de.wedoany.com-Bericht: Forscher der Mayo Clinic und anderer Einrichtungen haben ein auf Künstlicher Intelligenz (KI) basierendes Screening-Modell entwickelt, das 30 Jahre routinemäßige elektronische Gesundheitsdaten (EHR) nutzt, um die Erkennungsrate des primären Hyperaldosteronismus zu verbessern. Der primäre Hyperaldosteronismus ist eine der Hauptursachen für Bluthochdruck und erhöht aufgrund häufiger Unterdiagnose das Risiko kardiovaskulärer Komplikationen bei Patienten.
Ein primärer Hyperaldosteronismus tritt auf, wenn die Nebennieren (kleine Drüsen auf den Nieren) zu viel des Hormons Aldosteron ausschütten, was zu einem Ungleichgewicht des Natrium- und Kaliumspiegels im Körper führt. Im Vergleich zu Patienten mit essenzieller Hypertonie haben diese Patienten ein höheres Risiko für Herz-Kreislauf-Erkrankungen, darunter Schlaganfall, koronare Herzkrankheit, Vorhofflimmern, Herzinsuffizienz und Nierenerkrankungen.
Dr. Frank Lee von der Mayo Clinic in Rochester, Minnesota, leitender Forscher der Studie, wies darauf hin, dass die tatsächliche Prävalenz des primären Hyperaldosteronismus unbekannt sei, aber schätzungsweise bis zu 20 % der Bluthochdruckpatienten betroffen seien. Da wirksame Behandlungen existieren, könne eine frühzeitige Diagnose zukünftige Komplikationen verhindern und die Gesundheitskosten senken. Die Studie wird am Samstag auf der Jahrestagung der Endocrine Society, ENDO 2026, in Chicago, Illinois, vorgestellt.
Die Endocrine Society hat in ihrem 2025 veröffentlichten „Primary Aldosteronism: An Endocrine Society Clinical Practice Guideline" bereits zu einem breiteren Screening aufgerufen.
Die Forscher nutzten die Mayo Clinic Platform, eine föderierte Infrastruktur mit multimodalen klinischen Daten und Datenschutz, um das KI-Screening-Modell zu entwickeln. Das Modell analysierte anonymisierte Daten von über 22.000 Patienten, die zwischen 1986 und 2025 gesammelt wurden, mit Variablen wie Alter, Geschlecht, ICD-Diagnosen für Hypertonie und Hypokaliämie, systolischen Blutdruckmesswerten, Serumkaliumspiegeln sowie verschriebenen Antihypertensiva oder Kaliumpräparaten. Anschließend wurde das Modell an Daten von 225.887 erwachsenen Hypertoniepatienten getestet. Die Studie verwendete eine XGBoost-Architektur, eine Art maschinelles Lernverfahren, um das Risiko eines Patienten, innerhalb von 12 Monaten vor der Diagnose einen primären Hyperaldosteronismus zu entwickeln, vorherzusagen.
Lee erklärte, das Modell zeige die Machbarkeit eines KI-basierten Screening-Ansatzes. Als die Forscher einen Schwellenwert zur Identifizierung von Personen mit niedrigem Risiko festlegten, markierte das Modell korrekt über 90 % der Fälle von primärem Hyperaldosteronismus, mit einer Fehldiagnoserate von unter 10 %. Bei dieser Einstellung wurden etwa zwei Drittel der Studienteilnehmer als Kandidaten für ein weiteres Screening identifiziert.
Lee sagte, dass das Modell bei Tests an Hypertoniepatienten, die nie auf primären Hyperaldosteronismus gescreent wurden, etwa zwei Drittel der Patienten identifizierte, die weitere Untersuchungen benötigten, und wies darauf hin, dass Kliniker Schwierigkeiten hatten, die Krankheit effektiv zu screenen, während dieses Tool eine Lösung auf der Grundlage routinemäßiger Informationen aus Krankenakten bieten könne.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
