新的人工智慧模型 實現高血壓治療個人化
波士頓大學(Boston University)開發的模型,使用個別患者的生物指標、人口統計資訊、生命體徵、過去的醫療歷史和臨床檢測記錄,產生客製化的降血壓處方,為醫生提供建議藥物清單及相應成功的機率。模型可以協助將患有高血壓的人配對至最可能對其有效的藥物,達到精準醫療的成效。
高血壓對健康的威脅高 治療選擇具挑戰
對於近一半的美國高血壓患者而言,高血壓可能成為一種潛在的致命病症。據美國疾病控制與預防中心統計,2021年有近70萬死亡案例與高血壓有關。高血壓同時也增加中風和慢性心臟衰竭的風險。
早期發現相對容易預防或緩解高血壓,例如良好的飲食、更多運動、少量飲酒,但治療卻是一個具有挑戰性的任務。β 受體阻滯劑(beta-blockers )會減慢心率,但可能導致哮喘;ACE 抑制劑(ACE inhibitors)會放鬆血管,但可能導致劇烈咳嗽。現在,波士頓大學開發的人工智慧程式,有助於醫生更好地將合適的藥物配給適當的患者。
人工智能開發 改善高血壓治療的新模型
波士頓大學的數據科學家和醫生攜手合作,共同開發了一個數據驅動模型,最新發表於BMC(BMC Medical Informatics and Decision Making)。該模型透過來自波士頓醫學中心,即波士頓大學的主要教學醫院,2012年至2020年間收集的42,752名高血壓患者數據開發。患者根據臨床相關特徵的相似性來進行分類,這些特徵包括人口統計資料、過去的血壓記錄和過去的醫療歷史。
模型的效果與當前標準護理以及其他三種旨在預測適當治療方案的演算法進行比較,研究人員發現,它在降低收縮壓方面比標準護理效果提高了70.3%,並比第二好的模型表現提高了7.08%。該演算法已透過研究人員手動審查了350例隨機樣本,在臨床上得到驗證。研究人員表示,這個模型相較於目前的護理標準,更能有效地降低患者過高的收縮壓,同時,程序的透明度設計也有助於提高醫生對由人工智能生成的結果的信任。
波士頓大學工程學院的傑出教授以及Rafik B. Hariri計算和計算科學與工程研究所的所長Ioannis Paschalidis表示:「這是一種新的機器學習算法,利用電子健康記錄中的信息,展示了AI在醫療保健中的力量。我們的數據驅動模型不僅預測結果,還建議每個病人使用最合適的藥物。」
人工智慧協助 高血壓治療個人化
目前,當醫生選擇為患者開立藥物處方時,通常會考慮患者的病史、治療目標以及與特定藥物相關的好處和風險。在多個藥物選擇且這些藥物之間沒有明確的優勢或劣勢的情況下,選擇哪種藥物有時會像拋硬幣一樣隨機。
相較之下,波士頓大學開發的模型,利用個別患者的訊息生成個人化的高血壓處方,為醫生提供一份建議藥物清單及相應成功的概率。研究人員的目標是透過大數據,把相似的病人分組,根據在相似患者組中的治療有效性,突出顯示最能控制每個病人收縮壓的治療方法。
Paschalidis 表示:「我們的目標是促進一種基於機器學習演算法的降血壓治療個人化方法,以尋求最大化高血壓藥物在個人層面的有效性。」
AI助力智慧醫療 醫師決策新利器
該模型還展示了減少藥物處方的好處,有助於對服用多種藥物的某些患者進行減藥或停藥。根據研究團隊的說法,由於該演算法為醫生提供了多種建議的最佳療法,因此在醫學界對一種藥物與另一種藥物的有效性存在分歧的情況下,即臨床平衡的情況,它可能提供有價值的見解。
「這些先進的預測分析能夠增強臨床醫生的決策能力,並對我們提供的護理品質產生積極影響,從而影響我們患者的治療結果。」Rebecca Mishuris 表示,曾擔任波士頓大學 Chobanian & Avedisian 醫學院的助理教授,現為麻省總醫院布萊根分院的首席醫療資訊官。「這是一個重要的第一步,表明這些模型實際上比護理標準表現得更好,並且可以幫助我們成為更好的醫生。」
對於每種建議的處方類型進行區域特徵的次群體分析。Y軸顯示了每個藥物類型區域特徵中特定次群體的相應百分比。如果在藥物X區域特徵中,A組的百分比高於整個測試集中A的整體百分比,則意味著A組在藥物X下可能獲得更好的反應。
圖片來源:Personalized hypertension treatment recommendations by a data-driven model,Fig. 2
編輯來源和事實核查:
1.Personalized hypertension treatment recommendations by a data-driven model,BMC,2023.03.01
2.New Artificial Intelligence Program Could Help Treat Hypertension,Boston University,2023.06.06