es.wedoany.com Noticia: Investigadores de la Clínica Mayo y otras instituciones han desarrollado un modelo de detección basado en inteligencia artificial (IA) que utiliza 30 años de datos de historias clínicas electrónicas (EHR) de rutina, con el objetivo de mejorar la identificación del hiperaldosteronismo primario. Esta afección es una de las principales causas de hipertensión arterial y, al no ser diagnosticada con frecuencia, aumenta el riesgo de complicaciones cardiovasculares en los pacientes.
El hiperaldosteronismo primario ocurre cuando las glándulas suprarrenales (pequeñas glándulas ubicadas sobre los riñones) secretan un exceso de la hormona aldosterona, lo que provoca un desequilibrio en los niveles de sodio y potasio en el cuerpo. En comparación con los pacientes con hipertensión esencial, estos pacientes enfrentan un mayor riesgo de enfermedades cardiovasculares, como accidente cerebrovascular, enfermedad de las arterias coronarias, fibrilación auricular, insuficiencia cardíaca y enfermedad renal.
El Dr. Frank Lee, de la Clínica Mayo en Rochester, Minnesota, e investigador principal del estudio, señaló que la prevalencia real del hiperaldosteronismo primario aún se desconoce, pero se estima que hasta el 20% de los pacientes hipertensos se ven afectados. Dado que existen tratamientos efectivos, el diagnóstico temprano puede prevenir complicaciones futuras y reducir los costos de atención médica. El estudio se presentará el sábado en la reunión anual de la Sociedad de Endocrinología (Endocrine Society), ENDO 2026, en Chicago, Illinois.
La Sociedad de Endocrinología (Endocrine Society) ya ha solicitado una detección más amplia en su guía de 2025 titulada «Hiperaldosteronismo primario: Guía de práctica clínica de la Sociedad de Endocrinología (Primary Aldosteronism: An Endocrine Society Clinical Practice Guideline)».
Los investigadores desarrollaron el modelo de detección de IA utilizando la Plataforma de la Clínica Mayo (Mayo Clinic Platform), una infraestructura federada con datos clínicos multimodales que protege la privacidad. El modelo analizó datos anonimizados de más de 22 000 pacientes recopilados entre 1986 y 2025, con variables que incluyen edad, sexo, diagnósticos CIE relacionados con hipertensión e hipopotasemia, mediciones de presión arterial sistólica, niveles de potasio en sangre, y prescripciones de medicamentos antihipertensivos o suplementos de potasio. Posteriormente, el modelo se probó con datos de 225 887 pacientes adultos hipertensos. El estudio utilizó una arquitectura XGBoost, un tipo de biblioteca de aprendizaje automático, para predecir el riesgo de que un paciente desarrolle hiperaldosteronismo primario en los 12 meses anteriores al diagnóstico.
Lee indicó que el modelo demuestra la viabilidad de un método de detección basado en IA. Cuando los investigadores establecieron un umbral para identificar a personas de bajo riesgo, el modelo marcó correctamente más del 90% de los casos de hiperaldosteronismo primario, con una tasa de diagnóstico omitido inferior al 10%. Con esta configuración, aproximadamente dos tercios de los participantes del estudio fueron identificados como candidatos que requerían una evaluación adicional.
Lee señaló que, al probar el modelo en pacientes hipertensos que nunca se habían sometido a una detección de hiperaldosteronismo primario, identificó que aproximadamente dos tercios necesitaban más exámenes, y destacó que los médicos siempre han tenido dificultades para detectar eficazmente esta enfermedad, mientras que esta herramienta puede ofrecer una solución basada en información de rutina de las historias clínicas.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
