降低高血压患者动脉硬的抗高血压药物建议:基于机器学习的多队列研究 (RIGIPREV)

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 药理学 药理学是指药理学的学科.

背景情况:

• 高血压是全球主要的死亡风险因素,许多患者无法达到最佳的血压控制.
• 动脉硬度 (AS),通过脉冲波速度 (PWV) 测量,独立预测心血管事件和死亡率.
• 目前的抗高血压治疗对PWV有不同的影响,了解患者特异性反应对于有效管理至关重要.

研究的目的:

• 为个性化抗高血压药物推开发机器学习 (ML) 模型.
• 根据患者个体特征,确定最适合降低PWV的抗高血压剂.
• 改进治疗方法的选择,以管理高血压患者的动脉硬.

主要方法:

• 利用高血压患者的RIGIPREV研究 (EVA,LOD-DIABETES,EVIDENT队列) 的数据.
• 使用一个多输出回归器与6个随机森林模型来预测PWV降低的抗高血压类 (ACEI,ARBs,β-阻塞剂,利尿剂,组合).
• 使用R平方和平均平方误差评估模型性能,分析药物特定预测因子的变量重要性.

主要成果:

• 随机森林模型显示出强大的预测能力 (内部R平方0.61-0.74;外部R平方0.26-0.46).
• 对于ACE抑制剂的关键预测因素包括糖化血红蛋白和体重;对于ARBs,带骨PWV和总胆固醇是显著的.
• 决策树模型在选择最佳抗高血压药物方面实现了84.02%的准确性,ARB建议与原始处方一致率为55.3%.

结论:

• ML模型有效地提供了个性化的抗高血压治疗建议.
• 考虑到患者的特征,可以提高药物选择,以控制血压和降低AS.
• 这些发现支持优化高血压管理和降低心血管风险,因此需要在更大的人群中进一步验证.