Η υψηλή αρτηριακή πίεση παραμένει μία από τις πιο συχνές και ταυτόχρονα υποεκτιμημένες αιτίες καρδιαγγειακής νοσηρότητας παγκοσμίως. Ωστόσο, πίσω από ένα σημαντικό ποσοστό περιπτώσεων υπέρτασης μπορεί να κρύβεται μια ειδική και δυνητικά θεραπεύσιμη ενδοκρινική διαταραχή: ο πρωτοπαθής αλδοστερονισμός. Νέα δεδομένα από εφαρμογές τεχνητής νοημοσύνης υποδεικνύουν ότι η συγκεκριμένη κατάσταση ενδέχεται να υποδιαγιγνώσκεται σε μεγάλη κλίμακα.
Τα ευρήματα παρουσιάστηκαν στο ENDO 2026 Annual Meeting της Endocrine Society, μέσα από μελέτη ερευνητών της Mayo Clinic.
Τι είναι ο πρωτοπαθής αλδοστερονισμός
Ο πρωτοπαθής αλδοστερονισμός είναι μια ενδοκρινική διαταραχή κατά την οποία τα επινεφρίδια παράγουν υπερβολική ποσότητα αλδοστερόνης. Η ορμόνη αυτή ρυθμίζει την ισορροπία νατρίου και καλίου στον οργανισμό, επηρεάζοντας άμεσα την αρτηριακή πίεση.
Όταν τα επίπεδά της είναι αυξημένα, προκαλείται κατακράτηση νατρίου, απώλεια καλίου και σημαντική αύξηση της αρτηριακής πίεσης. Το κρίσιμο στοιχείο είναι ότι οι ασθενείς με αυτή τη μορφή υπέρτασης διατρέχουν μεγαλύτερο κίνδυνο καρδιαγγειακών επιπλοκών σε σχέση με άλλες μορφές υπέρτασης.
Το πρόβλημα της υποδιάγνωσης
Παρά τη σημασία της, ο πρωτοπαθής αλδοστερονισμός συχνά δεν διαγιγνώσκεται. Υπολογίζεται ότι ένα σημαντικό ποσοστό ασθενών με υπέρταση —έως και 20%— μπορεί να πάσχει από τη συγκεκριμένη διαταραχή χωρίς να το γνωρίζει.
Αυτό συμβαίνει γιατί τα συμπτώματα δεν είναι πάντα διακριτά και συχνά η υπέρταση αντιμετωπίζεται ως «ιδιοπαθής», δηλαδή χωρίς συγκεκριμένη αιτία. Το αποτέλεσμα είναι ότι πολλοί ασθενείς λαμβάνουν γενική αντιυπερτασική θεραπεία χωρίς να αντιμετωπίζεται η υποκείμενη ορμονική διαταραχή.
Πώς η τεχνητή νοημοσύνη αλλάζει την εικόνα
Η νέα μελέτη αξιοποίησε ένα μοντέλο μηχανικής μάθησης τύπου XGBoost, το οποίο ανέλυσε δεδομένα από ηλεκτρονικά αρχεία υγείας (EHR) που κάλυπταν περίοδο 30 ετών.
Το σύστημα εκπαιδεύτηκε σε δεδομένα άνω των 22.000 ασθενών και στη συνέχεια δοκιμάστηκε σε ένα πολύ μεγαλύτερο σύνολο άνω των 225.000 ατόμων με υπέρταση.
Το μοντέλο αξιοποίησε κλινικές μεταβλητές όπως:
- ηλικία και φύλο,
- ιστορικό υπέρτασης και υποκαλιαιμίας,
- μετρήσεις συστολικής πίεσης,
- επίπεδα καλίου στο αίμα,
- φαρμακευτική αγωγή για υπέρταση ή συμπληρώματα καλίου.
Τι κατάφερε το μοντέλο
Ένα από τα πιο σημαντικά ευρήματα είναι ότι το σύστημα τεχνητής νοημοσύνης κατάφερε να εντοπίσει ασθενείς υψηλού κινδύνου έως και 12 μήνες πριν από την κλινική διάγνωση.
Σε επίπεδο απόδοσης, όταν τέθηκε όριο χαμηλού κινδύνου:
- εντόπισε σωστά πάνω από το 90% των περιπτώσεων πρωτοπαθούς αλδοστερονισμού,
- ενώ απέκλεισε λιγότερο από 10% των πραγματικών περιστατικών,
- και χαρακτήρισε περίπου τα δύο τρίτα των υπερτασικών ως υποψήφιους για περαιτέρω έλεγχο.
Αυτό σημαίνει ότι ένα μεγάλο ποσοστό ασθενών θα μπορούσε να φιλτράρεται για πιο εξειδικευμένη διερεύνηση με βάση ήδη διαθέσιμα δεδομένα στον ιατρικό φάκελο.
Η σημασία της έγκαιρης διάγνωσης
Η έγκαιρη αναγνώριση του πρωτοπαθούς αλδοστερονισμού έχει ιδιαίτερη κλινική σημασία, καθώς υπάρχουν στοχευμένες θεραπείες που μπορούν να βελτιώσουν σημαντικά την πρόγνωση των ασθενών.
Σε αντίθεση με την κοινή υπέρταση, η οποία συχνά αντιμετωπίζεται συμπτωματικά, η συγκεκριμένη μορφή μπορεί να απαιτεί εξειδικευμένη φαρμακευτική ή και χειρουργική αντιμετώπιση, ανάλογα με την αιτία.
Από τα δεδομένα στην κλινική πράξη
Η μελέτη υπογραμμίζει τη δυνατότητα της τεχνητής νοημοσύνης να λειτουργήσει ως εργαλείο υποστήριξης κλινικών αποφάσεων. Αντί να αντικαταστήσει τους γιατρούς, μπορεί να βοηθήσει στον εντοπισμό ασθενών που διαφορετικά θα περνούσαν απαρατήρητοι.
Η χρήση υπαρχόντων ηλεκτρονικών δεδομένων υγείας καθιστά την προσέγγιση ιδιαίτερα πρακτική, καθώς δεν απαιτεί νέες εξετάσεις για τη δημιουργία αρχικού αλγοριθμικού ελέγχου.
Κλινικές και συστημικές προεκτάσεις
Αν τέτοια συστήματα εφαρμοστούν ευρέως, θα μπορούσαν να αλλάξουν τον τρόπο με τον οποίο γίνεται ο έλεγχος της υπέρτασης. Αντί για μια γενική διάγνωση, οι ασθενείς θα κατηγοριοποιούνται σε υποομάδες κινδύνου με μεγαλύτερη ακρίβεια.
Αυτό θα μπορούσε να οδηγήσει σε:
- πιο στοχευμένες εξετάσεις,
- καλύτερη κατανομή πόρων υγείας,
- και μείωση των καρδιαγγειακών επιπλοκών μέσω έγκαιρης παρέμβασης.
Η μελέτη αναδεικνύει μια κρίσιμη αλήθεια: μεγάλο μέρος της υπέρτασης μπορεί να έχει υποκείμενες, θεραπεύσιμες αιτίες που παραμένουν αδιάγνωστες. Η τεχνητή νοημοσύνη δεν αλλάζει μόνο την ταχύτητα της ανάλυσης δεδομένων, αλλά και το βάθος της κλινικής κατανόησης.
Αν τα ευρήματα επιβεβαιωθούν σε ευρύτερη κλινική εφαρμογή, η διάγνωση του πρωτοπαθούς αλδοστερονισμού θα μπορούσε να γίνει πιο συστηματική, μειώνοντας σημαντικά τον κίνδυνο σοβαρών καρδιαγγειακών επιπλοκών σε ασθενείς με υπέρταση.
