Identifiering av viktiga symtom och diagnostiska hypotyreospatienter som använder maskininlärningsalgoritmer

Hypotyreos (HT) är en av de vanligaste sjukdomarna i världen, där otillräcklig sköldkörtelhormon produceras. På grund av den stora variationen i kliniska symtom är definitionen av HT huvudsakligen biokemisk. Nittio nio procent av primära fall av HT är relaterade till brist på tyroxin (T4) och trijodtyronin (T3) hormoner. Brist på T4- och T3-hormoner, som produceras av sköldkörteln, leder till ökad produktion av sköldkörtelstimulerande hormon (TSH) genom en negativ återkopplingsmekanism.

HT har ospecifika symtom som viktökning, trötthet, otillräcklig koncentration, depression, menstruationsrubbningar och förstoppning, som förändras med ålder, kön och andra faktorer. Autoimmun tyreoidit (Hashimotos sjukdom) är det vanligaste symtomet på denna sjukdom.

Prevalensen av HT är 2 % i världen, även om det finns tillräckligt med jod i daglig mat. I en kohortstudie som genomfördes i Iran 2017 rapporterades en signifikant ökning av förekomsten av sköldkörteldysfunktion, från 1,4 till 10,5, tillskrivet flera faktorer såsom geografiska områden, åldrande, etnicitet och mängden jodintag.

Ökning av serumkolesterolnivåer och risk för kranskärlssjukdom och kardiovaskulär dödlighet är de vanligaste komplikationerna av HT. Den ekonomiska bördan av HT är ganska hög, särskilt hos patienter med andra underliggande sjukdomar som diabetes och hemodialys. Den vanliga kliniska metoden för att diagnostisera lika primär HT är att kontrollera serumkoncentrationen av TSH; Personer med TSH- och T4-nivåer över referensåldern diagnostiseras som hypotyreos. Den övre gränsen för TSH-referensintervallet ökar vanligtvis med åldern hos vuxna.

Under de senaste åren har artificiell intelligens och maskininlärningstekniker väckt ökad uppmärksamhet från medicinska forskare. Bland de mest attraktiva egenskaperna hos maskininlärning inom medicin är sjukdomsförutsägelse och diagnos av enkla symtom. Förutsägelsemodellerna som stödvektormaskin (SVM), beslutsträd (DT), slumpmässig skog (RF) och artificiellt neuralt nätverk (ANN), är bland de mest populära metoderna för maskininlärning.

Eftersom exakt diagnostik av HT för närvarande baseras på TSH-nivån som erhålls genom ett blodprov, skapar det en viss kostnadsbörda och oro för patienterna. Syftet med denna studie är att först diagnostisera HT i nya fall som inte har någon historia av HT-symtom med tre statistiska maskininlärningsmetoder (logistisk regression, beslutsträd och slumpmässig skog). Diagnosen utförs med enkla och allmänt accepterade visuella symtom på HT som endokrinologer identifierar. För det andra rangordnas också de viktigaste visuella egenskaperna hos HT, som kan hjälpa läkare att ställa diagnos, med hjälp av beslutsträd och slumpmässiga skogsmetoder.