ఏఐ మోడల్ కొన్ని అధిక రక్తపోటు కేసుల వెనుక ఉన్న దాచిన హార్మోన్ రుగ్మతను గుర్తిస్తుంది

ఒక సాధారణమైన కానీ తరచూ దాటవేయబడే నిర్ధారణను ఏఐ స్క్రీనింగ్ టూల్ లక్ష్యంగా పెట్టుకుంది

ENDO 2026లో ప్రజెంట్ చేసిన పరిశోధకులు చెబుతున్నదేమిటంటే, కొత్త artificial intelligence మోడల్ వైద్యులు primary aldosteronism ఉన్న రోగులను గుర్తించడంలో సహాయపడవచ్చు; ఇది అధిక రక్తపోటుకు తరచుగా తక్కువగా గుర్తించబడే కారణం మరియు అదనపు cardiovascular risk‌తో సంబంధం కలిగి ఉంటుంది. ఈ అధ్యయనం 30 సంవత్సరాల electronic health record డేటాను ఉపయోగించి, అధికారిక నిర్ధారణకు ముందే high-risk రోగులను గుర్తించగల screening approach‌ను రూపొందించింది.

Primary aldosteronism అనేది adrenal glands అధికంగా aldosterone ఉత్పత్తి చేసినప్పుడు వస్తుంది; ఇది sodium, potassium సమతుల్యతలో భాగమైన హార్మోన్. అధిక aldosterone రక్తపోటును పెంచగలదు మరియు stroke, coronary artery disease, atrial fibrillation, heart failure, మరియు renal disease ప్రమాదాన్ని పెంచుతుంది. సమర్థవంతమైన చికిత్సలు అందుబాటులో ఉన్నాయని అధ్యయనం చెబుతుంది, కాబట్టి ముందస్తు గుర్తింపు వైద్యపరంగా కీలకం.

పరిశోధకుల ప్రకారం, ఈ పరిస్థితి hypertension ఉన్న రోగుల్లో 20% వరకు ప్రభావితం చేయవచ్చు, అయినప్పటికీ ఇది విస్తృతంగా నిర్ధారణ కాకుండా ఉంది. ఆ gap కారణంగానే Endocrine Society 2025 clinical practice guideline విస్తృత screening కోసం పిలుపునిచ్చింది. కానీ practically, పెద్ద health systems అనేక రోగుల మధ్య ఒకేలా కనిపించే symptoms, medication histories, మరియు lab patterns‌ను వడపోసుకోవాల్సి రావడం వల్ల ఆ screening‌ను విస్తరించడం కష్టం.

మోడల్ ఎలా రూపొందించారు

Mayo Clinic‌కు చెందిన Frank Lee నేతృత్వంలోని బృందం, Mayo Clinic Platform ద్వారా 1986 నుంచి 2025 మధ్య సేకరించిన 22,000కి పైగా రోగుల de-identified డేటాను ఉపయోగించింది. మోడల్ age, sex, hypertension మరియు hypokalemia సంబంధిత diagnoses, systolic blood pressure measurements, potassium levels, మరియు antihypertensive drugs లేదా potassium supplements prescriptions వంటి variables‌ను విశ్లేషించింది.

తర్వాత పరిశోధకులు hypertension ఉన్న 225,887 adults‌పై మోడల్‌ను పరీక్షించారు. ఉత్తమ పనితీరు చూపిన విధానం XGBoost‌ను ఉపయోగించింది, ఇది structured clinical dataపై తరచుగా ఉపయోగించే machine learning framework. నివేదించిన ఫలితంలో, మోడల్ primary aldosteronism ప్రమాదంలో ఉన్న రోగులను నిర్ధారణకు 12 నెలల ముందే అంచనా వేసింది.

ఆ lead time ముఖ్యమైనది. ఒక సంవత్సరం ముందే గుర్తించడం వలన confirmatory tests ఆర్డర్ చేయడానికి, treatment సర్దుబాటు చేయడానికి, మరియు నివారించగల cardiovascular complicationsకు గురికాకుండా ఉండడానికి వైద్యులకు సమయం దొరుకుతుంది. ఇది ఏఐ diagnosis‌ను భర్తీ చేయడానికి కాదు, పెద్ద జనాభాను మరింత దగ్గరగా పరిశీలించాల్సిన చిన్న సమూహంగా సంకుచితం చేయడానికి ఉపయోగపడుతుందనే సూచన కూడా ఇస్తుంది.

ఒక రుగ్మతకు మించి ఇది ఎందుకు ముఖ్యమో

ఈ అధ్యయనం health AI కోసం ఒక practical use case‌ను చూపిస్తుంది: routine care dataలో దాగి ఉన్న రోగులను బయటకు తీసుకురావడం, పూర్తిగా కొత్త clinical evidence సృష్టించడం కాదు. High blood pressure సాధారణమే, కానీ దాని కారణాలు ఒకేలా ఉండవు. వ్యవస్థలు endocrine disorder వల్ల hypertension ఉన్న రోగులను, సాధారణ primary hypertension ఉన్న వారిని వేరు చేయగలిగితే, care మరింత targeted, తక్కువ reactive‌గా మారుతుంది.

ఈ findings medicineలో long-span record sets‌ను ఉపయోగించి చికిత్స చేయగల disease‌ను ముందుగానే గుర్తించే విస్తృత trend‌ను కూడా ప్రతిబింబిస్తున్నాయి. మోడల్ సాధారణ careలోనే ఇప్పటికే నమోదు అయ్యే variables‌పై ఆధారపడినందున, కొత్త imaging, wearable data, లేదా specialized testing అవసరమైన tools‌తో పోలిస్తే adoption barrier తక్కువగా ఉండవచ్చు. అయినప్పటికీ, ఒక screening model కేవలం మొదటి దశ మాత్రమే. అది ఇంకా workflowలో integrate చేయాలి, health systems అంతటా validate చేయాలి, మరియు real-world outcomes‌ను మెరుగుపరిచే విధంగా ఉపయోగించాలి.

ప్రస్తుతానికి, ఈ పని broader, smarter screening కోసం బలమైన కారణం ఇస్తోంది. Primary aldosteronism ప్రభావవంతమైనది మరియు చికిత్స చేయదగినది. ఈ పరిస్థితి formally గుర్తించబడే ముందే రోగులను diagnostic pathwayలోకి తీసుకువెళ్లే ఒక model, hypertension careలోని అత్యంత స్థిరమైన blind spots‌లో ఒకటిని తగ్గించగలదు.

ఈ వ్యాసం Medical Xpress యొక్క నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.