机器学习模型精准预测青年高血压转归! 阜外医院宋雷等联合北航团队研究：夜间血氧、大内皮素和四肢血压或为新预测因素

近日，阜外医院宋雷教授与北京航空航天大学周晟瀚教授团队在Hypertension杂志在线发表研究，应用新的机器学习算法，对青年高血压数据建模预测高血压相关终点事件并取得良好的预测效果。

该研究证实了机器学习在年轻高血压预后精准分层中的应用价值，有望为临床决策提供新的工具。

该研究纳入508例因高血压住院、临床及随访资料完整的14~39岁高血压患者。

该人群经过中位数为33个月的随访期，共观测到包括全因死亡、心脑血管疾病、终末期肾病在内的复合终点事件42例。

研究者纳入58项基线数据及随访终点建立数据集，应用递归特征消除和XGBoost机器学习算法建立由左心房内径、HDL-C、大内皮素、右臂舒张压、右下肢收缩压、左下肢收缩压、右下肢舒张压、左臂收缩压、平均夜间血氧饱和度、以往最大收缩压和尿素这11个变量组成的预测模型。

应用机器学习方法对年轻高血压患者终点事件建模时，包含11个变量的机器学习预测模型可获得最佳预测效果，其中夜间平均血氧饱和度、大内皮素和同步四肢血压测量值可能是新的年轻高血压预后预测因子。

与传统方法相比，机器学习方法预测年轻高血压终点事件的模型校准度高，预测能力（区分度）与COX回归方法具有可比性，并且高于重新校准的FRS方法。

研究者表示，现有的心血管疾病预后模型主要是根据中老年人群的研究建立，与年轻患者的特征存在差异, 而高质量的年轻高血压研究资料极其缺乏，尚无针对年轻高血压患者预后的风险预测模型。因此，年轻高血压患者预后的精准分层一直是亟待解决的临床难题。

本研究首次建立了预测年轻高血压患者预后的机器学习模型，并通过与传统的统计学方法和经典的临床工具比较，证实了机器学习方法在心血管疾病风险预测中的价值，为进一步应用人工智能相关技术指导心血管疾病的临床决策提供了研究方向。

同时，本研究通过机器学习算法筛选新的预测因子，为理解年轻高血压病理生理机制和发掘治疗靶点提供了新的研究思路。

转载：请标明“中国循环杂志”