এআই মডেল কিছু উচ্চ রক্তচাপের পেছনে লুকিয়ে থাকা হরমোনজনিত রোগ শনাক্ত করে

একটি সাধারণ কিন্তু প্রায়ই মিস হওয়া রোগ নির্ণয়কে লক্ষ্য করছে এআই স্ক্রিনিং টুল

ENDO 2026-এ উপস্থাপিত গবেষকেরা বলছেন, নতুন artificial intelligence মডেল চিকিৎসকদের primary aldosteronism-এ আক্রান্ত রোগীদের শনাক্ত করতে সাহায্য করতে পারে, যা উচ্চ রক্তচাপের একটি প্রায়শই অচিহ্নিত কারণ এবং অতিরিক্ত cardiovascular risk-এর সঙ্গে যুক্ত। এই গবেষণায় 30 বছরের electronic health record ডেটা ব্যবহার করে এমন একটি screening approach তৈরি করা হয়েছে, যা formal diagnosis-এর আগেই high-risk রোগীদের চিহ্নিত করতে পারে।

Primary aldosteronism ঘটে যখন adrenal glands অতিরিক্ত aldosterone তৈরি করে, যা sodium এবং potassium balance-এর সঙ্গে সম্পর্কিত হরমোন। বেশি aldosterone রক্তচাপ বাড়াতে পারে এবং stroke, coronary artery disease, atrial fibrillation, heart failure, এবং renal disease-এর ঝুঁকি বাড়ায়। গবেষণায় বলা হয়েছে, কার্যকর চিকিৎসা রয়েছে, তাই আগেভাগে শনাক্ত করা clinically গুরুত্বপূর্ণ।

গবেষকদের মতে, এই অবস্থা hypertension-এ আক্রান্ত রোগীদের 20% পর্যন্ত প্রভাবিত করতে পারে, তবু এটি ব্যাপকভাবে underdiagnosed থাকে। সেই gap-ই Endocrine Society-এর 2025 clinical practice guideline-কে আরও বিস্তৃত screening-এর আহ্বান জানাতে উৎসাহিত করেছে। কিন্তু বাস্তবে, বড় health systems-কে একই ধরনের symptoms, medication histories, এবং lab patterns থাকা অনেক রোগীর মধ্যে বাছাই করতে হওয়ায় screening বাড়ানো কঠিন।

মডেলটি কীভাবে তৈরি করা হয়েছে

Mayo Clinic-এর Frank Lee-র নেতৃত্বাধীন দল Mayo Clinic Platform-এর মাধ্যমে 1986 থেকে 2025 সালের মধ্যে সংগৃহীত 22,000-এর বেশি রোগীর de-identified data ব্যবহার করেছে। মডেলটি age, sex, hypertension ও hypokalemia-সম্পর্কিত diagnosis, systolic blood pressure measurements, potassium levels, এবং antihypertensive drugs বা potassium supplements-এর prescriptions বিশ্লেষণ করেছে।

এরপর গবেষকেরা hypertension-এ আক্রান্ত 225,887 adults-এর ওপর মডেলটি পরীক্ষা করেন। সবচেয়ে ভালো-performing approach-এ XGBoost ব্যবহার করা হয়, যা structured clinical data-তে প্রায়ই ব্যবহৃত machine learning framework। রিপোর্ট করা ফলাফলে, মডেলটি primary aldosteronism-এর ঝুঁকিতে থাকা রোগীদের diagnosis-এর 12 মাস আগে পূর্বাভাস দেয়।

এই lead time গুরুত্বপূর্ণ। এক বছর আগে শনাক্ত করা হলে চিকিৎসকেরা confirmatory tests order করতে, treatment adjust করতে, এবং avoidable cardiovascular complications-এর ঝুঁকি কমাতে সময় পেতে পারেন। এটি আরও ইঙ্গিত দেয় যে AI diagnosis-এর বিকল্প নয়, বরং বিশাল জনসংখ্যাকে এমন ছোট দলে ভাগ করার জন্য কাজে লাগতে পারে যাদের আরও ঘনিষ্ঠভাবে মূল্যায়ন করা উচিত।

একটি রোগের বাইরেও কেন এটি গুরুত্বপূর্ণ

এই গবেষণা health AI-এর একটি practical use case দেখায়: routine care data-তে লুকিয়ে থাকা রোগীদের সামনে আনা, একেবারে নতুন clinical evidence তৈরি করা নয়। High blood pressure সাধারণ, কিন্তু এর কারণ একরকম নয়। যদি সিস্টেমগুলো endocrine disorder-জনিত hypertension থাকা রোগীদের সাধারণ primary hypertension-এর রোগীদের থেকে আলাদা করতে পারে, তাহলে care আরও targeted এবং কম reactive হতে পারে।

এই findings চিকিৎসাবিজ্ঞানে দীর্ঘ-span record sets ব্যবহার করে treatable disease আগেভাগে শনাক্ত করার broader trend-ও তুলে ধরে। কারণ মডেলটি ordinary care-এ আগে থেকেই captured variables-এর ওপর নির্ভর করেছে, তাই নতুন imaging, wearable data, বা specialized testing-ভিত্তিক টুলের তুলনায় adoption barrier কম হতে পারে। তবু, একটি screening model কেবল প্রথম ধাপ। এটিকে workflow-এ integrate করতে হবে, health systems জুড়ে validate করতে হবে, এবং বাস্তব-world outcomes উন্নত করার মতোভাবে ব্যবহার করতে হবে।

এখনকার জন্য, এই কাজ broader, smarter screening-এর পক্ষে যুক্তিকে আরও শক্তিশালী করে। Primary aldosteronism একদিকে গুরুত্বপূর্ণ, অন্যদিকে চিকিৎসাযোগ্যও। এমন একটি model যা রোগীদের formal diagnosis-এর আগেই diagnostic pathway-এ নিয়ে যেতে পারে, তা hypertension care-এর সবচেয়ে দীর্ঘস্থায়ী blind spot-গুলোর একটি কমাতে সাহায্য করতে পারে।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনকে ভিত্তি করে লেখা। মূল নিবন্ধটি পড়ুন.