News Medical 7月15日报道，约翰斯·霍普金斯团队在《JAMA Cardiology》发表研究，介绍一种简化机器学习版Martin-Hopkins公式，用于根据血脂资料计算低密度脂蛋白胆固醇。Martin-Hopkins公式已被美国和其他国家实验室用于评估LDL胆固醇水平，以指导降低心血管病风险的治疗决策。
准确评估LDL胆固醇的重要性正在增加，因为当前指南建议把LDL控制在更低水平以降低心血管风险。研究者指出，一些公式低估LDL可能导致治疗机会被错过，尤其是在心血管风险较高、LDL较低、甘油三酯较高的人群中。5、10或20 mg/dL的差异，都可能影响是否符合某些治疗条件，例如PCSK9抑制剂使用。
研究团队使用来自Very Large Database of Lipids的490万份美国儿童和成人血样创建并测试机器学习公式。这些样本中位LDL胆固醇为114 mg/dL。研究者把机器学习公式与原Martin-Hopkins公式、Sampson-NIH公式、Friedewald公式等进行比较，并使用超速离心测量结果作为研究场景中的金标准参照。
总体结果显示，机器学习版Martin-Hopkins公式与原公式非常接近，平均差异仅约0.5 mg/dL。两种Martin-Hopkins公式均能将90%的样本正确归入治疗类别；Sampson-NIH公式为86%，修订Sampson-NIH为85%，Friedewald公式为83%。在甘油三酯200至399 mg/dL且LDL低于70 mg/dL的高风险样本中，机器学习公式正确分类84%，原Martin-Hopkins公式为83%，其他公式表现较低。
作者强调，该公式透明、开放且便于不同实验室系统采用，避免形成难以解释的“黑箱”。研究还使用独立参考实验室数据和PCSK9抑制剂临床试验数据验证结果。该工具可改善实验室LDL计算实施，但仍属于检测和风险分类方法改进；是否启动或调整降脂治疗，需要结合患者总体心血管风险、既往病史、指南和医生判断。
原文链接：http://www.news-medical.net/news/20260715/New-machine-learning-model-improves-cholesterol-calculation-accessibility.aspx
免责声明：本文仅供医学资讯参考，不构成诊疗建议。
