Identifisering av viktige symptomer og diagnostisk hypotyreosepasienter som bruker maskinlæringsalgoritmer

Hypotyreose (HT) er en av de vanligste sykdommene i verden, der det ikke produseres tilstrekkelig med skjoldbruskhormon. På grunn av den store variasjonen i kliniske symptomer er definisjonen av HT hovedsakelig biokjemisk. Nittini prosent av primære tilfeller av HT er relatert til mangel på tyroksin (T4) og trijodtyronin (T3) hormoner. Mangel på T4- og T3-hormoner, som produseres av skjoldbruskkjertelen, fører til økt produksjon av skjoldbruskkjertelstimulerende hormon (TSH) gjennom en negativ tilbakemeldingsmekanisme.

HT har uspesifikke symptomer som vektøkning, tretthet, utilstrekkelig konsentrasjon, depresjon, menstruasjonsuregelmessigheter og forstoppelse, som endres med alder, kjønn og andre faktorer. Autoimmun tyreoiditt (Hashimotos sykdom) er det vanligste symptomet på denne lidelsen.

Prevalensen av HT er 2 % i verden, selv om det er nok jod i daglig mat. I en kohortstudie som ble utført i Iran i 2017, ble det rapportert en signifikant økning i prevalensen av skjoldbruskdysfunksjon, fra 1,4 til 10,5, tilskrevet flere faktorer som geografiske områder, aldring, etnisitet og mengden jodinntak.

Økning i serumkolesterolnivåer og risiko for koronarsykdom og kardiovaskulær dødelighet er de vanligste komplikasjonene ved HT. Den økonomiske belastningen av HT er ganske høy, spesielt hos pasienter med andre underliggende sykdommer som diabetes og hemodialyse. Den vanlige kliniske metoden for å diagnostisere like primær HT er å kontrollere serumkonsentrasjonen av TSH; Personer med TSH- og T4-nivåer over referansealdersområdet er diagnostisert som hypotyreoidea. Den øvre grensen for TSH-referanseområdet øker vanligvis med alderen hos voksne.

De siste årene har kunstig intelligens og maskinlæringsteknikker tiltrukket seg økende oppmerksomhet fra medisinske forskere. Blant de mest attraktive funksjonene ved maskinlæring i medisin er sykdomsprediksjon og diagnostisering av enkle symptomer. Prediksjonsmodellene som støttevektormaskin (SVM), beslutningstre (DT), tilfeldig skog (RF) og kunstig nevrale nettverk (ANN), er blant de mest populære maskinlæringsmetodene.

Siden nøyaktig diagnostikk av HT for tiden er basert på TSH-nivået oppnådd ved en blodprøve, skaper det en viss utgiftsbyrde og angst for pasientene. Målet med denne studien er å først diagnostisere HT i nye tilfeller som ikke har noen historie med HT-symptomer med tre statistiske maskinlæringsmetoder (logistisk regresjon, beslutningstre og tilfeldig skog). Diagnosen utføres ved hjelp av enkle og allment aksepterte visuelle symptomer på HT som endokrinologer identifiserer. For det andre er de viktigste visuelle egenskapene til HT, som kan hjelpe leger med diagnose, også rangert ved hjelp av beslutningstre og tilfeldige skogmetoder.