Identifikace důležitých příznaků a diagnostických pacientů s hypotyreózou pomocí algoritmů strojového učení

Hypotyreóza (HT) je jedním z nejčastějších onemocnění na světě, při kterém se nedostatečně produkuje hormon štítné žlázy. Vzhledem k široké variabilitě klinických příznaků je definice HT převážně biochemická. Devadesát devět procent primárních případů HT souvisí s nedostatkem hormonů tyroxinu (T4) a trijodtyroninu (T3). Nedostatek hormonů T4 a T3, které jsou produkovány štítnou žlázou, vede ke zvýšení produkce hormonu stimulujícího štítnou žlázu (TSH) prostřednictvím mechanismu negativní zpětné vazby.

HT má nespecifické příznaky, jako je přibírání na váze, únava, nedostatečná koncentrace, deprese, menstruační nepravidelnosti a zácpa, které se mění s věkem, pohlavím a dalšími faktory. Autoimunitní tyreoiditida (Hashimotova choroba) je nejčastějším příznakem této poruchy.

Prevalence HT je ve světě 2 %, a to i při existenci dostatku jódu v denní potravě. V kohortové studii, která byla provedena v Íránu v roce 2017, bylo hlášeno významné zvýšení prevalence dysfunkce štítné žlázy, z 1,4 na 10,5, připisované několika faktorům, jako jsou geografické oblasti, stárnutí, etnická příslušnost a množství příjmu jódu.

Zvýšení hladiny cholesterolu v séru a riziko onemocnění koronárních tepen a kardiovaskulární mortality jsou nejčastější komplikace HT. Ekonomická zátěž HT je poměrně vysoká, zejména u pacientů s jinými základními chorobami, jako je diabetes a hemodialýza. Běžnou klinickou metodou pro diagnostiku stejně primární HT je kontrola sérové ​​koncentrace TSH; Lidé s hladinami TSH a T4 nad referenčním věkovým rozmezím jsou diagnostikováni jako hypotyreóza. Horní hranice referenčního rozmezí TSH se u dospělých obvykle zvyšuje s věkem.

Umělá inteligence a techniky strojového učení v posledních letech přitahují stále větší pozornost lékařských výzkumníků. Mezi nejatraktivnější rysy strojového učení v medicíně patří predikce onemocnění a diagnostika jednoduchých symptomů. Mezi nejoblíbenější metody strojového učení patří predikční modely, jako je podpůrný vektorový stroj (SVM), rozhodovací strom (DT), náhodný les (RF) a umělá neuronová síť (ANN).

Vzhledem k tomu, že přesná diagnostika HT je v současné době založena na hladině TSH získané krevním testem, představuje pro pacienty určitou nákladovou zátěž a úzkost. Cílem této studie je nejprve diagnostikovat HT u nových případů, které nemají v anamnéze příznaky HT, pomocí tří statistických metod strojového učení (logistická regrese, rozhodovací strom a náhodný les). Diagnóza se provádí pomocí jednoduchých a široce přijímaných vizuálních symptomů HT, které endokrinologové identifikují. Za druhé, nejdůležitější vizuální rysy HT, které mohou pomoci lékařům v diagnostice, jsou také hodnoceny pomocí rozhodovacího stromu a metod náhodného lesa.