Un modèle d’IA identifie une cause cachée de certains cas d’hypertension

Un outil de dépistage par IA vise un diagnostic courant que les médecins manquent encore souvent

Des chercheurs présentant leurs travaux à l’ENDO 2026 indiquent qu’un nouveau modèle d’intelligence artificielle pourrait aider les cliniciens à identifier des patients atteints d’aldostéronisme primaire, une cause d’hypertension fréquemment sous-reconnue et associée à un risque cardiovasculaire accru. L’étude a utilisé 30 ans de données de dossiers médicaux électroniques pour élaborer une approche de dépistage capable d’alerter sur des patients à haut risque avant qu’un diagnostic formel ne soit posé.

L’aldostéronisme primaire survient lorsque les glandes surrénales produisent trop d’aldostérone, une hormone impliquée dans l’équilibre du sodium et du potassium. Un excès d’aldostérone peut faire monter la tension artérielle et est associé à un risque plus élevé d’accident vasculaire cérébral, de maladie coronarienne, de fibrillation auriculaire, d’insuffisance cardiaque et d’atteinte rénale. L’étude note que des traitements efficaces existent, ce qui rend la détection précoce cliniquement importante.

Selon les chercheurs, cette affection pourrait toucher jusqu’à 20 % des patients hypertendus, tout en restant largement sous-diagnostiquée. Cet écart explique en partie pourquoi la recommandation de pratique clinique 2025 de l’Endocrine Society a appelé à un dépistage plus large. En pratique toutefois, élargir ce dépistage est difficile, car les grands systèmes de santé doivent trier un grand nombre de patients aux symptômes, aux antécédents médicamenteux et aux profils biologiques qui se recoupent.

Comment le modèle a été construit

L’équipe, dirigée par Frank Lee de la Mayo Clinic, a utilisé des données dépersonnalisées provenant de plus de 22 000 patients recueillies entre 1986 et 2025 via la Mayo Clinic Platform. Le modèle a analysé des variables telles que l’âge, le sexe, les diagnostics liés à l’hypertension et à l’hypokaliémie, les mesures de pression artérielle systolique, les taux de potassium et les prescriptions d’antihypertenseurs ou de suppléments de potassium.

Les chercheurs ont ensuite testé le modèle sur 225 887 adultes hypertendus. L’approche la plus performante utilisait XGBoost, un cadre d’apprentissage automatique souvent appliqué à des données cliniques structurées. Dans le résultat rapporté, le modèle a prédit les patients à risque d’aldostéronisme primaire 12 mois avant le diagnostic.

Ce délai compte. Une reconnaissance un an plus tôt pourrait donner aux cliniciens le temps de demander des examens de confirmation, d’ajuster le traitement et de réduire l’exposition à des complications cardiovasculaires évitables. Cela suggère aussi que l’IA peut être particulièrement utile non pas pour remplacer le diagnostic, mais pour réduire une vaste population à un groupe plus restreint devant être évalué de plus près.

Pourquoi cela pourrait compter au-delà d’un seul trouble

L’étude met en évidence un cas d’usage concret de l’IA en santé: faire remonter des patients cachés dans les données de soins courants plutôt que générer des formes entièrement nouvelles de preuve clinique. L’hypertension est fréquente, mais ses causes ne sont pas uniformes. Si les systèmes peuvent distinguer les patients dont l’hypertension est liée à un trouble endocrinien de ceux souffrant d’une hypertension primaire plus classique, les soins peuvent devenir plus ciblés et moins réactifs.

Les résultats reflètent aussi une tendance plus large en médecine à utiliser des ensembles de dossiers couvrant de longues périodes pour identifier plus tôt des maladies traitables. Comme le modèle reposait sur des variables déjà recueillies dans les soins habituels, la barrière à l’adoption pourrait être plus faible que pour des outils nécessitant de nouvelles images, des données de dispositifs portables ou des examens spécialisés. Même ainsi, un modèle de dépistage n’est qu’une première étape. Il faut encore l’intégrer au flux de travail, le valider dans différents systèmes de santé et l’utiliser de manière à améliorer les résultats réels.

Pour l’instant, ce travail renforce l’argument en faveur d’un dépistage plus large et plus intelligent. L’aldostéronisme primaire est à la fois important et traitable. Un modèle capable d’orienter les patients vers un parcours diagnostique avant que l’affection ne soit formellement reconnue pourrait aider à combler l’une des zones d’ombre les plus persistantes de la prise en charge de l’hypertension.

Cet article s’appuie sur un reportage de Medical Xpress. Lire l’article original.