递归神经网络系统助力高血压患者确定最佳治疗策略
个体化给药在高血压的慢病管理中一直是非常重要的环节。在制定门诊高血压患者的治疗方案时，大部分医生依赖临床指南和基于指南的临床决策支持（Clinical Decision Support，CDS）系统。然而，支撑临床指南的现有临床证据往往是不足的，这使得临床医生难以据此找出最佳的治疗方案。2020年3月，发表在《Int J Med Inform》上的一项研究，基于从电子病历数据库获得的经验数据，通过检测使用深度学习预测模型，对确定血压控制患者的个体化最佳治疗方案进行了探讨。
血压控制是高血压患者降低心血管事件风险最常见的治疗目标。当体育锻炼和健康饮食等生活方式的改变不能将血压降至目标水平时，就需要开始药物治疗。然而，即使已经开始药物治疗，血压仍未得到较好地控制的患者经常可以遇到，特别是某些难治性高血压患者。通常情况下，医生除了需要寻找患者血压未能得到有效控制的原因之外，会根据临床指南和病人的健康及经济状况调整药物治疗方案。
虽然临床指南一般都提供多种药物治疗的建议，医生可以根据患者个体情况有多种选择，但在实际医疗决策过程中仍然存在着由于忽略了某些影响因素，而导致高血压患者不良预后的情况。特别是遇到难治性高血压患者，某些指南中的治疗建议可能过于复杂，使得临床医生难以遵循。
因此，基于指南开发的CDS系统应运而生，以促进和改善高血压患者的治疗决策过程。已有研究表明，CDS系统可以显著改善血压控制结果。然而，现有的CDS系统是基于指南本身建立的，本质上无法弥补指南现有临床证据不知所带来的限制。一些患者依据指南+CDS进行临床决策，血压仍难以理想控制。新的临床决策辅助手段，仍需要开发以进一步改善临床决策过程，寻找个体化最佳治疗方案。
《Int J Med Inform》上的一项研究，使用2001年1月1日～2010年12月31日245499名门诊患者电子病历中的个体经验数据。这些患者初始诊断为原发性高血压，并接受了降压药物治疗。该研究使用递归神经网络（Recurrent Neural Networks，RNN），包括长期短期记忆（LSTM）和双向LSTM，创建风险适应模型，预测不同血压治疗方案达到血压控制目标的概率。训练集、验证集、测试集的比例为6：2：2。每个集的样本都从各个年份中按照相应比例独立随机抽取。
该研究结果发现，该模型对于收缩压（＜140mmHg）、舒张压（＜90mmHg）及收缩压和舒张压（＜140/90mmHg）的个体血压控制，达到目标概率的预测准确率较高，F1评分分别为0.928、0.960和0.913。
研究结果表明：使用该预测模型选择最佳高血压治疗方案或可让患者潜在获益。作者认为该模型作为强大的决策支持工具，与临床指南+CDS系统一起使用，可以为高血压患者找到与风险相适应的、个性化的治疗策略，尤其对于难治性高血压患者。
（选题审校：谈志远 编辑：余霞霞）
（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）
参考资料：
Int J Med Inform. 2020 Mar 21;139:104122.
Predicting Optimal Hypertension Treatment Pathways Using Recurrent Neural Networks
https://pubmed.ncbi.nlm.nih.gov/32339929