「“10”光列车，科研探索之旅」抽大奖！>>

2026 年 07 月 28 日，《Circulation》(IF=41.3) 发表了一篇跨国多模态研究，使用多国多模态数据，评估了高血压多器官损伤量化及新疾病表型识别。研究发现机器学习衍生的全局器官损伤评分在高血压管理中可行，能够识别不同的高血压诱导器官疾病表型，基于成像推导个性化风险评估和表型特异性干预的高血压评估与监测新框架可能得以实现。

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

研究背景

高血压会导致多器官结构和功能损伤，但亚临床损伤在临床中难以识别。目前缺乏有效方法量化高血压诱导的多器官损伤及映射疾病进展。本研究开发了一种机器学习方法，旨在量化高血压诱导的多器官损伤并预测器官特异性疾病进展轨迹。

研究方法

数据来源于英国生物银行 (UK Biobank) 成像子研究，外部验证数据来源于动脉粥样硬化风险社区 (ARIC) 研究。开发队列纳入 27,099 名参与者，外部验证队列纳入 5,507 名参与者。

暴露因素/干预措施

开发了半监督对比轨迹推断 (cTI) 框架，分析了 566 个多模态成像和非成像变量以模型化与高血压暴露相关的器官改变。

结局

主要结局包括识别严重终末器官疾病的能力、生存率及长达 7 年的新发多器官疾病。

统计学分析方法

通过多次内部验证步骤验证模型稳定性，并与现有风险评分对比评估临床相关性。

研究结果

本研究纳入了 27,099 位英国生物银行参与者，中位年龄 63.3±7.5 岁，女性占比 53.4%。全局器官损伤评分 (HyperScore) 识别严重终末器官疾病的受试者工作特征曲线下面积 (AUC) 为 0.97，交叉验证均方根误差 (RMSE) 为 0.104±0.084。HyperScore 分期的生存几率差异显著 (p<0.001)，而血压分层无显著差异。研究揭示了六种高血压疾病表型 (HyperTrajectory)，特征分别为心脏、脂蛋白、动脉血栓形成、大脑、死亡率和肝脏特征。ARIC 外部测试确认模型稳定性，HyperScore 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)，且跨 HyperTrajectories 的终末器官和结果特征一致。

研究结论

机器学习衍生的全局器官损伤评分在高血压管理中可行，能够识别不同的高血压诱导器官疾病表型。基于成像推导个性化风险评估和表型特异性干预的高血压评估与监测新框架可能得以实现。

参考文献：Alkhodari M, Lapidaire W, Kart T, Xiong Z, Krasner S, Fletcher AJ, et al. Contrastive Machine Learning to Quantify Hypertensive Multiorgan Damage and Identify New Disease Phenotypes: A Multinational Multimodal Study.. Circulation. 2026 Jul 28;154(4):316-333. doi: 10.1161/CIRCULATIONAHA.125.077394

正值医咖会10周年，扫描或识别下方二维码参与活动，随机掉落红包，还有机会抽到年度会员，享更多功能：