機械学習アルゴリズムを使用した重要な症状の特定と甲状腺機能低下症患者の診断

甲状腺機能低下症 (HT) は、甲状腺ホルモンの生成が不十分な世界で最も一般的な病気の 1 つです。 臨床症状には幅広いばらつきがあるため、HT の定義は主に生化学的です。 HT の初発症例の 99% は、チロキシン (T4) ホルモンとトリヨードチロニン (T3) ホルモンの欠乏に関連しています。 甲状腺によって産生される T4 および T3 ホルモンが欠乏すると、負のフィードバック機構を通じて甲状腺刺激ホルモン (TSH) の産生が増加します。

HT には、体重増加、倦怠感、集中力の低下、うつ病、月経不順、便秘などの非特異的な症状があり、年齢や性別などの要因によって症状は変化します。 自己免疫性甲状腺炎 (橋本病) は、この疾患の最も一般的な症状です。

毎日の食事に十分な量のヨウ素が含まれている場合でも、HT の有病率は世界全体で 2% です。 2017年にイランで実施されたコホート研究では、地理的地域、高齢化、民族性、ヨウ素摂取量などのいくつかの要因により、甲状腺機能障害の有病率が1.4から10.5に大幅に増加したことが報告されました。

血清コレステロール値の上昇、冠動脈疾患および心血管死亡のリスクは、HT の最も一般的な合併症です。 HT の経済的負担は、特に糖尿病や血液透析などの他の基礎疾患を持つ患者にとってかなり高くなります。 同様に原発性HTを診断するための一般的な臨床方法は、TSHの血清濃度をチェックすることです。 TSH および T4 レベルが基準年齢範囲を超えている人は、甲状腺機能低下症と診断されます。 TSH基準範囲の上限は、通常、成人では年齢とともに増加します。

近年、人工知能と機械学習技術は医学研究者からますます注目を集めています。 医学における機械学習の最も魅力的な機能の 1 つは、病気の予測と単純な症状の診断です。 サポート ベクター マシン (SVM)、デシジョン ツリー (DT)、ランダム フォレスト (RF)、人工ニューラル ネットワーク (ANN) などの予測モデルは、最も人気のある機械学習手法の 1 つです。

現在、HT の正確な診断は血液検査によって得られる TSH 値に基づいているため、患者にはある程度の費用負担と不安が生じます。 本研究の目的は、まず 3 つの統計的機械学習手法 (ロジスティック回帰、デシジョン ツリー、ランダム フォレスト) を使用して、HT 症状の既往がない新規症例の HT を診断することです。 診断は、内分泌学者が特定する単純で広く受け入れられている HT の視覚症状を使用して行われます。 次に、医師の診断に役立つ HT の最も重要な視覚的特徴も、デシジョン ツリーとランダム フォレストの手法を使用してランク付けされます。