Tärkeiden oireiden ja diagnostisten hypotyreoosipotilaiden tunnistaminen koneoppimisalgoritmeilla

Kilpirauhasen vajaatoiminta (HT) on yksi maailman yleisimmistä sairauksista, jossa kilpirauhashormonin tuotanto ei riitä. Kliinisten oireiden suuren vaihtelun vuoksi HT:n määritelmä on pääasiassa biokemiallinen. Yhdeksänkymmentäyhdeksän prosenttia primaarisista HT-tapauksista liittyy tyroksiinin (T4) ja trijodityroniinin (T3) puutteeseen. Kilpirauhasen tuottamien T4- ja T3-hormonien puute johtaa kilpirauhasta stimuloivan hormonin (TSH) tuotannon lisääntymiseen negatiivisen palautemekanismin kautta.

HT:lla on epäspesifisiä oireita, kuten painonnousu, väsymys, riittämätön keskittymiskyky, masennus, kuukautiskierron epäsäännöllisyys ja ummetus, jotka muuttuvat iän, sukupuolen ja muiden tekijöiden mukaan. Autoimmuuninen kilpirauhastulehdus (Hashimoton tauti) on tämän häiriön yleisin oire.

HT:n esiintyvyys on 2 % maailmassa, vaikka päivittäisessä ruoassa olisi riittävästi jodia. Iranissa vuonna 2017 tehdyssä kohorttitutkimuksessa ilmoitettiin kilpirauhasen vajaatoiminnan esiintyvyyden lisääntyneen merkittävästi 1,4:stä 10,5:een, mikä johtui useista tekijöistä, kuten maantieteellisistä alueista, ikääntymisestä, etnisestä taustasta ja jodin saannin määrästä.

Seerumin kolesterolipitoisuuden nousu ja sepelvaltimotaudin riski sekä sydän- ja verisuonikuolleisuus ovat yleisimpiä HT:n komplikaatioita. HT:n taloudellinen taakka on melko suuri, etenkin potilailla, joilla on muita perussairauksia, kuten diabetes ja hemodialyysi. Yleinen kliininen menetelmä yhtä primaarisen HT:n diagnosoimiseksi on tarkistaa seerumin TSH-pitoisuus; Ihmiset, joiden TSH- ja T4-arvot ylittävät viite-iän, diagnosoidaan kilpirauhasen vajaatoiminnaksi. Aikuisilla TSH-referenssialueen yläraja nousee yleensä iän myötä.

Viime vuosina tekoäly ja koneoppimistekniikat ovat herättäneet yhä enemmän lääketieteen tutkijoiden huomiota. Lääketieteen koneoppimisen houkuttelevimpia ominaisuuksia ovat sairauksien ennustaminen ja yksinkertaisten oireiden diagnosointi. Ennustemallit, kuten tukivektorikone (SVM), päätöspuu (DT), satunnainen metsä (RF) ja keinotekoinen hermoverkko (ANN), ovat suosituimpia koneoppimismenetelmiä.

Koska HT:n tarkka diagnoosi perustuu tällä hetkellä verikokeella saatuun TSH-tasoon, se aiheuttaa potilaille jonkin verran kustannustaakkaa ja ahdistusta. Tämän tutkimuksen tavoitteena on ensin diagnosoida HT uusissa tapauksissa, joissa ei ole ollut HT-oireita kolmella tilastollisella koneoppimismenetelmällä (logistinen regressio, päätöspuu ja satunnaismetsä). Diagnoosi tehdään käyttämällä yksinkertaisia ​​ja yleisesti hyväksyttyjä HT:n visuaalisia oireita, jotka endokrinologit tunnistavat. Toiseksi HT:n tärkeimmät visuaaliset ominaisuudet, jotka voivat auttaa lääkäreitä diagnoosissa, luokitellaan myös päätöspuun ja satunnaisten metsämenetelmien avulla.