基于机器学习的高获益策略与传统高风险策略在他汀治疗中的比较：来自日本静冈国民健康数据库的研究

本研究针对他汀类药物在心血管疾病一级预防中个体疗效差异的难题，创新性地采用机器学习因果森林模型分析日本静冈国民健康数据库（SKDB），首次提出"高获益"治疗策略。研究人员通过1:1倾向评分匹配构建8,792人队列，发现基于条件平均处理效应（CATE）的个性化治疗方案可使需治数（NNT）降至15.1，较传统高风险策略（NNT=29.5）提升近一倍疗效，为精准医疗实践提供了新范式。

　　

心血管疾病是全球首要死因，他汀类药物作为一级预防的基石疗法，临床实践中却面临巨大困境：传统"高风险"治疗策略下，约50%患者未能获得预期收益。更棘手的是，现有风险评估工具如Hisayama评分和Suita评分，只能预测疾病发生概率，却无法回答"谁对他汀治疗更敏感"这个关键问题。这种"一刀切"的治疗模式不仅造成医疗资源浪费，还可能使真正需要强化治疗的患者错失良机。

静冈公共卫生大学研究生院的研究团队独辟蹊径，利用日本静冈国民健康数据库（SKDB）这一覆盖200万居民的超级队列，开展了一项具有里程碑意义的真实世界研究。通过创新的机器学习算法，他们成功破解了他汀疗效异质性难题，相关成果发表在《Scientific Reports》上。这项研究首次证明：基于条件平均处理效应（CATE）的"高获益"策略，可比传统方法减少50%的需治数（NNT），相当于每治疗15人就能预防1例心血管事件，而传统方法需要治疗30人才能达到相同效果。

研究团队采用三项关键技术：1）基于新使用者设计的1:1倾向评分匹配，构建4,396对平衡队列；2）应用因果森林机器学习算法（使用2,000棵因果树）估算个体化治疗效应；3）创新性提出"c-for-benefit"统计量（0.71）评估模型判别力。所有分析均通过Shizuoka Kokuho Database（SKDB）系统完成，数据涵盖2012-2022年间67.4岁平均年龄人群的完整医疗记录。

主要发现

1. 疗效异质性图谱：因果森林模型揭示他汀疗效存在17%的极端差异，关键预测因子包括年龄、估算肾小球滤过率（eGFR）、甘油三酯（TG）和高密度脂蛋白胆固醇（HDL-C）等12项指标。值得注意的是，低密度脂蛋白胆固醇（LDL-C）水平与治疗获益呈负相关，颠覆传统认知。

2. 高风险≠高获益：比较Hisayama评分≥10%的高风险组与CATE≥0.0376的高获益组发现，两组仅有43.7%重叠。更惊人的是，高风险人群中46.4%对他汀反应不佳（CATE≤0），而低风险人群中却有8.6%属于潜在高获益者。

3. 临床效益量化：高获益组的需治数（NNT）仅为15.1（95%CI:9.4-23.4），显著优于高风险组的29.5（95%CI:17.2-235.3）。这意味着采用新策略可使治疗效率提升95%，每年避免更多心血管事件。

这项研究开创性地证明：机器学习驱动的精准医疗能突破传统风险评分的局限。特别值得关注的是，模型识别的高获益特征组合（如较低LDL-C但伴随肾功能下降）与传统危险因素大相径庭，这提示他汀的器官保护机制可能独立于降脂作用。研究者Ryo Watanabe和Eiji Nakatani强调，该方法可立即整合到临床决策系统，通过动态预测实现"治疗窗移动"，使更多患者从精准治疗中获益。

讨论部分指出三个深远影响：首先，该方法可减少20-30%的不必要他汀使用，降低肌肉疼痛等副作用负担；其次，高判别力模型（c-for-benefit=0.71）为其他慢性病精准治疗树立标杆；最后，研究揭示肾功能（eGFR）是他汀疗效的关键调节因子，为机制研究指明新方向。正如通讯作者Akira Sugawara所述："这不是要否定高风险策略，而是用AI赋能临床决策，让最需要的患者获得最合适的治疗。"