Identificatie van belangrijke symptomen en diagnostische hypothyreoïdiepatiënten met behulp van machine learning-algoritmen

Hypothyreoïdie (HT) is een van de meest voorkomende ziekten ter wereld, waarbij onvoldoende schildklierhormoon wordt aangemaakt. Vanwege de grote variatie in klinische symptomen is de definitie van HT voornamelijk biochemisch. Negenennegentig procent van de primaire gevallen van HT houdt verband met een tekort aan thyroxine (T4) en triiodothyronine (T3) hormonen. Een tekort aan T4- en T3-hormonen, die door de schildklier worden geproduceerd, leidt via een negatief feedbackmechanisme tot een verhoogde productie van schildklierstimulerend hormoon (TSH).

HT heeft niet-specifieke symptomen zoals gewichtstoename, vermoeidheid, onvoldoende concentratie, depressie, onregelmatige menstruatie en constipatie, die veranderen met leeftijd, geslacht en andere factoren. Auto-immuunthyroïditis (ziekte van Hashimoto) is het meest voorkomende symptoom van deze aandoening.

De prevalentie van HT bedraagt ​​2% in de wereld, zelfs als er voldoende jodium in de dagelijkse voeding aanwezig is. In een cohortonderzoek dat in 2017 in Iran werd uitgevoerd, werd een significante toename in de prevalentie van schildklierdisfunctie gerapporteerd, van 1,4 naar 10,5, toegeschreven aan verschillende factoren zoals geografische gebieden, veroudering, etniciteit en de hoeveelheid jodiuminname.

Verhoging van het serumcholesterolgehalte en het risico op coronaire hartziekte en cardiovasculaire mortaliteit zijn de meest voorkomende complicaties van HT. De economische last van HT is tamelijk hoog, vooral bij patiënten met andere onderliggende ziekten zoals diabetes en hemodialyse. De gebruikelijke klinische methode voor het diagnosticeren van even primaire HT is het controleren van de serumconcentratie van TSH; Bij mensen met TSH- en T4-niveaus boven de referentieleeftijd wordt de diagnose hypothyreoïdie gesteld. De bovengrens van het TSH-referentiebereik neemt bij volwassenen doorgaans toe met de leeftijd.

De afgelopen jaren hebben kunstmatige intelligentie en machine learning-technieken steeds meer aandacht gekregen van medische onderzoekers. Tot de aantrekkelijkste kenmerken van machinaal leren in de geneeskunde behoren ziektevoorspelling en diagnose van eenvoudige symptomen. De voorspellingsmodellen zoals support vector machine (SVM), beslissingsboom (DT), willekeurig bos (RF) en kunstmatig neuraal netwerk (ANN) behoren tot de meest populaire methoden voor machinaal leren.

Omdat de nauwkeurige diagnose van HT momenteel gebaseerd is op het TSH-niveau dat wordt verkregen door een bloedtest, zorgt dit voor enige kostenlast en angst voor patiënten. Het doel van de huidige studie is om eerst HT te diagnosticeren in nieuwe gevallen die geen voorgeschiedenis van HT-symptomen hebben, met behulp van drie statistische machine learning-methoden (logistische regressie, beslissingsboom en willekeurig bos). De diagnose wordt gesteld aan de hand van eenvoudige en algemeen aanvaarde visuele symptomen van HT die endocrinologen identificeren. Ten tweede worden de belangrijkste visuele kenmerken van HT, die artsen kunnen helpen bij het stellen van de diagnose, ook gerangschikt met behulp van beslissingsbomen en willekeurige bosmethoden.