Η αρτηριακή υπέρταση, γνωστή ως ο «σιωπηλός δολοφόνος», έχει αναγνωριστεί εδώ και χρόνια ως ο κύριος τροποποιήσιμος παράγοντας κινδύνου για καρδιαγγειακά νοσήματα. Παρά την επικινδυνότητά της, οι επιπτώσεις της στον οργανισμό συμβαδίζουν με μια αθόρυβη εξέλιξη, η οποία συχνά παραμένει αδιάγνωστη μέχρι την εμφάνιση σοβαρών επιπλοκών. Μια νέα διεθνής επιστημονική μελέτη υπόσχεται να αλλάξει την αντίληψη γύρω από την υπέρταση, προσφέροντας νέες προοπτικές για την πρόληψη των καρδιαγγειακών νοσημάτων.
Στο πλαίσιο της μελέτης, ερευνητές από το ΑΠΘ, το University of Oxford και άλλες κορυφαίες ακαδημαϊκές ιδρύματα δημιούργησαν ένα καινοτόμο σύστημα Τεχνητής Νοημοσύνης (ΤΝ) που μπορεί να αναγνωρίζει και να ποσοτικοποιεί τη συνολική πολυοργανική βλάβη που προκαλεί η υπέρταση. Τα αποτελέσματα της μελέτης, που δημοσιεύθηκαν στο Circulation, αποκαλύπτουν ότι ασθενείς με την ίδια αρτηριακή πίεση μπορεί να βιώνουν εντελώς διαφορετικά επίπεδα βλάβης στα όργανα τους, επηρεάζοντας τον κίνδυνο εμφάνισης επιπλοκών.
Η νέα προσέγγιση μετατοπίζει την αξιολόγηση της υπέρτασης από την απλή μέτρηση της πίεσης στην εκτίμηση της πραγματικής βιολογικής επίδρασης της νόσου. Ο συνολικός δείκτης πολυοργανικής βλάβης, γνωστός ως HyperScore, αποτυπώνει την οργανική επιβάρυνση κάθε ασθενούς, ενώ οι HyperTrajectories αναδεικνύουν έξι διαφορετικές διαδρομές εξέλιξης της υπέρτασης, επισημαίνοντας την ποικιλία των φαινοτύπων που αναγνωρίζονται.
Για την ανάπτυξη του μοντέλου, οι ερευνητές χρησιμοποίησαν δεδομένα από 27.099 συμμετέχοντες της UK Biobank, αξιοποιώντας πολυάριθμες βιοϊατρικές εξετάσεις. Η αξιοπιστία του συστήματος επικυρώθηκε σε ανεξάρτητο πληθυσμό 5.507 ατόμων από την αμερικανική μελέτη ARIC.
Οι ερευνητές τονίζουν ότι το εργαλείο Τεχνητής Νοημοσύνης μπορεί να αποτελέσει τη βάση για μια αξιόπιστη και εξατομικευμένη αξιολόγηση της υπέρτασης, συμβάλλοντας στην κλινική διαχείριση των ασθενών. Η συνεργασία αυτή επιβεβαιώνει τη σημασία της έρευνας που διεξάγεται στο Αριστοτέλειο Πανεπιστήμιο και τη συμβολή της στη διεθνή επιστημονική κοινότητα.
![]()

