基于机器学习的原发性醛固酮增多症亚型预测，基于全面临床特征

这对高血压患者为何重要

许多高血压患者实际上存在一种隐匿的激素问题，称为原发性醛固酮增多症，肾上腺产生过多保盐激素醛固酮。其中一部分患者可通过手术治愈，而另一些则需要终生药物治疗。目前，将这两类患者区分开通常需要一种有创的医院检查，且仅在专科中心可用。本研究探讨是否能用常规检查结果训练的计算机模型，可靠地将患者分为“可能需要手术”和“仅需药物”两组，从而有望使治疗更安全、更快速并更广泛可及。

同一隐匿疾病的两种类型

原发性醛固酮增多症主要有两种形式。单侧型表明过量醛固酮主要来自一侧肾上腺，常由小的良性肿瘤引起，切除该侧肾上腺可治愈或显著改善血压。双侧型则是两侧肾上腺过度活跃，手术无益，应以药物治疗为主。区分这些亚型的当前金标准是肾上腺静脉采血（adrenal venous sampling），需将导管插入引流各侧肾上腺的静脉。由于该检查技术要求高且不广泛可用，临床医生和患者都将受益于一种能用常规临床信息可靠预测亚型的方法。

将多种线索输入智能计算模型

研究者收集了在日本一所大学医院接受治疗的274名原发性醛固酮增多症患者的详细数据，所有患者均已成功接受肾上腺静脉采血以确认为单侧或双侧疾病。对每位患者，他们汇总了196项不同测量，并将其分为四大类：与醛固酮相关的标准激素和电解质结果、多种挑战试验及短期住院期间的昼夜激素谱、常见血液检测如肝肾功能，以及尿液中深入的激素代谢产物面板。随后他们训练了五种不同类型的机器学习模型，评估每种模型在从这些相互重叠的线索中预测经确认亚型时的准确性。

随机森林脱颖而出

所有计算模型表现都相当不错，但基于决策树的方法，尤其是一种称为随机森林的技术，明显优于其他方法。在未用于训练的独立测试组中，随机森林模型约能正确分类91%的病例，并显示出极好的将单侧与双侧疾病区分的能力。当研究者检查模型最依赖的信息类型时，发现挑战试验和昼夜激素采样的特征贡献了最大的预测力，其次是经典的醛固酮相关测量，再次是尿液激素代谢物。常规的一般血液检测，如胆固醇或基本血常规，提供的信息有限，甚至在包含时可能降低模型性能。

数据中最具判别力的检测

进一步深入分析，团队识别出在随机森林模型中权重最大的具体测量项。单一最有信息量的特征是服用降压药卡托普利（captopril）后90分钟测得的醛固酮水平，这是一项标准的挑战试验，在健康人中通常会抑制醛固酮。影像学上可见的肿瘤大小以及挑战试验中醛固酮与皮质醇之间的某些比值也具有很高的重要性。尿类固醇谱中的若干成分，尤其与醛固酮生成终末步骤相关的代谢产物，提供了额外线索。综合来看，这些最强特征中的相对小子集就能捕捉模型大部分性能，表明实用的预测工具可能不需要全部196项测量。

这对患者护理可能意味着什么

研究表明，机器学习模型，尤其是随机森林，能够利用丰富的激素检测和影像信息来预测患者的原发性醛固酮增多症是否可能通过手术治愈，在该单中心样本中的准确率超过90%。对患者而言，这意味着在其它医院进一步验证并仔细研究剩余误分类情况后，医生有朝一日可能更多依赖精心选择的血液和尿液检测，而在决定手术还是药物治疗时减少对有创静脉采样的依赖。简言之，合理利用现有临床数据可能有助于为合适的患者匹配合适的治疗，同时减轻患者和专科中心的负担。

引用: 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

关键词: 原发性醛固酮增多症, 高血压, 机器学习, 肾上腺, 激素检测