治疗高血压时，若能筛选出治疗效果好的人群，而非仅仅关注发病风险高的人群，整体治疗的效果将得到显著提高，而那些预估风险较高但治疗效果较差的人，则可以选择其他的治疗方法——京都大学研究生院医学研究科白眉中心的井上浩辅特定副教授、加州大学洛杉矶分校（UCLA）的津川友介副教授和斯坦福大学的苏珊·艾希教授等人组成的研究团队，通过应用最先进的机器学习模型，开发出了可以识别治疗高血压效果好的患者的方法。井上特定副教授表示：“本次提出了可针对每一个体的高血压疗效确认方法。这种方法也可以应用于其他疾病的治疗。我们希望将来能由此开发出程序化的医疗设备等。”相关研究成果已发表在《International Journal of Epidemiology》上。
新一代高血压诊疗的个性化医疗战略（供图：京都大学）
传统的医疗实践中，采取了将心血管疾病（CVD）和死亡率较高的患者作为高风险人群进行优先治疗的高风险策略。相比之下，此次研究团队提出了治疗“高效益策略”，事先预测治疗效果较好的个体。然而，为了预测治疗效果，不能仅关注某一特定检查指标，还需要对多个检查指标的组合与治疗效果进行对照。
研究团队将苏珊教授等在经济学领域开发的因果森林机器学习模型应用于高血压诊断中的大规模随机对照试验SPRINT数据和ACCORD-BP数据，以预估个体的降压治疗的效果。
研究团队对收缩压（SBP）目标值低于120（严格降压组）或低于140（标准降压组）的10672随机参与者中，使用因果森林模型预测三年后CVD发病风险。变量包括性别、年龄、各种检查指标等约20项内容。
研究结果显示，患者可以分为四个群体：风险高且治疗效果好的群体、风险高但治疗效果差的群体、风险低但治疗效果好的群体和风险低且治疗效果差的群体。比较两个高风险群体和两个治疗效果好的群体（风险高且治疗效果好的群体也包含在其中）中为预防发生1例CVD事件所需治疗的患者数量，高效益策略需要治疗11人，而高风险策略需要治疗61人。通过选择高效益策略治疗群体，与传统的高风险策略相比，群体整体的治疗效果可以提高约5倍。此外，纳入NHANES数据的14575个美国普通人群的研究也得到了类似的结果。
井上特定准教授表示：“在传统医疗中，通常会针对高风险群体进行治疗干预。本研究结果表明，关注效益而非仅关注风险，可以实现更有效的治疗干预。这将为如何分配有限的医疗资源的讨论提供新的思路。此外，本研究提出的高效益策略还可能有助于纠正健康不平等问题。我们希望未来能积累更多证据，使之成为下一代个性化医疗策略的发展方向。”
本次研究得到了日本医疗研究开发机构（JP22rea522107）、日本学术振兴会（21K20900和22K17392）、日本内分泌学会和日本文部科学省的新一代全球人才培养项目（LINSIGHT）的支持。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
杂志：International Journal of Epidemiology
论文：Machine-learning-based high-benefit approach versus conventional high-risk approach in blood pressure management
DOI：10.1093/ije/dyad037
