Identificazione di sintomi importanti e pazienti con ipotiroidismo diagnostico utilizzando algoritmi di apprendimento automatico

L’ipotiroidismo (HT) è una delle malattie più comuni al mondo, in cui viene prodotta una quantità insufficiente di ormone tiroideo. A causa dell’ampia variazione dei sintomi clinici, la definizione di HT è principalmente biochimica. Il novantanove per cento dei casi primari di HT sono correlati alla carenza di ormoni tiroxina (T4) e triiodotironina (T3). La carenza degli ormoni T4 e T3, prodotti dalla ghiandola tiroidea, porta ad un aumento della produzione dell’ormone stimolante la tiroide (TSH) attraverso un meccanismo di feedback negativo.

L'HT presenta sintomi non specifici come aumento di peso, affaticamento, concentrazione insufficiente, depressione, irregolarità mestruali e costipazione, che cambiano con l'età, il sesso e altri fattori. La tiroidite autoimmune (malattia di Hashimoto) è il sintomo più comune di questo disturbo.

La prevalenza dell'HT è del 2% nel mondo, anche in presenza di una quantità sufficiente di iodio nell'alimentazione quotidiana. In uno studio di coorte condotto in Iran nel 2017, è stato riportato un aumento significativo della prevalenza della disfunzione tiroidea, da 1,4 a 10,5, attribuito a diversi fattori come aree geografiche, invecchiamento, etnia e quantità di assunzione di iodio.

L’aumento dei livelli di colesterolo nel siero e il rischio di malattia coronarica e mortalità cardiovascolare sono le complicanze più comuni dell’HT. Il peso economico della terapia ormonale è piuttosto elevato, soprattutto nei pazienti con altre malattie di base come il diabete e l’emodialisi. Il metodo clinico comune per diagnosticare un HT ugualmente primario è controllare la concentrazione sierica di TSH; Le persone con livelli di TSH e T4 superiori all’intervallo di età di riferimento vengono diagnosticate come ipotiroidee. Il limite superiore dell'intervallo di riferimento del TSH solitamente aumenta con l'età negli adulti.

Negli ultimi anni, l’intelligenza artificiale e le tecniche di apprendimento automatico hanno attirato una crescente attenzione da parte dei ricercatori medici. Tra le caratteristiche più interessanti dell’apprendimento automatico in medicina vi sono la previsione delle malattie e la diagnosi di sintomi semplici. I modelli di previsione come Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF) e Artificial Neural Network (ANN), sono tra i metodi di machine learning più popolari.

Poiché la diagnosi accurata dell'HT è attualmente basata sul livello di TSH ottenuto da un esame del sangue, ciò crea un onere di spesa e ansia per i pazienti. Lo scopo del presente studio è diagnosticare innanzitutto l'HT in nuovi casi che non hanno una storia di sintomi di HT con tre metodi statistici di apprendimento automatico (regressione logistica, albero decisionale e foresta casuale). La diagnosi viene eseguita utilizzando sintomi visivi semplici e ampiamente accettati dell'HT identificati dagli endocrinologi. In secondo luogo, le caratteristiche visive più importanti dell'HT che possono aiutare i medici nella diagnosi, sono anche classificate utilizzando i metodi dell'albero decisionale e della foresta casuale.