Circulation
基于对比学习的高血压多器官损伤量化与新型疾病表型识别

小赛推荐：

该研究通过机器学习整合多模态数据，为 高血压 的早期风险分层和个体化干预提供了可量化的生物标志物框架，启发未来研究在临床队列中验证 HyperScore 与 HyperTrajectory 的动态预测能力。

 

文献概述

本文《Contrastive Machine Learning to Quantify Hypertensive Multiorgan Damage and Identify New Disease Phenotypes: A Multinational Multimodal Study》, 发表于《Circulation》杂志，系统探讨了如何利用对比学习框架从大规模影像与非影像数据中量化高血压相关的多器官损伤，并识别出具有不同进展轨迹的疾病表型。研究引入了全局器官损伤评分（HyperScore）与疾病进展路径（HyperTrajectory），实现了从健康到终末器官损害的伪时序建模。该方法不仅提升了对亚临床损伤的识别能力，也为个性化风险评估提供了新工具。

背景知识

高血压是全球心血管疾病死亡的主要可预防因素，长期血压升高可导致心、脑、肾、血管等多个靶器官的结构与功能改变。尽管传统风险评分如Framingham和QRISK3可用于预测未来心血管事件，但它们无法反映当前已存在的多器官损伤状态。临床上，部分患者即使血压控制良好仍进展至终末器官损害，而另一些患者虽长期高血压却未见显著损伤，提示高血压异质性极高。目前缺乏能系统整合多器官数据、动态描绘疾病进展的量化工具。现有影像标志物如颈动脉内膜中层厚度（IMT）或心脏MRI参数仅反映单一器官变化，难以全面捕捉全身性损伤模式。本研究的切入点在于利用半监督对比学习策略，构建一个跨器官、跨模态的损伤梯度模型，通过定义“健康”与“晚期疾病”对比组，实现对个体当前损伤程度的量化，并揭示不同器官系统的主导性损伤路径，从而突破传统单一指标局限。

 

专业的心脑血管疾病药效评价平台，提供动脉粥样硬化、肺动脉高压、脑卒中等模型构建与体内药效检测服务，涵盖体重、血脂、主动脉病理形态分析等指标，助力心血管药物的临床前研究与IND申报。

了解更多

 

研究方法与核心实验

研究基于UK Biobank影像子研究队列，纳入27,099名参与者，分析了566个多模态变量，涵盖心脏、脑、肾脏、肺、肝脏、代谢及血管系统。采用对比主成分分析（cPCA）构建低维空间，在其中定义“健康”（N组：SBP/DBP <120/80 mmHg，无治疗）与“高血压晚期”（H组：SBP≥160或DBP≥100 mmHg）作为对比极端。通过最小生成树（MST）算法建立从健康节点出发的伪时序轨迹，计算每个个体距离根节点的归一化距离，形成HyperScore。为识别不同进展路径，使用拉普拉斯嵌入与系统聚类方法识别出6条主要轨迹（HyperTrajectories）。模型内部通过10折交叉验证与子集重训练评估稳定性，外部在ARIC队列（n=5,507）中验证泛化能力。所有分析调整年龄、性别，并使用ComBat进行多中心数据校准。

关键结论与观点

• HyperScore在区分严重终末器官疾病个体时AUC达0.964，且在交叉验证中RMSE为0.104±0.084，表明模型高度稳定 —— [数据发现] + [对后续 临床风险预测模型 的指导意义]
• 生存分析显示HyperScore阶段间事件发生率差异显著（P<0.001），而仅基于血压分期的分层无显著差异 —— [数据发现] + [对后续 临床监测 的指导意义]
• 发现6种高血压相关表型（HyperTrajectories），分别以心脏、脂蛋白、动脉粥样血栓、脑、心肾、肝为主导特征 —— [数据发现] + [对后续 疾病分型研究 的指导意义]
• ARIC队列验证显示HyperScore分布JS距离低至0.10，且器官损伤进展模式一致 —— [数据发现] + [对后续 多中心验证研究 的指导意义]
• HyperScore在预测心血管死亡方面表现与QRISK3、ACC/AHA等传统风险评分相当，且优于单纯血压水平 —— [数据发现] + [对后续 药物开发 的指导意义]
• 表型特异性事件模式显示：轨迹1（心脏为主）患者心脏事件最多；轨迹4（脑为主）脑部疾病最常见；轨迹5（心肾）死亡率最高 —— [数据发现] + [对后续 精准医学干预 的指导意义]

研究意义与展望

该研究标志着从“血压为中心”的高血压管理向“器官损伤为中心”的范式转变。HyperScore提供了一个可量化的、基于多器官整合的损伤指标，有望用于早期识别高风险个体，尤其是在血压尚未显著升高但已出现亚临床损伤的阶段。HyperTrajectories则揭示了高血压异质性的生物学基础，提示不同患者可能通过不同器官系统驱动疾病进展，这为个体化治疗策略（如优先保护主导受损器官）提供了理论依据。

在药物开发层面，该框架可用于富集特定表型人群进行临床试验，提升疗效检测敏感性。例如，针对轨迹2（脂蛋白为主）的患者测试新型降脂疗法，或在轨迹5（心肾）人群中评估SGLT2抑制剂的靶器官保护作用。此外，该模型可作为药效评价的综合终点，监测治疗是否真正逆转多器官损伤轨迹。

 

提供HUGO-GT®全基因组人源化小鼠模型，支持阿尔茨海默病、脊髓性肌萎缩症等神经系统疾病的研究，搭载高效大片段载体融合技术，可定制突变模型，适用于基因治疗与药物临床前评价。

了解更多

 

结语

本研究通过创新性地应用对比机器学习方法，构建了首个可量化的高血压多器官损伤评分（HyperScore）与疾病进展轨迹（HyperTrajectory），实现了从健康到终末器官损害的连续谱系建模。该框架不仅显著提升了对高血压相关心血管事件的预测能力，更重要的是揭示了疾病异质性背后的器官特异性表型，为精准风险分层与个体化干预提供了全新视角。未来，该模型有望整合进电子健康记录系统，实现对高血压患者的动态监测与早期预警，推动从“反应性治疗”向“预测性预防”转型。对于实验室研究，该方法为探索基因-环境交互作用如何塑造不同器官损伤路径提供了可量化的表型维度，可结合孟德尔随机化或系统遗传学方法深入解析机制。最终，这一成果有望重塑高血压照护体系，使其更加精准、预防导向和器官保护为中心。

 

Mohanad Alkhodari, Winok Lapidaire, Turkay Kart, Abhirup Banerjee, and Paul Leeson. Contrastive Machine Learning to Quantify Hypertensive Multiorgan Damage and Identify New Disease Phenotypes: A Multinational Multimodal Study. Circulation.