Maskininlärningsbaserad prediktion av subtyp av primär aldosteronism med hjälp av omfattande kliniska fynd

Varför detta är viktigt för personer med högt blodtryck

Många personer med högt blodtryck har i själva verket ett dolt hormonproblem kallat primär aldosteronism, där binjurarna producerar för mycket av det saltbevarande hormonet aldosteron. En del av dessa patienter kan botas med kirurgi, medan andra behöver livslång läkemedelsbehandling. I dag kräver det att skilja dessa två grupper åt vanligen en invasiv procedur på sjukhus som endast finns på specialiserade centra. Denna studie undersöker om datorer tränade på rutinmässiga testresultat tillförlitligt kan sortera patienter i grupperna ”trolig operation” eller ”endast läkemedel”, vilket potentiellt kan göra vården säkrare, snabbare och mer lättillgänglig.

Två varianter av samma dolda sjukdom

Primär aldosteronism förekommer i två huvudformer. Vid unilateral sjukdom kommer extra aldosteron främst från en av binjurarna, ofta på grund av en liten godartad tumör, och borttagning av den körteln kan bota eller kraftigt förbättra blodtrycket. Vid bilateral sjukdom är båda körtlarna överaktiva, så kirurgi är inte hjälpsamt och läkemedelsbehandling föredras. Dagens referensmetod för att särskilja dessa subtyper är adrenal venprovstagning, vilket innebär att katetrar förs in i venerna som dränerar varje binjure. Eftersom detta test är tekniskt krävande och inte allmänt tillgängligt skulle kliniker och patienter ha nytta av ett tillförlitligt sätt att förutsäga subtypen med hjälp av vanlig klinisk information.

Matning av många ledtrådar till smarta datormodeller

Forskarna samlade detaljerade data från 274 patienter med primär aldosteronism som behandlats vid ett universitetssjukhus i Japan, och som alla redan genomgått lyckad adrenal venprovstagning för att bekräfta om deras sjukdom var unilateral eller bilateral. För varje patient satte de ihop 196 olika mätningar och grupperade dem i fyra breda uppsättningar: vanliga hormon‑ och elektrolytresultat relaterade till aldosteron, en mängd utmaningstester och dygnsprofil av hormoner som gjordes under korta sjukhusvistelser, vanliga blodprover som lever‑ och njurfunktion, och ett djupgående panel av nedbrytningsprodukter av hormoner mätta i urin. De tränade sedan fem olika typer av maskininlärningsmodeller för att se hur väl var och en kunde förutsäga den bekräftade subtypen utifrån dessa många överlappande ledtrådar.

Random forests klättrar till toppen

Alla dator­modeller presterade ganska bra, men besluts­trädmetoder, särskilt en teknik som kallas random forest, utmärkte sig tydligt. På en separat testgrupp av patienter som inte användes för träning klassificerade random forest‑modellen korrekt ungefär 91 procent av fallen och visade utmärkt förmåga att skilja unilateral från bilateral sjukdom. När forskarna granskade vilka typer av information modellerna lutade sig mest mot fann de att funktioner från utmaningstester och dygnsprovtagning av hormoner bidrog med den största andelen prediktiv kraft, följt av klassiska aldosteronrelaterade mätningar och därefter urinära hormonnedbrytningsprodukter. Rutininriktade allmänna blodprover, såsom kolesterol eller enkla blodvärden, tillförde lite användbar information och kunde till och med försämra prestandan när de inkluderades.

De mest avgörande testerna gömda i data

Vid en djupare analys identifierade teamet specifika mätvärden som bar mest tyngd i random forest‑modellen. Den mest informativa enskilda funktionen var nivån av aldosteron mätt 90 minuter efter intag av blodtrycksläkemedlet kaptopril, ett standardiserat utmaningstest som normalt undertrycker aldosteron hos friska personer. Tumörstorlek i binjuren som ses på bilddiagnostik och vissa förhållanden mellan aldosteron och kortisol under utmaningstester var också mycket inflytelserika. Flera komponenter i den urinära steroidprofilen, särskilt metaboliter kopplade till de sista stegen i aldosteronproduktionen, gav ytterligare ledtrådar. Tillsammans kunde en relativt liten delmängd av dessa starkaste funktioner fånga större delen av modellens prestanda, vilket antyder att praktiska prediktionsverktyg kanske inte behöver alla 196 mätningar.

Vad detta kan innebära för patientvården

Studien visar att maskininlärningsmodeller, särskilt random forests, kan använda en rik blandning av hormontester och bilddiagnostisk information för att förutsäga om en patients primära aldosteronism sannolikt kan botas kirurgiskt eller inte, med en noggrannhet över 90 procent i detta enkla centrum‑urval. För patienter ökar detta möjligheten att, efter vidare validering i andra sjukhus och noggrann studie av återstående felklassificeringar, läkare en dag i större utsträckning kan förlita sig på väl valda blod‑ och urintester och i mindre utsträckning på invasiv venprovstagning när de beslutar mellan operation och läkemedel. Kort sagt kan smart användning av befintliga kliniska data hjälpa till att matcha rätt behandling till rätt person samtidigt som bördan för både patienter och specialiserade centra minskas.

Citering: 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

Nyckelord: primär aldosteronism, högt blodtryck, maskininlärning, binjure, hormontester