Identifikation af vigtige symptomer og diagnostiske hypothyroidismepatienter, der bruger maskinlæringsalgoritmer

Hypothyroidisme (HT) er en af ​​de mest almindelige sygdomme i verden, hvor der produceres utilstrækkeligt thyreoideahormon. På grund af den store variation i kliniske symptomer er definitionen af ​​HT hovedsageligt biokemisk. 99 procent af primære tilfælde af HT er relateret til mangel på thyroxin (T4) og triiodothyronin (T3) hormoner. Mangel på T4- og T3-hormoner, som produceres af skjoldbruskkirtlen, fører til øget produktion af skjoldbruskkirtelstimulerende hormon (TSH) gennem en negativ feedback-mekanisme.

HT har uspecifikke symptomer såsom vægtøgning, træthed, utilstrækkelig koncentration, depression, menstruationsuregelmæssigheder og forstoppelse, som ændrer sig med alderen, køn og andre faktorer. Autoimmun thyroiditis (Hashimoto's sygdom) er det mest almindelige symptom på denne lidelse.

Forekomsten af ​​HT er 2% i verden, selv hvis der er nok jod i daglig mad. I en kohorteundersøgelse, der blev udført i Iran i 2017, blev der rapporteret en signifikant stigning i forekomsten af ​​skjoldbruskkirteldysfunktion, fra 1,4 til 10,5, tilskrevet flere faktorer såsom geografiske områder, aldring, etnicitet og mængden af ​​jodindtag.

Stigning i serumkolesterolniveauer og risiko for koronararteriesygdom og kardiovaskulær dødelighed er de mest almindelige komplikationer af HT. Den økonomiske byrde af HT er ret høj, især hos patienter med andre underliggende sygdomme som diabetes og hæmodialyse. Den almindelige kliniske metode til at diagnosticere ligeså primær HT er at kontrollere serumkoncentrationen af ​​TSH; Mennesker med TSH- og T4-niveauer over referencealdersintervallet diagnosticeres som hypothyroid. Den øvre grænse for TSH-referenceområdet stiger normalt med alderen hos voksne.

I de senere år har kunstig intelligens og maskinlæringsteknikker tiltrukket sig stigende opmærksomhed fra medicinske forskere. Blandt de mest attraktive funktioner ved maskinlæring i medicin er sygdomsforudsigelse og diagnosticering af simple symptomer. Forudsigelsesmodellerne såsom støttevektormaskine (SVM), beslutningstræ (DT), random forest (RF) og kunstigt neuralt netværk (ANN), er blandt de mest populære maskinlæringsmetoder.

Da nøjagtig diagnostik af HT i øjeblikket er baseret på TSH-niveauet opnået ved en blodprøve, skaber det en vis udgiftsbyrde og angst for patienterne. Formålet med denne undersøgelse er først at diagnosticere HT i nye tilfælde, der ikke har nogen historie med HT-symptomer med tre statistiske maskinlæringsmetoder (logistisk regression, beslutningstræ og tilfældig skov). Diagnosen udføres ved hjælp af simple og bredt accepterede visuelle symptomer på HT, som endokrinologer identificerer. For det andet er de vigtigste visuelle træk ved HT, som kan hjælpe læger med diagnosticering, også rangeret ved hjælp af beslutningstræ og tilfældige skovmetoder.