Identyfikacja ważnych objawów i diagnostyka pacjentów z niedoczynnością tarczycy przy użyciu algorytmów uczenia maszynowego

Niedoczynność tarczycy (HT) jest jedną z najczęstszych chorób na świecie, w przebiegu której wytwarzana jest niewystarczająca ilość hormonów tarczycy. Ze względu na duże zróżnicowanie objawów klinicznych definicja HT jest głównie biochemiczna. Dziewięćdziesiąt dziewięć procent pierwotnych przypadków HT jest związanych z niedoborem hormonów tyroksyny (T4) i trójjodotyroniny (T3). Niedobór hormonów T4 i T3 wytwarzanych przez tarczycę prowadzi do zwiększenia produkcji hormonu tyreotropowego (TSH) poprzez mechanizm ujemnego sprzężenia zwrotnego.

HT ma niespecyficzne objawy, takie jak przyrost masy ciała, zmęczenie, niewystarczająca koncentracja, depresja, nieregularne miesiączki i zaparcia, które zmieniają się wraz z wiekiem, płcią i innymi czynnikami. Najczęstszym objawem tej choroby jest autoimmunologiczne zapalenie tarczycy (choroba Hashimoto).

Częstość występowania HT wynosi 2% na świecie, nawet przy wystarczającej ilości jodu w codziennym pożywieniu. W badaniu kohortowym przeprowadzonym w Iranie w 2017 r. odnotowano znaczny wzrost częstości występowania dysfunkcji tarczycy z 1,4 do 10,5, co przypisano kilku czynnikom, takim jak obszar geograficzny, starzenie się, pochodzenie etniczne i ilość spożycia jodu.

Podwyższone stężenie cholesterolu w surowicy oraz ryzyko choroby wieńcowej i śmiertelności z przyczyn sercowo-naczyniowych to najczęstsze powikłania HT. Obciążenie ekonomiczne HT jest dość duże, szczególnie u pacjentów z innymi chorobami podstawowymi, takimi jak cukrzyca i hemodializa. Powszechną metodą kliniczną diagnozowania równie pierwotnego NT jest sprawdzenie stężenia TSH w surowicy; U osób, u których poziom TSH i T4 przekracza dopuszczalny zakres wiekowy, rozpoznaje się niedoczynność tarczycy. Górna granica zakresu referencyjnego TSH u dorosłych zwykle wzrasta wraz z wiekiem.

W ostatnich latach techniki sztucznej inteligencji i uczenia maszynowego przyciągają coraz większą uwagę badaczy medycyny. Do najbardziej atrakcyjnych funkcji uczenia maszynowego w medycynie należy przewidywanie chorób i diagnozowanie prostych objawów. Modele predykcyjne, takie jak maszyna wektorów nośnych (SVM), drzewo decyzyjne (DT), las losowy (RF) i sztuczna sieć neuronowa (ANN), należą do najpopularniejszych metod uczenia maszynowego.

Ponieważ dokładna diagnostyka NT opiera się obecnie na stężeniu TSH uzyskanym w badaniu krwi, wiąże się to z pewnymi kosztami i niepokojem dla pacjentów. Celem niniejszego badania jest pierwsza diagnoza HT w nowych przypadkach, u których nie występowały objawy HT, za pomocą trzech statystycznych metod uczenia maszynowego (regresja logistyczna, drzewo decyzyjne i las losowy). Rozpoznanie stawia się na podstawie prostych i powszechnie akceptowanych wizualnych objawów NT, identyfikowanych przez endokrynologów. Po drugie, najważniejsze cechy wizualne HT, które mogą pomóc lekarzom w postawieniu diagnozy, są również uszeregowane przy użyciu metod drzewa decyzyjnego i lasów losowych.