Исследование продемонстрировало высокую эффективность моделей машинного обучения на основе [68Ga]Ga-Pentixafor ПЭТ/КТ для прогнозирования мутаций KCNJ5 у пациентов с односторонним первичным гиперальдостеронизмом (UPA). XGBoost модель показала наивысшую предсказательную эффективность в тренировочной группе с AUC 0.915, в то время как AdaBoost модель продемонстрировала лучшие результаты в тестовой группе с AUC 0.866.

Мутации KCNJ5 усиливают экспрессию альдостерон-синтазы и тесно связаны с прогнозом одностороннего первичного гиперальдостеронизма. Большинство клинических характеристик и все параметры [68Ga]Ga-Pentixafor ПЭТ/КТ значительно различались между пациентами с мутантным (KCNJ5-MT) и диким типом (KCNJ5-WT) KCNJ5.

Среди трех моделей, основанных на параметрах 40-минутного LCR, ΔLCR, размера опухоли, индекса массы тела, креатинина, продолжительности гипокалиемии, сывороточного ренина, возраста и предоперационной суточной дозы препаратов:

• XGBoost модель: AUC 0.915 (тренировочная группа), AUC 0.844 (тестовая группа)
• AdaBoost модель: AUC 0.914 (тренировочная группа), AUC 0.866 (тестовая группа)
• Random Forest модель: AUC 0.911 (тренировочная группа), AUC 0.859 (тестовая группа)

Примечательно, что статистически значимых различий в диагностической эффективности между тремя моделями не выявлено.

Пациенты с KCNJ5-MT демонстрируют отличные от KCNJ5-WT общие клинические характеристики, однако различия в первоначальной оценке хирургических исходов минимальны. Параметры [68Ga]Ga-Pentixafor ПЭТ/КТ являются основными предикторами мутаций KCNJ5, что указывает на потенциал данного метода как неинвазивного визуализационного биомаркера для стратификации пациентов с первичным гиперальдостеронизмом.