治療高血壓時，若能篩選出治療效果好的人群，而非僅僅關注發病風險高的人群，整體治療的效果將得到顯著提高，而那些預估風險較高但治療效果較差的人，則可以選擇其他的治療方法——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，通過應用最先進的機器學習模型，開發出了可以識別治療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確認方法。這種方法也可以應用於其他疾病的治療。我們希望將來能由此開發出程序化的醫療設備等。」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為高風險人群進行優先治療的高風險策略。相比之下，此次研究團隊提出了治療「高效益策略」，事先預測治療效果較好的個體。然而，為了預測治療效果，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治療效果進行對照。
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型應用於高血壓診斷中的大規模隨機對照試驗SPRINT數據和ACCORD-BP數據，以預估個體的降壓治療的效果。
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，使用因果森林模型預測三年後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，患者可以分為四個群體：風險高且治療效果好的群體、風險高但治療效果差的群體、風險低但治療效果好的群體和風險低且治療效果差的群體。比較兩個高風險群體和兩個治療效果好的群體（風險高且治療效果好的群體也包含在其中）中為預防發生1例CVD事件所需治療的患者數量，高效益策略需要治療11人，而高風險策略需要治療61人。通過選擇高效益策略治療群體，與傳統的高風險策略相比，群體整體的治療效果可以提高約5倍。此外，納入NHANES數據的14575個美國普通人群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治療干預。本研究結果表明，關注效益而非僅關注風險，可以實現更有效的治療干預。這將為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，使之成為下一代個性化醫療策略的發展方向。」
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項目（LINSIGHT）的支持。
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
