fr.wedoany.com Rapport : Des chercheurs de la Mayo Clinic et d'autres institutions ont développé un modèle de dépistage basé sur l'intelligence artificielle (IA), utilisant 30 ans de données de dossiers de santé électroniques (DSE) de routine, afin d'améliorer l'identification de l'hyperaldostéronisme primaire. Cette pathologie est l'une des principales causes d'hypertension artérielle et, souvent non diagnostiquée, elle augmente le risque de complications cardiovasculaires chez les patients.
L'hyperaldostéronisme primaire survient lorsque les glandes surrénales (petites glandes situées au sommet des reins) sécrètent un excès d'aldostérone, une hormone, entraînant un déséquilibre des niveaux de sodium et de potassium dans l'organisme. Comparés aux patients souffrant d'hypertension essentielle, ces patients présentent un risque plus élevé de maladies cardiovasculaires, notamment d'accident vasculaire cérébral, de coronaropathie, de fibrillation auriculaire, d'insuffisance cardiaque et de néphropathie.
Le Dr Frank Lee, chercheur principal de l'étude et médecin à la Mayo Clinic de Rochester, Minnesota, a souligné que la prévalence réelle de l'hyperaldostéronisme primaire est inconnue, mais qu'on estime qu'elle touche jusqu'à 20 % des patients hypertendus. Comme il existe des traitements efficaces, un diagnostic précoce peut prévenir les complications futures et réduire les coûts de santé. L'étude sera présentée samedi à l'ENDO 2026, le congrès annuel de l'Endocrine Society, à Chicago, dans l'Illinois.
Les « Primary Aldosteronism: An Endocrine Society Clinical Practice Guideline » (Hyperaldostéronisme primaire : guide de pratique clinique de l'Endocrine Society), publiés par l'Endocrine Society en 2025, appellent déjà à un dépistage plus large.
Les chercheurs ont développé le modèle de dépistage par IA en utilisant la plateforme Mayo Clinic Platform, une infrastructure fédérée, respectueuse de la vie privée, dotée de données cliniques multimodales. Le modèle a analysé les données dépersonnalisées de plus de 22 000 patients collectées entre 1986 et 2025, avec des variables incluant l'âge, le sexe, les diagnostics CIM liés à l'hypertension et à l'hypokaliémie, les mesures de pression artérielle systolique, les taux de potassium sanguin, ainsi que les prescriptions de médicaments antihypertenseurs ou de suppléments potassiques. Le modèle a ensuite été testé sur les données de 225 887 patients adultes hypertendus. L'étude a utilisé une architecture XGBoost de type bibliothèque d'apprentissage automatique pour prédire le risque de développer un hyperaldostéronisme primaire chez les patients dans les 12 mois précédant le diagnostic.
Lee a indiqué que le modèle démontre la faisabilité d'une approche de dépistage basée sur l'IA. Lorsque les chercheurs ont fixé un seuil pour identifier les groupes à faible risque, le modèle a correctement identifié plus de 90 % des cas d'hyperaldostéronisme primaire, avec un taux de faux négatifs inférieur à 10 %. Avec ce réglage, environ deux tiers des participants à l'étude ont été identifiés comme candidats nécessitant un dépistage supplémentaire.
Lee a ajouté que, lors des tests sur des patients hypertendus n'ayant jamais été dépistés pour l'hyperaldostéronisme primaire, le modèle a identifié environ deux tiers des patients nécessitant des examens complémentaires. Il a souligné que les cliniciens ont toujours eu du mal à dépister efficacement cette maladie, et que cet outil pourrait offrir une solution basée sur les informations de routine des dossiers médicaux.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
