编辑推荐：
在心血管疾病研究中，为解决左心室肥厚（LVH）及左心室质量指数（LVMI）难以便捷测量的问题，研究人员开展了基于动态血压监测数据预测 LVMI 和分类 LVH 的研究。结果显示预测 LVMI 有较低误差，分类 LVH 和同心性 LVH 准确性高。该研究为心血管风险评估提供新方法。
在心血管健康领域，左心室肥厚（Left Ventricular Hypertrophy，LVH）如同潜伏在心脏里的 “定时炸弹”，时刻威胁着人们的生命安全。LVH 临床上表现为左心室质量指数（Left Ventricular Mass Index，LVMI）升高，是心脏不良事件（如心力衰竭、心律失常等）的强力预测指标。目前，测量 LVMI 主要依靠经胸超声心动图，这种方法必须在临床环境中进行，这就像给测量工作设置了一道 “高门槛”，使得数以千万计的高血压患者和广大高血压风险人群难以方便地获取 LVMI 测量结果和进行 LVH 风险分层。而且，现有方法还存在 “短板”，比如不能充分利用时间序列数据。
为了突破这些困境，来自哥伦比亚大学（Columbia University）的研究人员勇挑重担，开展了一项意义重大的研究。他们另辟蹊径，利用可在家中进行的动态血压（Ambulatory Blood Pressure，ABP）监测数据，结合一次性标准实验室检测结果和人口统计学数据，试图准确估计 LVMI 并对 LVH 进行分类。
研究人员采用了两种强大的机器学习模型：多任务学习（Multitask Learning）和迁移学习（Transfer Learning）。多任务学习就像是让模型同时学习多个相关任务，通过共享表示来提高预测准确性和泛化能力；迁移学习则像是把在一个领域学到的知识应用到另一个相似领域，以提高学习效率，尤其适用于数据稀缺的情况。
在研究结果部分：
- 预测 LVMI：研究人员对不同深度学习模型进行探索。通过对比发现，神经网络在预测 LVMI 方面比基线线性回归模型表现更优，平均绝对误差（Mean Absolute Error，MAE）显著降低。多任务学习结合时间序列数据（如血压波形）的模型表现最佳，在测试集上 MAE 为 10.4±1.5，在外部测试集上为 15.6±1.2。迁移学习利用少量变量也能取得较好效果，仅使用 7 个表格变量的迁移学习模型与使用 37 个表格变量的基线神经网络模型预测效果相近。
- 分类 LVH 和同心性 LVH：研究采用相同的模型架构，通过不同的激活函数和损失函数对 LVH 和同心性 LVH 进行分类。结果令人惊喜，分类 LVH 和同心性 LVH 的平均曲线下面积（Area Under the Curve，AUC）分别≥0.95 和≥0.93，这表明模型具有很高的准确性。
研究结论和讨论部分意义非凡。这项研究成功开发并验证了利用可在诊所外收集的数据预测 LVMI 和分类 LVH 的方法，为心血管风险的早期分层提供了更便捷的途径。研究表明，基于动态血压监测设备的 LVMI 测量有可能提高 LVH 风险评估的可及性，让更多人能够及时进行 LVMI 测量。而且，深度学习模型在 LVH 分类上的高准确性，为早期识别高风险个体（如隐匿性高血压患者）的心脏风险带来了新希望。此外，研究还凸显了分析波形数据在心脏风险评估中的重要作用，为临床医生将波形数据纳入心血管疾病评估提供了理论支持。不过，研究也存在一些局限，如参与者范围较窄、LVH 病例数量有限等，这也为未来的研究指明了方向。该研究成果发表在《npj Biosensing》上，为心血管疾病研究领域注入了新的活力，有望推动心血管健康评估技术的进一步发展。
在研究方法上，研究人员使用了 Masked Hypertension Study（MHTN）、Improving the Detection of Hypertension（IDH）研究和 Framingham Heart Study（FHS）的数据集。对时间序列血压波形进行处理，将其转换为频谱图后输入 1 维卷积神经网络（1D CNN）和长短期记忆网络（LSTM）进行分析；对表格数据进行标准化等预处理后输入多层感知器（MLP）。通过构建不同的模型架构，利用多任务学习和迁移学习技术进行实验，并使用 10 折交叉验证等方法评估模型性能。
