Met machine learning voorspellen van subtype primair hyperaldosteronisme met uitgebreide klinische kenmerken

Waarom dit belangrijk is voor mensen met hoge bloeddruk

Veel mensen met hoge bloeddruk hebben eigenlijk een verborgen hormoonstoornis die primair hyperaldosteronisme heet, waarbij de bijnieren te veel van het zoutvasthoudende hormoon aldosteron produceren. Sommige van deze patiënten kunnen worden genezen met een operatie, terwijl anderen levenslang medicijnen nodig hebben. Op dit moment vereist het onderscheiden van deze twee groepen meestal een invasieve ziekenhuisprocedure die alleen in gespecialiseerde centra beschikbaar is. Deze studie onderzoekt of computers, getraind op routinematige testresultaten, betrouwbaar patiënten kunnen indelen in “waarschijnlijk operatie” of “alleen medicijnen”, wat zorg mogelijk veiliger, sneller en breder toegankelijk zou kunnen maken.

Twee vormen van dezelfde verborgen ziekte

Primair hyperaldosteronisme komt in twee hoofdvormen voor. Bij de unilaterale vorm komt extra aldosteron grotendeels uit één bijnier, vaak door een klein goedaardig gezwel, en verwijdering van die bijnier kan de bloeddruk genezen of sterk verbeteren. Bij de bilaterale vorm zijn beide bijnieren overactief, waardoor chirurgie niet helpt en medicamenteuze behandeling de voorkeur heeft. De huidige gouden standaard om deze subtypen te onderscheiden is adrenal veneuze sampling, waarbij katheters in de aders die elke bijnier afvoeren worden geplaatst. Omdat deze test technisch veeleisend en niet algemeen beschikbaar is, zouden clinici en patiënten profiteren van een betrouwbare manier om het subtype te voorspellen met gewone klinische informatie.

Veel aanwijzingen invoeren in slimme computermodellen

De onderzoekers verzamelden gedetailleerde gegevens van 274 patiënten met primair hyperaldosteronisme die in één universitair ziekenhuis in Japan werden behandeld, en die allemaal al succesvolle adrenal veneuze sampling hadden ondergaan om te bevestigen of hun ziekte unilateraal of bilateraal was. Voor elke patiënt stelden ze 196 verschillende metingen samen en groepeerden die in vier brede sets: standaard hormoon- en elektrolytuitkomsten gerelateerd aan aldosteron, een reeks provocatietests en dag‑nacht hormoonprofielen uitgevoerd tijdens korte ziekenhuisopnames, gangbare bloedtesten zoals lever- en nierfunctie, en een diepgaand panel van hormoonafbraakproducten gemeten in urine. Ze trainden vervolgens vijf verschillende typen machine learning‑modellen om te beoordelen hoe nauwkeurig elk model het bevestigde subtype kon voorspellen aan de hand van deze vele overlappende aanwijzingen.

Random forests komen als beste naar voren

Alle computermodellen presteerden redelijk goed, maar decision‑tree methoden, en in het bijzonder een techniek die random forest heet, staken er duidelijk bovenuit. In een afzonderlijke testgroep van patiënten die niet voor training waren gebruikt, classificeerde het random forest‑model ongeveer 91 procent van de gevallen correct en toonde het uitstekende mogelijkheid om unilaterale van bilaterale ziekte te scheiden. Toen de onderzoekers onderzochten op welke soorten informatie de modellen het meest vertrouwden, bleek dat kenmerken uit provocatietests en dag‑nacht hormoonmonsters het grootste aandeel van de voorspellende kracht leverden, gevolgd door klassieke aldosteron‑gerelateerde metingen en daarna urinehormoonmetabolieten. Routinematige algemene bloedtesten, zoals cholesterol of basisbloedtelling, voegde weinig nuttige informatie toe en kon zelfs de prestatie verminderen wanneer ze werden opgenomen.

De meest veelzeggende tests verborgen in de gegevens

Dieper gravend identificeerde het team specifieke metingen die het meeste gewicht droegen in het random forest‑model. De enkele meest informatieve kenmerk was het aldosteronniveau gemeten 90 minuten na inname van het bloeddrukmiddel captopril, een standaard provocatietest die normaal gesproken aldosteron onderdrukt bij gezonde mensen. De tumorgrootte van de bijnier zichtbaar op beeldvorming en bepaalde verhoudingen tussen aldosteron en cortisol tijdens provocatietests waren ook zeer invloedrijk. Verschillende componenten van het urine‑steroïdeprofiel, vooral metabolieten gerelateerd aan de laatste stappen van aldosteronproductie, gaven extra aanwijzingen. Gezamenlijk kon een relatief kleine subset van deze sterkste kenmerken het grootste deel van de prestatie van het model vangen, wat suggereert dat praktische voorspellingsinstrumenten mogelijk niet alle 196 metingen nodig hebben.

Wat dit kan betekenen voor de patiëntenzorg

De studie toont aan dat machine learning‑modellen, met name random forests, een rijke mix van hormoontests en beeldvormingsinformatie kunnen gebruiken om te voorspellen of het primair hyperaldosteronisme van een patiënt waarschijnlijk chirurgisch te genezen is of niet, met een nauwkeurigheid van meer dan 90 procent in deze single‑center steekproef. Voor patiënten opent dit de mogelijkheid dat artsen, na verdere validatie in andere ziekenhuizen en zorgvuldige studie van de resterende foutclassificaties, op een gegeven moment meer zouden kunnen vertrouwen op goed gekozen bloed‑ en urinetests en minder op invasieve veneuze sampling bij de besluitvorming tussen chirurgie en medicijnen. Kort gezegd: slim gebruik van bestaande klinische gegevens kan helpen de juiste behandeling bij de juiste persoon te brengen en tegelijk de belasting voor zowel patiënten als gespecialiseerde centra te verminderen.

Bronvermelding: Mizutani, Y., Miyashita, K., Nakamura, T. et al. Machine learning-based prediction of primary aldosteronism subtype using comprehensive clinical features. Sci Rep 16, 10071 (2026). https://doi.org/10.1038/s41598-026-41005-4

Trefwoorden: primair hyperaldosteronisme, hypertensie, machine learning, bijnier, hormoontests