP(控制糖尿病血壓心血管風險的行動)。
在這兩種情況下,患者被隨機分配到 120 mm Hg 或 140 mm Hg 的強化或常規(guī)收縮壓目標。研究人員使用來自 SPRINT 的參與者級數據,該研究不包括糖尿病患者,但證明了降低血壓的價值,研究人員確定了 59 個不同的變量,包括腎功能、吸煙和他汀類藥物或阿司匹林的使用,以開發(fā)機器學習算法確定了從強化降低血壓中受益最大的患者的特征。接下來,研究小組在獨特的 ACCORD BP 試驗中評估了該算法的價值,該試驗是針對未發(fā)現強化血壓治療有效的糖尿病患者的試驗。
研究小組發(fā)現,與標準治療相比,該算法稱為 PRECISION(高血壓中的壓力控制),能夠確定從積極的血壓管理中受益的糖尿病患者。研究人員說,PRECISION 提供了基于強化治療與標準收縮壓治療對糖尿病患者的影響的實用、可靠的信息。
“為高血壓和糖尿病患者確定合適的血壓目標和治療方案可能具有挑戰(zhàn)性,”Khera 說。“在這里,我們使用機器學習來增強兩項具有里程碑意義的臨床試驗的推論,以評估強化血壓控制的個體化心血管益處。關鍵的發(fā)現是,在非糖尿病患者中獲得的益處似乎定義了受益于此類的糖尿病患者。一種治療策略。”
Khera 補充說:“我們還進行了一系列數據實驗,以證明我們的表型映射方法在定義隨機臨床試驗中嵌入的治療反應特征方面的價值。這種方法在更多地了解治療對個體患者的影響方面具有潛在價值。
“此外,它代表了一種基于現有數據定義的表型反應譜來豐富臨床試驗的新方法。”
標簽:
免責聲明:本文由用戶上傳,如有侵權請聯系刪除!