目录
一、引言
1.1 研究背景与意义
原发性醛固酮增多症（Primary Aldosteronism，PA）是一种常见的内分泌性高血压疾病，其主要特征为肾上腺皮质自主分泌过多醛固酮，导致体内水钠潴留、血容量增加、肾素 - 血管紧张素系统受抑制，进而引发高血压，常伴有或不伴有低血钾症状。在高血压患者群体中，PA 的患病率处于 5% - 10% 的区间 ，而在难治性高血压患者里，这一比例更是高达 20% 左右。
PA 对人体健康存在严重危害，相较于原发性高血压，它更易引发难治性高血压，使血压难以控制在正常水平，极大地增加了心脑血管事件的发生风险，如心肌梗死、脑卒中等，还会对肾脏功能造成损害，长期发展可能导致肾功能衰竭。此外，PA 还与心律失常、左心室肥厚等心血管疾病密切相关，严重影响患者的生活质量和寿命。
当前，PA 的诊断主要依赖于血浆醛固酮与肾素活性比值（ARR）的筛查，以及盐水输注试验、卡托普利激发试验等确认试验 。然而，这些传统诊断方法存在一定的局限性，如 ARR 受多种因素干扰，导致假阳性和假阴性结果较多；确认试验操作复杂、耗时长，给患者带来较大痛苦，且部分患者难以耐受。在 PA 的治疗方面，手术治疗是单侧 PA 的主要治疗方法，而双侧 PA 则多采用药物治疗。但无论是手术治疗还是药物治疗，都需要准确判断 PA 的类型和优势侧，以制定个性化的治疗方案，提高治疗效果。
随着人工智能技术的飞速发展，大模型在医疗领域的应用逐渐受到关注。大模型具有强大的数据分析和处理能力，能够对海量的医疗数据进行学习和挖掘，发现数据背后隐藏的规律和模式。将大模型应用于 PA 的预测，有望为 PA 的诊断和治疗带来新的突破。通过对患者的临床特征、实验室检查结果、影像学资料等多源数据进行分析，大模型可以建立精准的预测模型，实现对 PA 的早期诊断、优势侧判断、并发症风险预测等，为临床医生提供有力的决策支持，有助于提高 PA 的诊疗水平，改善患者的预后。
1.2 国内外研究现状
在国外，已有部分研究尝试将机器学习等人工智能技术应用于原发性醛固酮增多症的预测。一些研究利用逻辑回归模型、决策树模型等传统机器学习算法，对患者的临床数据进行分析，试图预测 PA 的发生风险、优势侧以及术后高血压的缓解情况。例如，有研究通过分析患者的年龄、性别、血钾水平、醛固酮水平、肾素水平等指标，建立逻辑回归模型来预测 PA 的类型，取得了一定的预测效果，但模型的准确性和泛化能力仍有待提高。此外，深度学习技术在 PA 预测中的应用也逐渐展开，有研究利用卷积神经网络对肾上腺 CT 影像进行分析，以判断 PA 的优势侧，为影像学诊断提供了新的思路，但该方法对数据量和计算资源要求较高，且在临床应用中还面临着一些技术和伦理问题。
在国内，相关研究也在逐步开展。一些学者通过回顾性分析患者的病历资料，筛选出与 PA 相关的危险因素，构建预测模型。例如，通过单因素和多因素逻辑回归分析，确定低钾血症、碱性尿、年龄、性别、血清钠、血清钠钾比例等因素为 PA 的独立危险因素，并据此建立预测模型，该模型在内部验证和外部验证中均表现出较好的判别效能。同时，国内也有研究尝试将大模型与临床数据相结合，探索更精准的预测方法，但目前研究尚处于起步阶段，仍需要进一步的深入研究和实践验证。
然而，当前国内外关于大模型预测原发性醛固酮增多症的研究仍存在一些不足。一方面，大多数研究的数据样本量较小，导致模型的训练不够充分，泛化能力较差，难以在不同人群和临床场景中广泛应用；另一方面，现有的预测模型往往只关注单一的预测任务，如仅预测 PA 的发生风险或优势侧，缺乏对 PA 患者术前、术中、术后全过程的综合预测和分析。此外，大模型在医疗领域的应用还面临着数据质量、隐私保护、模型可解释性等诸多挑战，需要进一步的研究和解决。
1.3 研究目的与方法
本研究旨在利用大模型对原发性醛固酮增多症进行全面预测，并基于预测结果制定个性化的手术方案、麻醉方案、术后护理方案等，以提高 PA 的诊疗水平，改善患者的预后。具体研究目的包括：
构建基于大模型的原发性醛固酮增多症预测模型，实现对 PA 的早期诊断、优势侧判断以及并发症风险预测。
根据预测结果，制定精准的手术方案，包括手术方式的选择、手术时机的确定等，以提高手术治疗的效果和安全性。
制定合理的麻醉方案，充分考虑患者的病情和身体状况，确保麻醉过程的平稳和安全。
制定科学的术后护理方案，促进患者术后的康复，减少并发症的发生。
对预测模型和制定的各种方案进行验证和评估，分析其临床应用价值和效果。
本研究采用以下研究方法：
数据收集：收集大量原发性醛固酮增多症患者的临床资料，包括病史、症状、体征、实验室检查结果、影像学资料等，同时收集相关的对照数据。对收集到的数据进行严格的质量控制和预处理，确保数据的准确性、完整性和一致性。
模型构建：运用深度学习等人工智能技术，构建大模型预测原发性醛固酮增多症的模型。选择合适的模型架构和算法，对数据进行训练和优化，提高模型的预测性能。在模型构建过程中，充分考虑数据的特征和预测任务的需求，采用特征工程、模型融合等技术，提升模型的准确性和泛化能力。
方案制定：根据预测模型的结果，结合临床经验和相关指南，制定个性化的手术方案、麻醉方案、术后护理方案等。组织多学科专家进行讨论和论证，确保方案的科学性和可行性。
统计分析：运用统计学方法，对研究数据进行分析和处理。比较不同组之间的差异，评估预测模型和各种方案的效果。采用合适的统计指标和方法，如准确率、召回率、F1 值、受试者工作特征曲线（ROC）等，对模型的性能进行评价，分析方案的有效性和安全性。
技术验证与实验验证：通过内部验证和外部验证等方法，对预测模型的准确性和可靠性进行验证。开展临床试验，观察患者在接受基于预测结果制定的治疗方案后的临床效果，进一步验证方案的可行性和有效性。在技术验证和实验验证过程中，严格遵循科学研究的规范和伦理要求，确保研究结果的真实性和可靠性。
二、原发性醛固酮增多症概述
2.1 疾病定义与发病机制
原发性醛固酮增多症是一种因肾上腺皮质病变，致使醛固酮自主分泌过量的内分泌疾病。正常生理状态下，醛固酮由肾上腺皮质球状带合成与分泌，其分泌主要受肾素 - 血管紧张素系统（RAS）、血钾浓度和促肾上腺皮质激素（ACTH）等因素调控。醛固酮的主要生理作用是作用于肾脏远曲小管和集合管，促进钠离子的重吸收和钾离子的排泄，同时通过保钠排钾维持水钠平衡和血压稳定。
在原发性醛固酮增多症患者中，肾上腺皮质的病变（如醛固酮瘤、特发性醛固酮增多症、原发性肾上腺增生、家族性醛固酮增多症、分泌醛固酮的肾上腺皮质癌及异位分泌醛固酮瘤或癌等）打破了这种正常的调节机制 。以醛固酮瘤为例，肿瘤细胞自主性地分泌大量醛固酮，不受 RAS 的负反馈调节。过多的醛固酮导致肾脏远曲小管和集合管对钠离子的重吸收显著增加，大量钠离子潴留体内，同时钾离子大量排出，引发一系列病理生理改变。水钠潴留使得血容量增加，心脏前负荷增大，血管平滑肌细胞内钠离子浓度升高，通过钠 - 钙交换机制，使细胞内钙离子浓度升高，导致血管平滑肌收缩，外周血管阻力增加，从而引起高血压。长期大量的钾离子丢失则导致低钾血症，影响神经肌肉的兴奋性和心脏的电生理活动，引发肌肉无力、心律失常等一系列临床表现。
2.2 临床表现与诊断标准
原发性醛固酮增多症的临床表现多样，高血压是最为常见且往往最早出现的症状，多数患者血压呈中重度升高，部分患者血压升高较为隐匿，常在体检或因其他疾病就诊时被发现。部分患者可能表现为顽固性高血压，即使用多种降压药物联合治疗，血压仍难以控制在正常范围内。神经肌肉功能障碍也是常见症状之一，主要表现为肌无力及周期性麻痹，多在劳累、服用利尿药物等诱因下发作，一般血钾越低，肌肉受累越严重。患者还可能出现肢端麻木，这是由于低钾血症导致神经肌肉应激性降低所致。
在肾脏方面，患者可出现多尿，尤其是夜尿增多，继而引发口渴多饮，这是因为长期失钾导致肾小管上皮细胞受损，对尿液的浓缩功能减退。部分患者还可能并发尿路感染，增加了泌尿系统的健康风险。由于低钾对心肌的影响，患者可发生心律失常，以过早搏动、阵发性室上性心动过速较为常见，严重时可出现心室颤动，危及生命。儿童患者还可能伴有生长发育障碍，影响其正常的生长和发育。
目前，原发性醛固酮增多症的诊断主要依据临床表现、实验室检查、确诊试验及影像学检查。对于存在高血压且伴有以下情况之一者，应高度怀疑原发性醛固酮增多症：使用 3 种常规降压药物血压仍难以控制；高血压合并肾上腺肿瘤；高血压合并低血钾；有原发性醛固酮增多症家族史；高血压合并睡眠呼吸暂停低通气综合征等。实验室检查中，血浆醛固酮与肾素活性比值（ARR）是重要的筛查指标，当立位血浆醛固酮浓度（PAC）/ 血浆肾素浓度（PRA）＞30，且 PAC＞554 pmol/L 时，高度怀疑原发性醛固酮增多症 。确诊试验包括口服高钠饮食、生理盐水输注试验、卡托普利试验等，通过这些试验进一步验证醛固酮的自主分泌情况 。影像学检查如肾上腺 CT、MRI 等可用于明确肾上腺病变的部位、大小和形态，有助于判断病因和指导治疗。
2.3 流行病学特征
原发性醛固酮增多症在高血压人群中的患病率处于 5% - 10% 的区间，而在难治性高血压患者中，其患病率更是高达 20% 左右，成为继发性高血压的常见病因之一。近年来，随着诊断技术的不断进步和对疾病认识的加深，其检出率呈逐渐上升趋势。
从性别分布来看，原发性醛固酮增多症在女性中的发病率略高于男性，男女发病比例约为 1:1.5 - 2。在年龄分布上，该病可发生于任何年龄段，但以 30 - 50 岁的中青年人群最为多见。有家族遗传病史的人群，如直系亲属中曾出现过原发性醛固酮增多症患者、年轻时发生过脑卒中或严重高血压等病症的人群，其发病风险明显增加。此外，合并肾上腺肿瘤、睡眠呼吸暂停低通气综合征等疾病的高血压患者，也属于原发性醛固酮增多症的高危人群。不同地区的发病率可能存在一定差异，这可能与环境因素、生活方式、遗传背景以及医疗资源的差异等多种因素有关。
三、大模型预测原理与技术
3.1 大模型简介
本研究采用的大模型基于深度学习框架构建，具体为 Transformer 架构的衍生模型。Transformer 架构凭借其自注意力机制，能够高效捕捉序列数据中的长距离依赖关系，在自然语言处理、计算机视觉等众多领域取得了卓越成果 。相较于传统的循环神经网络（RNN）和卷积神经网络（CNN），Transformer 架构在处理长序列数据时，不存在梯度消失或梯度爆炸的问题，且计算效率更高，能够并行计算，大大缩短了训练时间。
在医疗领域应用中，该大模型展现出独特的优势。它可以对海量的多源异构医疗数据进行深度分析和整合，包括患者的病史、症状、体征、实验室检查结果、影像学图像等。通过预训练和微调机制，大模型能够学习到丰富的医学知识和疾病模式，从而具备强大的特征提取和模式识别能力，为原发性醛固酮增多症的精准预测提供坚实的技术基础。