Ein neues KI-gestütztes Screening-Modell ermöglicht die frühzeitige Identifizierung von Patienten mit primärem Aldosteronismus, einer häufig unerkannten Ursache für Bluthochdruck, die das kardiovaskuläre Risiko erheblich steigert. Die Ergebnisse wurden auf der ENDO 2026 der Endocrine Society in Chicago präsentiert. Hauptautor ist Dr. Frank Lee von der Mayo Clinic in Rochester, Minnesota. Der primäre Aldosteronismus entsteht durch eine Überproduktion des Hormons Aldosteron in den Nebennieren und betrifft schätzungsweise bis zu zwanzig Prozent der Hypertonie-Patienten. Trotz effektiver Therapien wird die Erkrankung häufig nicht diagnostiziert, was zu vermeidbaren Komplikationen wie Schlaganfällen, koronarer Herzkrankheit, Vorhofflimmern, Herzinsuffizienz und Nierenerkrankungen führt. Die klinischen Leitlinien der Endocrine Society aus dem Jahr 2025 empfehlen daher ein breiteres Screening. Zur Umsetzung dieses Ziels entwickelten die Forscher ein maschinelles Lernmodell auf Basis der XGBoost-Architektur. Als Trainingsgrundlage dienten anonymisierte Routinedaten aus dem Mayo Clinic Platform, einem dezentralen und datenschutzkonformen Netzwerk. Das Dataset umfasst mehr als 22.000 Patientenakten aus den Jahren 1986 bis 2025. Das KI-System werte klinische Parameter wie Alter, Geschlecht, systolischen Blutdruck, Kaliumwerte, ICD-Diagnosen zu Bluthochdruck und Hypokaliämie sowie verschriebene blutdrucksenkende oder kaliumsubstituierende Medikamente aus. Die Validierung erfolgte an einer Kohorte von 225.887 erwachsenen Hypertonie-Patienten. Das Modell prognostiziert das Risiko für primären Aldosteronismus bis zu zwölf Monate vor einer klinischen Diagnose. Bei Festlegung eines Schwellenwerts zur Risikobewertung identifizierte die KI erfolgreich über neunzig Prozent der tatsächlichen Erkrankungsfälle und verfehlte weniger als zehn Prozent. In der Testphase bei zuvor nicht untersuchten Bluthochdruckpatienten klassifizierte das System etwa zwei Drittel der Teilnehmer als screeningwürdig. Laut Dr. Lee demonstriert die Studie die Praktikabilität des automatisierten Screenings. Durch die Auswertung standardisierter elektronischer Krankenakten lässt sich ein etabliertes Hindernis in der klinischen Praxis überwinden: die bisher unzureichende Identifikation von Risikopatienten im Routinealltag. Die Integration des Tools könnte die Diagnostik beschleunigen, Folgeerkrankungen reduzieren und langfristig die Gesundheitskosten senken. Die Ergebnisse unterstreichen das transformative Potenzial von KI im medizinischen Screening, sofern datenschutzkonforme Infrastrukturen und evidenzbasierte Modelle flächendeckend implementiert werden.