塞萨洛尼基亚里士多德大学的研究人员参与了一项国际研究，该研究利用人工智能识别与高血压相关的器官损伤模式，有望为高血压护理提供更加个性化的方案。
这项由牛津大学主导的研究开发了一种机器学习框架，用于评估高血压如何影响多个器官，而不仅仅依赖于血压读数。该研究于2026年6月21日发表在《美国心脏协会杂志·循环》上。
该合作汇集了来自英国、希腊、阿拉伯联合酋长国、加拿大和南非等国机构的研究人员，结合了心脏病学、生物医学工程、流行病学、医学影像学和人工智能领域的专业知识。
研究分析还识别出六种高血压相关疾病进展模式，称为"超压轨迹"(HyperTrajectories)。这些模式主要以心脏、脂蛋白、动脉血栓形成、脑部、心肾或肝脏相关特征为特点，表明高血压对不同患者的影响方式并不相同。
这项研究最终可能帮助医生在主要症状出现前，检测出即将发展出并发症（如中风、心力衰竭或肾病）的患者。不过，牛津研究团队强调，该方法仍处于早期阶段，尚未准备好用于常规临床实践。
塞萨洛尼基亚里士多德大学通过其电气与计算机工程学院的信号处理与生物医学技术部门参与了这项研究。同时隶属于塞萨洛尼基亚里士多德大学和阿布扎比哈利法大学的Leontios Hadjileontiadis教授是该研究的作者之一。他表示："高血压并非一种进展均匀的单一疾病；相反，它在不同个体之间遵循不同的轨迹。"
他还补充道，人工智能技术使研究人员能够识别此前难以检测到的疾病进展模式，这可能为更早诊断、更准确预后和个性化治疗创造机会。
研究人员分析了27,099名英国生物银行参与者566项影像、生物和临床变量。数据包括心脏和大脑的MRI扫描、肾脏、肺部、肝脏和血管信息、心电图、血液检测和身体成分测量。随后，该模型使用美国社区动脉粥样硬化风险研究中5,507名参与者的数据进行了测试。研究人员表示，外部测试证实了两组数据结果的稳定性。
该框架产生了一个称为"超压评分"(HyperScore)的总体器官损伤度量，旨在估计全身高血压相关损伤的负担。研究人员发现，HyperScore阶段与生存率和未来疾病结果的差异相关，而仅按血压读数对参与者进行分组则无法显著区分生存几率。
【全文结束】