Predição do subtipo de hiperaldosteronismo primário baseada em aprendizado de máquina usando recursos clínicos abrangentes

Por que isso importa para pessoas com pressão alta

Muitas pessoas com pressão alta na verdade têm um problema hormonal oculto chamado hiperaldosteronismo primário, em que as glândulas adrenais produzem excesso do hormônio que retém sal, a aldosterona. Alguns desses pacientes podem ser curados por cirurgia, enquanto outros precisam de medicamentos pelo resto da vida. Atualmente, distinguir esses dois grupos geralmente requer um procedimento hospitalar invasivo disponível apenas em centros especializados. Este estudo investiga se computadores treinados com resultados de exames rotineiros podem classificar os pacientes de forma confiável em grupos “provável cirurgia” ou “apenas medicamentos”, potencialmente tornando o atendimento mais seguro, mais rápido e mais amplamente acessível.

Dois tipos da mesma doença oculta

O hiperaldosteronismo primário apresenta-se em duas formas principais. No tipo unilateral, o excesso de aldosterona vem principalmente de uma das glândulas adrenais, muitas vezes por um pequeno tumor benigno, e a remoção dessa glândula pode curar ou melhorar muito a pressão arterial. No tipo bilateral, ambas as glândulas estão hiperativas, então a cirurgia não é útil e o tratamento medicamentoso é preferível. O teste padrão-ouro atual para diferenciar esses subtipos é a amostragem venosa adrenal, que envolve a introdução de cateteres nas veias que drenam cada glândula adrenal. Como esse exame é tecnicamente exigente e não está amplamente disponível, clínicos e pacientes se beneficiariam de uma maneira confiável de prever o subtipo usando informações clínicas comuns.

Alimentando muitas pistas em modelos computacionais inteligentes

Os pesquisadores coletaram dados detalhados de 274 pacientes com hiperaldosteronismo primário tratados em um único hospital universitário no Japão, todos os quais já haviam sido submetidos com sucesso à amostragem venosa adrenal para confirmar se a doença era unilateral ou bilateral. Para cada paciente montaram 196 medições diferentes e as agruparam em quatro conjuntos amplos: achados hormonais e eletrolíticos padrão relacionados à aldosterona, uma variedade de testes de provocação e perfis hormonais dia-noite realizados durante breves internações, exames de sangue comuns como função hepática e renal, e um painel aprofundado de metabólitos hormonais medidos na urina. Em seguida, treinaram cinco tipos diferentes de modelos de aprendizado de máquina para ver com que precisão cada um poderia prever o subtipo confirmado a partir dessas muitas pistas sobrepostas.

Random forests sobressaem

Todos os modelos computacionais tiveram desempenho razoável, mas métodos baseados em árvores de decisão, especialmente uma técnica chamada random forest, se destacaram claramente. Em um grupo de teste separado de pacientes não usado para treinamento, o modelo random forest classificou corretamente cerca de 91% dos casos e mostrou excelente capacidade de separar doença unilateral de bilateral. Quando os pesquisadores examinaram quais tipos de informação os modelos mais utilizaram, descobriram que as características provenientes de testes de provocação e amostragens hormonais dia-noite contribuíram com a maior parcela do poder preditivo, seguidas pelas medições clássicas relacionadas à aldosterona e, em seguida, pelos metabólitos hormonais urinários. Exames de sangue gerais de rotina, como colesterol ou hemograma básico, adicionaram pouca informação útil e chegaram a reduzir o desempenho quando incluídos.

Os testes mais reveladores escondidos nos dados

Aprofundando-se, a equipe identificou medições específicas que tiveram maior peso no modelo random forest. A única característica mais informativa foi o nível de aldosterona medido 90 minutos após a administração do medicamento para pressão arterial captopril, um teste de provocação padrão que normalmente suprime a aldosterona em pessoas saudáveis. O tamanho do tumor da glândula adrenal observado em imagem e certas proporções entre aldosterona e cortisol durante testes de provocação também foram altamente influentes. Vários componentes do perfil de esteroides urinários, especialmente metabólitos ligados às etapas finais da produção de aldosterona, forneceram pistas adicionais. Juntos, um subconjunto relativamente pequeno dessas características mais fortes poderia captar a maior parte do desempenho do modelo, sugerindo que ferramentas práticas de predição podem não precisar das 196 medições.

O que isso pode significar para o atendimento ao paciente

O estudo demonstra que modelos de aprendizado de máquina, particularmente random forests, podem usar uma mistura rica de exames hormonais e informações de imagem para prever se o hiperaldosteronismo primário de um paciente provavelmente será curável por cirurgia ou não, com acurácia acima de 90% nesta amostra de um único centro. Para os pacientes, isso abre a possibilidade de que, após validação adicional em outros hospitais e estudo cuidadoso das classificações incorretas remanescentes, os médicos possam um dia depender mais de exames de sangue e urina bem escolhidos e menos da amostragem venosa invasiva ao decidir entre cirurgia e medicamentos. Em resumo, o uso inteligente de dados clínicos existentes pode ajudar a adequar o tratamento à pessoa certa enquanto reduz o ônus para pacientes e centros especializados.

Citação: 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

Palavras-chave: hiperaldosteronismo primário, hipertensão, aprendizado de máquina, glândula adrenal, testes hormonais