优化无创监测肝硬化门静脉高压症中 NSBBs 治疗反应：机器学习是答案？

为优化无创监测非选择性 β 受体阻滞剂（NSBBs）治疗门静脉高压的疗效，研究用机器学习分析相关指标，其模型有潜力但需验证。

　　### 肝硬化门静脉高压治疗监测的探索之旅
在肝脏疾病的世界里，肝硬化（cirrhosis）就像一颗 “定时炸弹”，给患者的健康带来诸多威胁。其中，门静脉高压（portal hypertension）是肝硬化常见且严重的并发症，会引发一系列危险状况，比如食管静脉曲张破裂出血，严重时甚至危及生命。

目前，非选择性 β 受体阻滞剂（NSBBs）是治疗门静脉高压的主要药物。然而，只有部分患者对 NSBBs 有良好的血液动力学反应，即肝静脉压力梯度（HVPG）降低≥10 - 20% 时，才能获得更大的治疗益处。但反复测量 HVPG 是一种侵入性检查，存在诸多限制，在实际临床中，只有少数医疗中心将其作为常规检查手段。

于是，研究人员把目光投向了无创检测（NITs），比如肝硬度测量（LSM）和脾硬度测量（SSM），它们常与血小板计数结合，用于评估门静脉高压相关风险。可现有的 NITs 在区分 NSBBs 治疗的应答者和无应答者方面，结果存在争议。有些研究表明 LSM 和 SSM 的变化与 NSBBs 治疗时 HVPG 的变化相关，而其他研究却无法证实这一结论。

为了解决这些难题，来自瑞士伯尔尼大学医院（University of Bern, Bern, Switzerland）的研究人员展开了深入研究。他们的研究成果发表在《Hepatology International》杂志上。

研究的技术 “武器库”

研究人员采用了机器学习（ML）的方法，基于传统统计方法中的 LASSO 回归进行分析。研究涉及的指标包括通过点剪切波弹性成像（pSWE）测量的 LSM、SSM，以及心率（HR）。研究对象为因高风险食管静脉曲张（HRV）接受 NSBBs 治疗的患者，不过研究未进行 HVPG 测量，而是根据 12 个月内有无静脉曲张出血和 12 个月内镜检查时静脉曲张大小是否稳定或缩小来定义应答者和无应答者。

研究成果大揭秘

• 关键指标与治疗反应的关联：研究发现，在 NSBBs 治疗的前三个月，SSM、LSM 和 HR 的降低与 1 年后定义的治疗反应之间存在统计学显著相关性。并且，研究人员提出了相对百分比降低的阈值，这有助于监测开始接受 NSBBs 初级预防治疗患者的治疗效果。
• 强大的预测模型：研究人员构建了一个结合 LSM、SSM 和 HR 的多变量模型，该模型在识别应答者方面表现出色，其受试者工作特征曲线下面积（AUROC）达到了 0.96。

研究结论与讨论：希望与挑战并存

这项研究表明，机器学习模型在增强无创检测以监测和预测肝硬化治疗反应方面具有巨大潜力。如果后续在其他队列中得到验证和扩展，该模型有望为门静脉高压的个性化管理提供重要帮助。

不过，研究也存在一些局限性。例如，研究未测量 HVPG，所以无法得知按标准定义的应答者和无应答者的比例。研究中 NSBBs 的使用仅局限于 HRV 患者的静脉曲张出血初级预防，未涵盖所有临床情况。而且，NSBBs 的类型未标准化，约三分之一的患者使用的是普萘洛尔而非目前推荐作为一线用药的卡维地洛。另外，研究基于单中心单一队列，仅使用了一种弹性成像技术，后续还需要在独立队列中用相同技术和其他常用超声弹性成像技术进行外部验证。

尽管如此，此次研究依然为肝硬化门静脉高压的治疗监测开辟了新的方向，让我们看到了机器学习在医学领域应用的广阔前景，期待未来能有更多的研究成果，为肝硬化患者带来新的希望。