Identificação de sintomas importantes e diagnóstico de pacientes com hipotireoidismo usando algoritmos de aprendizado de máquina

O hipotireoidismo (HT) é uma das doenças mais comuns no mundo, na qual há produção insuficiente de hormônio tireoidiano. Devido à grande variação nos sintomas clínicos, a definição de TH é principalmente bioquímica. Noventa e nove por cento dos casos primários de TH estão relacionados à deficiência dos hormônios tiroxina (T4) e triiodotironina (T3). A deficiência dos hormônios T4 e T3, produzidos pela glândula tireoide, leva ao aumento da produção do hormônio estimulador da tireoide (TSH) por meio de um mecanismo de feedback negativo.

A TH apresenta sintomas inespecíficos como ganho de peso, fadiga, concentração insuficiente, depressão, irregularidades menstruais e constipação, que mudam com a idade, sexo e outros fatores. A tireoidite autoimune (doença de Hashimoto) é o sintoma mais comum desse distúrbio.

A prevalência de TH é de 2% no mundo, mesmo na existência de iodo suficiente na alimentação diária. Num estudo de coorte realizado no Irão em 2017, foi relatado um aumento significativo na prevalência de disfunção tiroideia, de 1,4 para 10,5, atribuído a vários fatores, como áreas geográficas, envelhecimento, etnia e quantidade de ingestão de iodo.

O aumento dos níveis séricos de colesterol e o risco de doença arterial coronariana e mortalidade cardiovascular são as complicações mais comuns da TH. O fardo económico da TH é bastante elevado, especialmente em pacientes com outras doenças subjacentes, como diabetes e hemodiálise. O método clínico comum para diagnosticar TH igualmente primária é verificar a concentração sérica de TSH; Pessoas com níveis de TSH e T4 acima da faixa etária de referência são diagnosticadas como hipotireoidianas. O limite superior do intervalo de referência de TSH geralmente aumenta com a idade em adultos.

Nos últimos anos, a inteligência artificial e as técnicas de aprendizado de máquina têm atraído cada vez mais atenção dos pesquisadores médicos. Entre os recursos mais atraentes do aprendizado de máquina na medicina estão a previsão de doenças e o diagnóstico de sintomas simples. Os modelos de predição como máquina de vetores de suporte (SVM), árvore de decisão (DT), floresta aleatória (RF) e rede neural artificial (RNA), estão entre os métodos de aprendizado de máquina mais populares.

Como o diagnóstico preciso da TH é atualmente baseado no nível de TSH obtido por um exame de sangue, isso cria alguns encargos e ansiedade para os pacientes. O objetivo do presente estudo é primeiro diagnosticar TH em novos casos que não apresentam histórico de sintomas de TH com três métodos estatísticos de aprendizado de máquina (regressão logística, árvore de decisão e floresta aleatória). O diagnóstico é realizado por meio de sintomas visuais de TH simples e amplamente aceitos, identificados pelos endocrinologistas. Em segundo lugar, as características visuais mais importantes da TH, que podem ajudar os médicos no diagnóstico, também são classificadas usando métodos de árvore de decisão e floresta aleatória.