正值医咖会会员权益更新之际，可限时领取1年基础会员，20门基础课程随心看>> 

2026 年 06 月 21 日，《Circulation》(IF=38.6) 发表了一篇跨国多模态队列研究。该研究使用来自英国生物银行 (UK Biobank) 成像子研究和动脉粥样硬化风险社区研究 (ARIC) 的数据，评估了对比轨迹推断 (cTI) 框架在量化高血压多器官损伤及识别疾病表型中的效能。研究发现，全局器官损伤评分 (HyperScore) 能有效识别严重终末器官疾病患者并揭示六种高血压疾病表型 (HyperTrajectory)，其生存风险分层能力优于传统血压指标，为高血压个性化评估提供了新框架。

原文链接：https://pubmed.ncbi.nlm.nih.gov/42323953/

研究方法

我们分析了来自英国生物银行 (UK Biobank) 成像子研究的 27 099 名参与者的 566 个多模态成像和非成像变量，以开发一个半监督对比轨迹推断 (cTI) 框架，该框架模拟与高血压暴露相关的多器官改变，包括心脏、大脑、肾脏、血管系统、肺、肝脏和代谢信息。模型稳定性通过多个内部验证步骤得到验证，外部有效性在来自社区动脉粥样硬化风险研究 (ARIC) 的 5507 名参与者身上进行了测试。临床相关性通过与现有风险评分进行比较以及通过预测长达 7 年的生存和新发多器官疾病的能力进行评估，跨越英国生物银行和 ARIC。

研究结果

在英国生物银行 (平均年龄 63.27±7.48 岁;53.4% 为女性) 中，我们的全局器官损伤评分 (高血压器官损伤评分) 在识别患有严重终末器官疾病的个体方面实现了 0.964 (0.941-0.987) 的曲线下面积，并且在交叉验证中具有稳健的稳定性，平均均方根误差为 0.104±0.084。生存几率在高血压器官损伤评分分期之间存在显著差异 (P<0.001)，而按血压分层则无显著意义。我们进一步揭示了 6 种高血压疾病表型 (高血压轨迹)，其特征分别以心脏、脂蛋白、动脉粥样血栓形成、大脑、心肾和肝脏特征为主。在社区动脉粥样硬化风险研究中的外部测试证实了模型的稳定性，高血压器官损伤评分分布的 Jensen-Shannon 距离低至 0.10，器官损伤进展模式无显著偏差 (P>0.05)，并且在高血压轨迹上社区动脉粥样硬化风险研究与英国生物银行之间的终末器官和结局特征一致。

研究结论

机器学习衍生的全局器官损伤评分在高血压中是可行的，并且能够识别不同的高血压疾病表型。使用成像来衍生个性化风险评估和表型特异性干预的高血压评估和监测新框架可能是可实现的。

参考文献：Alkhodari M, Lapidaire W, Kart T, Xiong Z, Krasner S, Fletcher A, et al. Contrastive Machine Learning to Quantify Hypertensive Multiorgan Damage and Identify New Disease Phenotypes: A Multinational Multimodal Study.. Circulation. 2026 Jun 21. doi: 10.1161/CIRCULATIONAHA.125.077394

正值医咖会会员权益更新之际，可限时领取1年基础会员，20门基础课程随心看>>