冶癒高血壓時，若能篩選出冶癒效果好的人羣，而非僅僅關注發病風險高的人羣，整體冶癒的效果將得到顯著提高，而那些預估風險較高但冶癒效果較差的人，則可以選擇其他的冶癒方法——京都大學研究生院醫學研究科白眉中心的井上浩輔特定副教授、加州大學洛杉磯分校（UCLA）的津川友介副教授和斯坦福大學的蘇珊·艾希教授等人組成的研究團隊，透過應用最先進的機器學習模式，開發出了可以識別冶癒高血壓效果好的患者的方法。井上特定副教授表示：「本次提出了可針對每一個體的高血壓療效應答方法。這種方法也可以應用於其他疾病的冶癒。我們希望將來能由此開發出程式化的醫療設備等。」相關研究成果已發表在《International Journal of Epidemiology》上。
新一代高血壓診療的個性化醫療戰略（供圖：京都大學）
傳統的醫療實務中，採取了將心血管疾病（CVD）和死亡率較高的患者作爲高風險人羣進行優先冶癒的高風險策略。相比之下，此次研究團隊提出了冶癒「高效益策略」，事先預測冶癒效果較好的個體。然而，爲了預測冶癒效果，不能僅關注某一特定檢查指標，還需要對多個檢查指標的組合與冶癒效果進行對照。
研究團隊將蘇珊教授等在經濟學領域開發的因果森林機器學習模式應用於高血壓診斷中的大規模隨機對照試驗SPRINT資料和ACCORD-BP資料，以預估個體的降壓冶癒的效果。
研究團隊對收縮壓（SBP）目標值低於120（嚴格降壓組）或低於140（標準降壓組）的10672隨機參與者中，使用因果森林模式預測三年後CVD發病風險。變量包括性別、年齡、各種檢查指標等約20項内容。
研究結果顯示，患者可以分爲四個群體：風險高且冶癒效果好的群體、風險高但冶癒效果差的群體、風險低但冶癒效果好的群體和風險低且冶癒效果差的群體。比較兩個高風險群體和兩個冶癒效果好的群體（風險高且冶癒效果好的群體也包含在其中）中爲預防發生1例CVD事件所需冶癒的患者數量，高效益策略需要冶癒11人，而高風險策略需要冶癒61人。透過選擇高效益策略冶癒群體，與傳統的高風險策略相比，群體整體的冶癒效果可以提高約5倍。此外，納入NHANES資料的14575個美國普通人羣的研究也得到了類似的結果。
井上特定準教授表示：「在傳統醫療中，通常會針對高風險群體進行冶癒干預。本研究結果表明，關注效益而非僅關注風險，可以實施更有效的冶癒干預。這將爲如何分配有限的醫療資源的討論提供新的思路。此外，本研究提出的高效益策略還可能有助於糾正健康不平等問題。我們希望未來能積累更多證據，使之成爲下一代個性化醫療策略的隊形變換方向。」
本次研究得到了日本醫療研究開發機構（JP22rea522107）、日本學術振興會（21K20900和22K17392）、日本內分泌學會和日本文部科學省的新一代全球人才培養專案（LINSIGHT）的支援。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
雜誌：International Journal of Epidemiology
論文：Machine-learning-based high-benefit approach versus conventional high-risk approach in blood pressure management
DOI：10.1093/ije/dyad037
