Прогнозирование подтипа первичного альдостеронизма с помощью машинного обучения на основе комплексных клинических данных

Почему это важно для людей с высоким давлением

У многих людей с высоким кровяным давлением на самом деле скрытая гормональная проблема — первичный альдостеронизм, при котором надпочечники вырабатывают слишком много задерживающего соль гормона альдостерона. Некоторых таких пациентов можно вылечить операцией, в то время как другим требуются пожизненные препараты. Сегодня различение этих двух групп обычно требует инвазивной процедуры в больнице, доступной лишь в специализированных центрах. В этом исследовании изучают, могут ли компьютеры, обученные на рутинных результатах тестов, надежно разделять пациентов на группы «вероятна операция» и «только лекарства», что потенциально сделает помощь более безопасной, быстрой и доступной.

Два варианта одного и того же скрытого заболевания

Первичный альдостеронизм бывает двух основных форм. При одностороннем варианте избыток альдостерона в основном поступает из одного надпочечника, часто из‑за небольшого доброкачественного опухолевого образования, и удаление этого надпочечника может излечить или значительно улучшить артериальное давление. При двустороннем варианте оба надпочечника гиперактивны, поэтому операция не помогает, и предпочитают медикаментозное лечение. Золотой стандарт для различения этих подтипов — адренальные венозные пробы, когда катетеры проводят в вены, отводящие кровь от каждого надпочечника. Поскольку этот тест технически сложен и широко недоступен, клиницисты и пациенты выиграли бы от надежного способа предсказать подтип на основе обычной клинической информации.

Кормление множества подсказок в умные модели

Исследователи собрали детальные данные у 274 пациентов с первичным альдостеронизмом, лечившихся в одном университетском госпитале в Японии, все они ранее прошли успешную адренальную венозную пробу для подтверждения одностороннего или двустороннего поражения. Для каждого пациента собрали 196 разных измерений и сгруппировали их в четыре широкие категории: стандартные гормональные и электролитные показатели, связанные с альдостероном; разнообразные провокационные тесты и суточные профили гормонов, выполненные во время краткой госпитализации; обычные лабораторные анализы крови, такие как функции печени и почек; и углубленная панель метаболитов гормонов, измеренная в моче. Затем они обучили пять различных типов моделей машинного обучения, чтобы оценить, насколько точно каждая модель может предсказать подтвержденный подтип на основе этих многочисленных перекрывающихся подсказок.

Random forest выходит вперед

Все компьютерные модели показали достаточно хорошие результаты, но методы на основе деревьев принятия решений, особенно техника, называемая random forest (случайный лес), явно выделились. На отдельной тестовой группе пациентов, не используемой при обучении, модель random forest правильно классифицировала около 91 процента случаев и продемонстрировала отличную способность различать одностороннее и двустороннее заболевание. При анализе того, на какие типы информации модели опирались больше всего, исследователи обнаружили, что наибольший вклад в предсказательную силу вносили данные провокационных тестов и суточных замеров гормонов, затем следовали классические показатели, связанные с альдостероном, и затем — метаболиты гормонов в моче. Рутинные общие анализы крови, такие как холестерин или базовые показатели крови, добавляли мало полезной информации и могли даже ухудшать работу при включении.

Наиболее показательные тесты, скрытые в данных

Углубившись, команда выделила конкретные измерения, которые имели наибольший вес в модели random forest. Самой информативной характеристикой оказался уровень альдостерона через 90 минут после приема препарата от давления каптоприл — стандартного провокационного теста, который у здоровых людей обычно подавляет альдостерон. Размер опухоли надпочечника, видимый на снимках, и некоторые соотношения между альдостероном и кортизолом в провокационных тестах также оказались сильно влиятельными. Несколько компонентов профиля стероидов в моче, особенно метаболиты, связанные с конечными шагами синтеза альдостерона, давали дополнительные подсказки. Вместе относительно небольшой набор этих наиболее сильных признаков мог воспроизвести большую часть производительности модели, что указывает на то, что практическим инструментам предсказания, возможно, не потребуется все 196 измерений.

Что это может значить для ухода за пациентами

Исследование показывает, что модели машинного обучения, особенно random forest, могут использовать богатое сочетание гормональных тестов и данных визуализации, чтобы предсказать, будет ли первичный альдостеронизм пациента вероятно излечим хирургически или нет, с точностью выше 90 процентов в этой односторонней выборке. Для пациентов это открывает возможность того, что после дальнейшей валидации в других больницах и тщательного анализа оставшихся ошибок врачи однажды смогут больше полагаться на хорошо подобранные анализы крови и мочи и меньше — на инвазивные венозные пробы при выборе между операцией и медикаментами. Коротко говоря, умное использование существующих клинических данных может помочь подобрать правильное лечение каждому пациенту и снизить нагрузку как на пациентов, так и на специализированные центры.

Цитирование: 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

Ключевые слова: первичный альдостеронизм, гипертония, машинное обучение, надпочечник, гормональные тесты