Identifizierung wichtiger Symptome und Diagnose von Hypothyreose-Patienten mithilfe von Algorithmen für maschinelles Lernen

Hypothyreose (HT) ist eine der häufigsten Erkrankungen weltweit, bei der nicht genügend Schilddrüsenhormone produziert werden. Aufgrund der großen Variation der klinischen Symptome ist die Definition von HT hauptsächlich biochemischer Natur. Neunundneunzig Prozent der Primärfälle von HT stehen im Zusammenhang mit einem Mangel an den Hormonen Thyroxin (T4) und Trijodthyronin (T3). Ein Mangel an T4- und T3-Hormonen, die von der Schilddrüse produziert werden, führt durch einen negativen Rückkopplungsmechanismus zu einer erhöhten Produktion des Schilddrüsen-stimulierenden Hormons (TSH).

HT weist unspezifische Symptome wie Gewichtszunahme, Müdigkeit, Konzentrationsschwäche, Depression, Menstruationsstörungen und Verstopfung auf, die sich mit dem Alter, Geschlecht und anderen Faktoren ändern. Die Autoimmunthyreoiditis (Hashimoto-Krankheit) ist das häufigste Symptom dieser Erkrankung.

Die Prävalenz von HT liegt weltweit bei 2 %, selbst wenn ausreichend Jod in der täglichen Nahrung vorhanden ist. In einer Kohortenstudie, die 2017 im Iran durchgeführt wurde, wurde ein signifikanter Anstieg der Prävalenz von Schilddrüsenfunktionsstörungen von 1,4 auf 10,5 berichtet, der auf mehrere Faktoren wie geografische Gebiete, Alter, ethnische Zugehörigkeit und die Menge der Jodaufnahme zurückzuführen ist.

Ein Anstieg des Serumcholesterinspiegels und das Risiko einer koronaren Herzkrankheit sowie kardiovaskulärer Mortalität sind die häufigsten Komplikationen einer HT. Die wirtschaftliche Belastung durch HT ist recht hoch, insbesondere bei Patienten mit anderen Grunderkrankungen wie Diabetes und Hämodialyse. Die übliche klinische Methode zur Diagnose einer ebenso primären HT ist die Überprüfung der TSH-Serumkonzentration; Bei Menschen mit TSH- und T4-Werten über dem Referenzalter wird eine Schilddrüsenunterfunktion diagnostiziert. Die Obergrenze des TSH-Referenzbereichs steigt bei Erwachsenen in der Regel mit zunehmendem Alter an.

In den letzten Jahren haben Techniken der künstlichen Intelligenz und des maschinellen Lernens bei medizinischen Forschern zunehmend Aufmerksamkeit erregt. Zu den attraktivsten Funktionen des maschinellen Lernens in der Medizin gehören die Vorhersage von Krankheiten und die Diagnose einfacher Symptome. Die Vorhersagemodelle wie Support Vector Machine (SVM), Entscheidungsbaum (DT), Random Forest (RF) und künstliches neuronales Netzwerk (ANN) gehören zu den beliebtesten Methoden des maschinellen Lernens.

Da die genaue Diagnose von HT derzeit auf dem durch eine Blutuntersuchung ermittelten TSH-Spiegel basiert, bedeutet dies für die Patienten eine gewisse Kostenbelastung und Ängste. Das Ziel der vorliegenden Studie besteht darin, HT zunächst in neuen Fällen zu diagnostizieren, bei denen in der Vergangenheit keine HT-Symptome aufgetreten sind, und zwar mithilfe von drei statistischen Methoden des maschinellen Lernens (logistische Regression, Entscheidungsbaum und Zufallswald). Die Diagnose wird anhand einfacher und weithin akzeptierter visueller Symptome einer HT durchgeführt, die von Endokrinologen identifiziert werden. Zweitens werden die wichtigsten visuellen Merkmale der HT, die Ärzten bei der Diagnose helfen können, ebenfalls mithilfe von Entscheidungsbaum- und Random-Forest-Methoden eingestuft.