머신러닝 알고리즘을 활용한 주요 증상 식별 및 갑상선 기능 저하증 환자 진단

갑상선 기능 저하증(HT)은 갑상선 호르몬이 부족하게 생산되는 세계에서 가장 흔한 질병 중 하나입니다. 임상 증상이 다양하기 때문에 HT의 정의는 주로 생화학적입니다. HT의 주요 사례 중 99%는 티록신(T4) 및 삼요오드티로닌(T3) 호르몬의 결핍과 관련이 있습니다. 갑상선에서 생성되는 T4 및 T3 호르몬의 결핍은 음성 피드백 메커니즘을 통해 갑상선 자극 호르몬(TSH) 생성을 증가시킵니다.

HT는 체중 증가, 피로, 집중력 부족, 우울증, 월경 불규칙, 변비 등의 비특이적 증상을 나타내며 증상은 연령, 성별 및 기타 요인에 따라 달라집니다. 자가면역 갑상선염(하시모토병)이 이 질환의 가장 흔한 증상입니다.

매일 음식에 요오드가 충분히 존재하더라도 HT의 유병률은 세계에서 2%입니다. 2017년 이란에서 실시된 코호트 연구에서는 지리적 위치, 노화, 인종 및 요오드 섭취량과 같은 여러 요인으로 인해 갑상선 기능 장애 유병률이 1.4에서 10.5로 크게 증가한 것으로 보고되었습니다.

혈청 콜레스테롤 수치의 증가, 관상동맥 질환 및 심혈관 사망 위험은 HT의 가장 흔한 합병증입니다. 특히 당뇨병, 혈액투석 등 다른 기저질환이 있는 환자의 경우 HT의 경제적 부담이 상당히 높습니다. 동일하게 원발성 HT를 진단하는 일반적인 임상 방법은 TSH의 혈청 농도를 확인하는 것입니다. TSH 및 T4 수준이 기준 연령 범위보다 높은 사람들은 갑상선 기능 저하증으로 진단됩니다. TSH 기준 범위의 상한은 일반적으로 성인의 연령에 따라 증가합니다.

최근 몇 년 동안 인공지능과 머신러닝 기술이 의료 연구자들로부터 주목을 받고 있습니다. 의학에서 머신러닝의 가장 매력적인 기능 중 하나는 질병 예측과 간단한 증상 진단입니다. SVM(Support Vector Machine), DT(Decision Tree), RF(Random Forest), ANN(인공 신경망)과 같은 예측 모델은 가장 널리 사용되는 기계 학습 방법 중 하나입니다.

현재 HT의 정확한 진단은 혈액검사를 통해 얻은 TSH 수치를 기반으로 하기 때문에 환자에게 비용 부담과 불안감을 안겨준다. 본 연구의 목적은 세 가지 통계적 기계 학습 방법(로지스틱 회귀, 의사결정 트리 및 랜덤 포레스트)을 사용하여 HT 증상 이력이 없는 새로운 사례에서 HT를 먼저 진단하는 것입니다. 진단은 내분비학자가 식별하는 단순하고 널리 받아들여지는 HT의 시각적 증상을 사용하여 수행됩니다. 둘째, 의사의 진단에 도움이 될 수 있는 HT의 가장 중요한 시각적 특징도 의사결정 트리와 랜덤 포레스트 방법을 사용하여 순위를 매깁니다.