AI模型标记出部分高血压病例背后的隐匿性激素疾病

一款AI筛查工具瞄准了医生仍常漏诊的常见诊断

在ENDO 2026大会上提交研究的学者表示，一种新的人工智能模型有望帮助临床医生识别原发性醛固酮增多症患者。这是高血压一个常被低估的病因，并会带来额外的心血管风险。该研究使用30年的电子健康记录数据建立了一套筛查方法，可在正式诊断前标记高风险患者。

原发性醛固酮增多症发生于肾上腺产生过多醛固酮时。醛固酮是一种参与钠和钾平衡的激素。过量醛固酮会使血压升高，并与更高的卒中、冠状动脉疾病、房颤、心力衰竭和肾脏疾病风险相关。研究指出，现有有效治疗手段，因此尽早发现具有重要临床意义。

研究人员表示，这种疾病可能影响多达20%的高血压患者，但仍长期未被充分诊断。正因如此，内分泌学会在2025年临床实践指南中呼吁扩大筛查。然而在实践中，扩大筛查并不容易，因为大型医疗系统必须从众多症状重叠、用药史复杂、化验模式相似的患者中进行筛选。

模型如何构建

该团队由梅奥诊所的Frank Lee领导，使用了通过Mayo Clinic Platform收集的、1986年至2025年间超过22,000名患者的去标识化数据。模型分析了多项变量，包括年龄、性别、与高血压和低钾血症相关的诊断、收缩压测量值、钾水平，以及抗高血压药物或钾补充剂的处方。

研究人员随后在225,887名高血压成年人身上测试了该模型。表现最佳的方法采用了XGBoost，这是一种常用于结构化临床数据的机器学习框架。报告结果显示，该模型能够在诊断前12个月预测出原发性醛固酮增多症风险患者。

这段提前量很重要。若能提前一年识别，临床医生就有时间安排确认性检测、调整治疗，并减少可避免的心血管并发症暴露。这也表明，AI或许特别适合的不是取代诊断，而是从庞大人群中筛选出更小的一组、值得进一步评估的患者。

为何这不仅关乎一种疾病

这项研究强调了健康AI的一个实际用例：从常规护理数据中浮现被隐藏的患者，而不是生成全新的临床证据。高血压很常见，但其病因并不统一。如果系统能够区分由内分泌疾病驱动的高血压患者与更典型的原发性高血压患者，医疗服务就能变得更有针对性，也更少被动反应。

这些发现也反映出医学领域的一个更大趋势，即利用长跨度的记录集更早识别可治疗疾病。由于该模型依赖的是普通诊疗中已采集的变量，其落地门槛可能低于需要新影像、可穿戴数据或专门检测的工具。即便如此，筛查模型也只是第一步。它仍需要融入工作流程，在不同医疗系统中得到验证，并以能改善真实世界结局的方式使用。

就目前而言，这项工作进一步增强了扩大且更智能筛查的理由。原发性醛固酮增多症既重要又可治疗。一个能够在疾病尚未被正式识别前就将患者引导至诊断路径的模型，或许能帮助弥补高血压诊疗中最持久的盲点之一。

本文基于Medical Xpress的报道。阅读原文。