एआय मॉडेल काही उच्च रक्तदाब प्रकरणांमागील लपलेला हार्मोन विकार ओळखतो

एक सामान्य पण अनेकदा न सापडणारे निदान शोधण्यासाठी एआय स्क्रीनिंग साधनाचा प्रयत्न

ENDO 2026 मध्ये सादर केलेल्या संशोधकांच्या म्हणण्यानुसार, एक नवे artificial intelligence मॉडेल चिकित्सकांना primary aldosteronism असलेल्या रुग्णांची ओळख करण्यात मदत करू शकते, जो उच्च रक्तदाबाचा वारंवार कमी ओळखला जाणारा कारण आहे आणि अतिरिक्त cardiovascular risk शी संबंधित आहे. या अभ्यासात 30 वर्षांच्या electronic health record डेटाचा वापर करून अशी screening approach तयार करण्यात आली जी formal diagnosis होण्यापूर्वी high-risk रुग्णांना चिन्हांकित करू शकते.

Primary aldosteronism तेव्हा होते जेव्हा adrenal glands खूप जास्त aldosterone तयार करतात, हे sodium आणि potassium संतुलनाशी संबंधित hormone आहे. जास्त aldosterone रक्तदाब वाढवू शकतो आणि stroke, coronary artery disease, atrial fibrillation, heart failure, आणि renal disease च्या वाढलेल्या जोखमीशी संबंधित आहे. प्रभावी उपचार उपलब्ध असल्याचे अभ्यासात नमूद केले आहे, त्यामुळे लवकर ओळख क्लिनिकल दृष्ट्या महत्त्वाची ठरते.

संशोधकांच्या मते, ही स्थिती hypertension असलेल्या 20% पर्यंत रुग्णांना प्रभावित करू शकते, तरीही ती मोठ्या प्रमाणावर underdiagnosed राहते. हाच gap Endocrine Society च्या 2025 clinical practice guideline मध्ये व्यापक screening ची शिफारस करण्यामागे होता. प्रत्यक्षात, मात्र, मोठ्या health systems ला समान symptoms, medication histories, आणि lab patterns असलेल्या अनेक रुग्णांतून छाननी करावी लागते म्हणून ही screening वाढवणे कठीण ठरते.

मॉडेल कसे तयार केले

Mayo Clinic च्या Frank Lee यांच्या नेतृत्वाखालील टीमने Mayo Clinic Platform द्वारे 1986 ते 2025 दरम्यान गोळा केलेल्या 22,000 पेक्षा अधिक रुग्णांच्या de-identified डेटाचा वापर केला. मॉडेलने age, sex, hypertension आणि hypokalemia संबंधित diagnosis, systolic blood pressure measurements, potassium levels, आणि antihypertensive drugs किंवा potassium supplements च्या prescriptions यांसारख्या घटकांचे विश्लेषण केले.

यानंतर संशोधकांनी hypertension असलेल्या 225,887 adults वर मॉडेलची चाचणी केली. सर्वोत्तम कामगिरी करणाऱ्या approach मध्ये XGBoost वापरले गेले, जे structured clinical data वर वारंवार वापरले जाणारे machine learning framework आहे. नोंदवलेल्या निकालात, मॉडेलने primary aldosteronism च्या जोखमीतील रुग्णांचा diagnosis च्या 12 महिने आधी अंदाज वर्तवला.

तो lead time महत्त्वाचा आहे. एक वर्ष आधी ओळख मिळाल्यास confirmatory tests मागवणे, treatment समायोजित करणे, आणि टाळता येण्याजोग्या cardiovascular complications चा धोका कमी करण्यासाठी चिकित्सकांना वेळ मिळू शकतो. हेही सूचित होते की AI चा उपयोग diagnosis बदलण्यासाठी नाही, तर मोठ्या लोकसंख्येला अधिक जवळून तपासल्या जाणाऱ्या लहान गटात रूपांतरित करण्यासाठी होऊ शकतो.

एकाच विकारापलीकडे हे का महत्त्वाचे आहे

हा अभ्यास health AI साठी एक practical use case दाखवतो: routine care data मध्ये लपलेले रुग्ण समोर आणणे, पूर्णपणे नवे clinical evidence तयार करणे नव्हे. High blood pressure सामान्य आहे, पण त्याची कारणे एकसारखी नसतात. जर प्रणाली endocrine disorder मुळे hypertension असलेल्या रुग्णांना सामान्य primary hypertension असलेल्या रुग्णांपासून वेगळे ओळखू शकली, तर care अधिक targeted आणि कमी reactive होऊ शकते.

हे निष्कर्ष medicine मध्ये दीर्घ-span record sets वापरून उपचारक्षम रोग लवकर ओळखण्याच्या व्यापक ट्रेंडचेही प्रतिबिंब आहेत. कारण मॉडेल सामान्य care मध्ये आधीपासून नोंदवलेल्या घटकांवर आधारित होते, त्यामुळे नवीन imaging, wearable data, किंवा specialized testing आवश्यक असलेल्या साधनांच्या तुलनेत adoption barrier कमी असू शकतो. तरीही, एक screening model हा फक्त पहिला टप्पा आहे. त्याला workflow मध्ये integrate करावे लागेल, health systems मध्ये validate करावे लागेल, आणि वास्तविक जगातील परिणाम सुधारतील अशा रीतीने वापरावे लागेल.

सध्या, हे काम व्यापक आणि अधिक स्मार्ट screening च्या बाजूने तर्क मजबूत करते. Primary aldosteronism हे गंभीरही आहे आणि उपचारक्षमही आहे. एक असे model जे रुग्णांना formal diagnosis होण्यापूर्वी diagnostic pathway वर आणू शकते, ते hypertension care मधील सर्वात दीर्घकाळ टिकलेल्या blind spots पैकी एक भरून काढण्यास मदत करू शकते.

हा लेख Medical Xpress च्या अहवालावर आधारित आहे. मूळ लेख वाचा.