يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

التشخيص المبكر لقصور الغدة الدرقية في المنطقة الشرقية من السعودية باستخدام تقنيات الذكاء الحاسوبي

180 مشاهدات

⸱

DOI:

10.3791/70065

⸱

مايو 22, 2026

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Computer Engineering, College of Computer Science and Information Technology, Imam Abdulrahman Bin Faisal University, 2Department of Data Science and Artificial Intelligence, Faculty of Computing, Adekunle Ajasin University, 3Department of Computer Science, College of Computer Science and Information Technology, Imam Abdulrahman Bin Faisal University, 4Department of Computer Science, Kettering University, 5Department of Information Technology, School of Engineering and Technology, Nagaland University

في هذه المقالة

ملخص

تبحث هذه الدراسة في أربع خوارزميات تعلم آلة: أقرب الجيران (KNN)، آلة الدعم المتجهة (SVM)، تعزيز التدرج الأقصى (XGBoost)، ومصنف مجموعة التصويت الناعم في التشخيص الاستباقي لقصور الغدة الدرقية. تم اختيار الخوارزميات بناء على مراجعة أدبية نقدية وتم استخدامها على مجموعة بيانات محلية جمعت من السعودية.

الملخص

قصور الغدة الدرقية هو أحد أكثر الحالات الطبية شيوعا وحتى أنها غير مشخصة بشكل كاف في السعودية. وهي أكثر شيوعا لدى النساء المسنات والحوامل وكذلك لدى مرضى السكري وانقطاع التنفس أثناء النوم. يتميز قصور الغدة الدرقية بإنتاج الغدة الدرقية لهرمونات الغدة الدرقية غير الكافية، مما قد يؤدي إلى أمراض مزمنة أخرى إذا ترك دون علاج. لهذا السبب، تقترح هذه الدراسة تقنيات تعلم آلي لتشخيص هذا المرض استباقيا باستخدام مجموعة بيانات سريرية مباشرة من السعودية. نظرا لحجم البيانات، يعمل هذا العمل كدليل على المفهوم. تم اختيار خوارزميات مثل KNN، وSVM، وتعزيز التدرج، ومصنف مجموعة التصويت الناعم لأدائها الواعد في التشخيص الاستباقي لقصور الغدة الدرقية والأمراض المرتبطة بها مقارنة بالخوارزميات الأخرى في الأدبيات. كان أفضل نموذج أداء هو مصنف التصويت الناعم للمجموعة، الذي حقق دقة بلغت 94.7٪. حققت SVM وKNN وXGBoost دقة بنسبة 94٪، 93.42٪، و92.1٪ على التوالي. تم الحصول على هذه النتائج باستخدام التحقق المتقاطع بعشرة أضعاف واختيار الميزات التسلسلي الأمامي.

المقدمة

يعد خلل الغدة الدرقية (TD) من أكثر الأمراض المزمنة شيوعا، مع اختلاف في الانتشار بين السكان1. أكثر اضطرابين شيوعا في الغدة الدرقية هما قصور الغدة الدرقية وفرط نشاط الغدة الدرقية. قصور الغدة الدرقية هو حالة شائعة تنتج عن إنتاج غير كاف لهرمونات الغدة الدرقية. بينما يمكن التحكم بها عادة بالعلاج، إلا أنها في الحالات الشديدة قد تكون قاتلة إذا لم تعالج. تشمل الأعراض الأكثر شيوعا لقصور الغدة الدرقية لدى البالغين التعب، الإمساك، الخمول، زيادة الوزن، جفاف الجلد، وتغيرات في الصوت. ومع ذلك، قد تختلف العروض السريرية حسب العمر والجنس وعوامل أخرى3. يذكر أن المرض يصيب 5٪ من عامة السكان، ويبقى 5٪ إضافيون غير مشخصين، بينما يعاني 99٪ من هؤلاء المرضى من قصور الغدة الدرقية الأولي. ينتشر في دول الخليج العربي، رغم أنه غالبا ما يظل غير مشخص بشكل كاف4. قصور الغدة الدرقية الخلقي يصيب تقريبا طفلا من كل 3,450 طفلا في السعودية. أفادت دراسات مقطعية أخرى ركزت فقط على النساء عن معدلات انتشار أعلى تتراوح بين 13٪ و35٪. علاوة على ذلك، إثبات أن الإناث أكثر عرضة للإصابة من الذكور6. قصور الغدة الدرقية، إذا ترك دون علاج، يمكن أن يؤدي إلى خلل الدهون، وضعف الإدراك، وارتفاع ضغط الدم، والعقم، وضعف الجهاز العصبيالعضلي. وبالتالي، تهدف هذه الدراسة إلى استخدام طرق التعلم الآلي لتشخيص قصور الغدة الدرقية بشكل استباقي باستخدام مجموعة بيانات من مستشفى الملك فهد المتخصص (KFUH) في الدمام، المملكة العربية السعودية.

قد يكون تشخيص قصور الغدة الدرقية صعبا لأن الأعراض غالبا ما يتم الخلط بينها وبين أمراض أخرى.8. علاوة على ذلك، يمكن أن يؤثر التشخيص المتأخر لقصور الغدة الدرقية سلبا على القدرات الذهنية للمريض9. اختبار هرمون تحفيز الغدة الدرقية (TSH) هو الطريقة التشخيصية الأكثر استخداما للكشف عن قصور الغدة الدرقية. ومع ذلك، فإن وصول أساليب واستراتيجيات وأدوات الذكاء الاصطناعي وتعلم الآلة ساعد في حل المشكلات التشخيصية والتنبؤية عبر مختلف المجالات الطبية. يستخدم التعلم الآلي لتقييم أهمية العوامل السريرية وتركيباتها في التشخيص، مثل التنبؤ بتقدم المرض، واستخراج المعرفة الطبية لأبحاث النتائج، والتخطيط العلاجي والدعم، والرعاية العامة للمرضى.10. مع توفر كميات كبيرة من البيانات الطبية، أصبح لدى الممارسين الطبيين الآن مورد قيم لاكتشاف معرفة جديدة وربما قيمة من خلال التعلم الآلي11,12.

باستخدام مجموعة بيانات سريرية بسيطة من مجموعة البيانات السعودية، تهدف هذه الدراسة إلى مساعدة العاملين الصحيين في البلاد على تشخيص قصور الغدة الدرقية مبكرا وتطبيق هذا النظام التنبؤي في المستشفيات التي تمتلك موارد ومعدات حاسوبية محدودة. بالإضافة إلى ذلك، لم تستخدم الدراسات السابقة في هذا المجال مجموعة البيانات السعودية. وهذا يمنح فرصة لدمج مجموعة البيانات السعودية جنبا إلى جنب مع الأبحاث السابقة. استخدمت الدراسات مجموعة بيانات سعودية للتنبؤ بأمراض الكلى والسكري ومرض الغدة الدرقية ومرض الزهايمر على التوالي، محققة دقة عالية13، 14، 15. هذه التجربة تحفز تطبيق هذه الأساليب على أمراض أخرى في السعودية. تعد هذه الدراسات من أحدث الأعمال في التعلم الآلي والذكاء الاصطناعي في المجال الطبي16، 17، 18، 19.

تناقش الدراسة المقترحة تطبيق تقنيات التعلم الآلي على مجموعة بيانات سريرية سعودية بسيطة لقصور الغدة الدرقية للتنبؤ بوجود المرض قبل أن يظهر عليه الأعراض بالكامل. الهدف هو تطوير نظام قائم على التعلم الآلي يوفر تحذيرات مبكرة لاحتمال حدوث قصور الغدة الدرقية. كما سيجعل من السهل على المستشفيات المحلية ذات المعدات المحدودة استخدام هذا النظام التشخيصي. تعد هذه الدراسة الأولى التي تفحص هذا المرض باستخدام مجموعة البيانات السعودية، مع التركيز على المرحلة التي تسبق ظهور الأعراض. تغطي مجموعة البيانات مجموعة واسعة من المرضى في المستشفيات السعودية المحلية، مع مجموعة عمرية واسعة، ومزيج من الحالات الإيجابية والسلبية لفرط نشاط الغدة الدرقية.

استخدمت هذه الدراسة أربع خوارزميات تعلم آلة: آلة الدعم المتجهة (SVM)، أقرب الجيران K (KNN)، تعزيز تدرج الإكستريم (XGBoost)، ومصنف مجموعة تصويت ناعمة مكونة من SVM وKNN. كل واحدة من الخوارزميات الأربع أثبتت قدراتها في المجال الطبي. تم اختيار خوارزمية KNN لبساطتها وتحقيق دقة اختبار بلغت 77.5٪ في التشخيص الاستباقي لمرض السكري (DM)20. وفي الوقت نفسه، تم اختيار SVM لقوة21، وقد استخدم مؤخرا للتنبؤ بمخاطر الوفاةلدى مرضى كوفيد-19. علاوة على ذلك، تم اختيار XGBoost لأدائه القوي23، محققا درجة تنبؤية دقيقة تبلغ 94٪ لنتائج ارتفاع ضغط الدم، وتم استخدام التكديس لتعزيز نتائج الخوارزميات الأعلى أداء.  بالإضافة إلى ذلك، تم استخدام مصنف مجموعة تصويت لتحديد اضطرابات الغدة الدرقية بدقة 100٪.

الهدف الأساسي من الدراسة الحالية هو التشخيص المبكر لقصور الغدة الدرقية في سكان سعوديين باستخدام بيانات سريرية روتينية أصلية وخوارزميات تعلم آلي متطورة. تم تنفيذ التقنيات الأربع المستخدمة في هذه الدراسة على منصة Jupyter باستخدام لغة البرمجة بايثون، باستخدام مجموعة بيانات قصور الغدة الدرقية. تم استخدام التحقق المتقاطع بمقدار 10 أضعاف مع ضبط المعاملات الفائقة لتحسين الأداء. ثم تم تنفيذ اختيار الميزات المتسلسل مع تقنية اختيار أمامي، مما أدى إلى تحقيق مصنف مجموعة التصويت أعلى دقة تبلغ 94.7٪. تبعته SVM وKNN وXGBoost على التوالي. فيما يتعلق بالاستدعاء، حقق مصنف مجموعة التصويت الناعم أعلى درجة بنسبة 95.5٪. بشكل عام، كان النموذج الأمثل لتشخيص قصور الغدة الدرقية الاستباقية هو مصنف مجموعة التصويت الناعم، الذي حقق أعلى درجة عبر جميع مقاييس الأداء التي تم تقييمها في هذه الدراسة.

أجريت عدة دراسات حول تشخيص اضطرابات الغدة الدرقية العامة وتطبيق التكنولوجيا، وخاصة التعلم الآلي، كحل مدعوم بالحاسوب. تم استخدام نماذج التعلم العميق المعدلة مثل LSTM-CNN، AlexNet، GoogLeNet، IndRNN–CNN، ونماذج ResNet المعدلة باستخدام مطيافية رامان لتمييز عينات المصل من 32 مريضا بقصور الغدة الدرقية، و38 مريضا بفرط نشاط الغدة الدرقية، و29 شخصا ضابطا. حصل نموذجهم على دقة بلغت 84٪، 91٪، 75٪، 82٪، و71٪ على التوالي25.

تم استخدام خوارزميات التعلم الآلي مثل SVM، KNN، الانحدار اللوجستي، والغابات العشوائية للتنبؤ بحدوث قصور الغدة الدرقية الناتج عن الإشعاعلدى مرضى سرطان البلعوم الأنفي. حقق نموذجهم قيمة AUC بلغت 0.7. علاوة على ذلك، استخدم المؤلفون خوارزميات تعلم آلي مختلفة للتنبؤ باتجاه علاج المرضى المصابين بقصور الغدة الدرقية أثناء خضوعهم لعلاج LT4. من بين 10 مصنفات، حقق مصنف الشجرة الإضافية أعلى دقة بنسبة 84٪.

في دراسة أخرى، أنشأ المؤلفون واختبروا استراتيجية تعلم آلي لتحديد الأشخاص المصابين بفرط نشاط الغدة الدرقية وقصور الغدة الدرقية الذين سيستفيدون من العلاج الطبي الفوري27. قاموا بنشر شجرة قرارات تعزيز التدرج (GBDT)، وSVM، وANN، وخوارزميات الانحدار اللوجستي. حصلت نماذجهم على تقييم AUROC بنسبة 93.8٪ و90.9٪ لفرط نشاط الغدة الدرقية وقصور الغدة الدرقية على التوالي. في دراسة أخرى، استخدم المؤلفون التعلم الآلي للكشف عن اضطرابات الغدة الدرقية، والتي تشمل قصور الغدة الدرقية وفرط نشاط الغدة الدرقية. شملت نماذجهم SVM وANN وKNN والانحدار اللوجستي وشجرة القرار، مع أعلى دقة بلغت 96.92٪ بفضل الانحدار اللوجستيرقم 28. مؤخرا، طبق مجموعة من الباحثين طرقا مختلفة، منها SVM، شجرة القرار، Naïve Bayes، وEnsemble، للتنبؤ بقصور الغدة الدرقية واكتشافه. حققت شجرة القرار أعلى دقة، بنسبة 97.6٪29. وطبقت دراسة أخرى خوارزمية Naïve Bayes المعتمدة على نواة التطور التفريقي الهجين لتقليل خصائص مجموعة بيانات الغدة الدرقية لأمراض فرط نشاط الغدة الدرقية وقصور الغدة الدرقية من 21 إلى 10. لاحقا طبقوا مصنف Naïve Bayes القائم على النواة على مجموعة الميزات، محققين دقة 97.97٪30. وبالمثل، في دراسة أخرى، استخدم المؤلفون عدة خوارزميات تعلم آلي للتنبؤ بخطر الإصابة بمرض الغدة الدرقية في مجموعة بيانات مرض الغدة الدرقية من جامعة كاليفورنيا. أظهرت تجربتهم أن ANN تفوق على جميع الطرق الأخرى، محققة دقة 95٪31. علاوة على ذلك، استخدم جها وآخرون تقنيات تعزيز الميزات المقترحة المبنية على الشبكات العصبية العميقة للتنبؤ بأمراض الغدة الدرقية، محققين دقة ممتازة بلغت 99.95٪32.

وفقا للأدبيات السابقة، تم استخدام مجموعة تصويت متجانسة مع اختيار عدة سمات لتحديد أمراض الغدة الدرقية، باستخدام الخوارزميات التالية: الغابة العشوائية، تعزيز التدرج، شجرة القرار، والانحدار اللوجستي، محققا دقة 100٪24. علاوة على ذلك، طبق المؤلفون نموذج الآلة المتشددة للتعلم على مجموعة بيانات الوصول المفتوح لقصور الغدة الدرقية على موقع كاجل، محققين دقة 92٪. احتوت مجموعة البيانات على 3772 عينة: 3481 عينة قصور الغدة الدرقية والباقي سالب33. مؤخرا، في دراسة، استخدم المؤلفون CART المعبأ في أكياس لتصنيف قصور الغدة الدرقية. حقق النموذج المقترح دقة مذهلة بلغت 99.9٪. بالإضافة إلى ذلك، تم تحديد T4U وTSH وTBG كأكثر العوامل أهمية المرتبطة بقصور الغدة الدرقية34. في دراسة أخرى، اقترح المؤلفون وقارنوا نماذج مختلفة من التعلم الآلي والتعلم العميق، حيث حققت شجرة القرار والغابة العشوائية دقة بلغت 99.5٪ و99.3٪ على التوالي. استخدموا مجموعة بيانات Weka تحتوي على 30 سمة و3772 عينةو35.

تظهر هذه المراجعة الموجزة للأدبيات أنه، رغم أن معظم الطرق المستخدمة حققت نتائج جيدة إلى ممتازة، إلا أن أيا منها لم يستخدم مجموعة بيانات سريرية بسيطة من السعودية. كما لوحظ أن معظم المنشورات قيد الدراسة استخدمت مجموعات بيانات التصوير، مما رفع من حجم العمل المطلوب لجمع البيانات وزاد من صعوبة تطبيق نماذج معقدة جدا أنشأها أشخاص غير تقنيين. علاوة على ذلك، تم تنفيذ معظم هذه الأعمال حول اضطرابات الغدة الدرقية العامة، مع وجود عدد قليل جدا من المنشورات التي تركز على قصور الغدة الدرقية. توفر هذه الحالة فرصة لدراسة نماذج التعلم الآلي الأساسية على مجموعة بيانات سريرية بسيطة من مجموعة البيانات السعودية لمساعدة المستشفيات المحلية ذات المعدات المحوسبة المحدودة في تشخيص المرض بشكل استباقي.

المقدمة الموجزة للخوارزميات التي تم التحقيق فيها في الدراسة الحالية مقدمة في الملف التكميلي 1. الخوارزميات الأربع هي: K-أقرب جار (KNN)36,37,38,39,40، وجهاز دعم المتجهات (SVM)41,42,43,44,45، وتعزيز التدرج الأقصى (XGBoost)46,47,48، ومجموعة التصويت49,50.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

1. المنهجية

ملاحظة: كما هو موضح في جدول المواد، أجريت تجربة هذا البحث باستخدام بايثون على جهاز Jupyter Notebook، والذي استخدم لتطوير نماذج تعلم آلي للتشخيص الاستباقي لقصور الغدة الدرقية. تم استخدام Microsoft Excel ومكتبة Python Scikit-Learn في مرحلة المعالجة المسبقة. تم استخدام K-أقرب جار (KNN)، وآلة الدعم المتجه (SVM)، وتعزيز التدرج القصوى (XGBoost)، ومصنف مجموعة تصويت ناعمة مكون من KNN وSVM لتدريب مجموعة البيانات، مع GridSearchCV والتحقق المتقاطع 10 أضعاف للحصول على أفضل المعلمات الفائقة. بالإضافة إلى ذلك، تم رسم أهمية الميزات لكل مصنف باستخدام أهمية التبديل (perperation).

  1. استخدم اختيار الميزات التسلسلي باستخدام تقنية إعادة التوجيه في مكتبة mxl-tend.
  2. تطبيق محدد الميزات التسلسلي على جميع النماذج باستخدام التحقق المتقاطع 10 أطعات لاختيار أفضل مجموعة ميزات فرعية.
  3. تقييم متوسط الدقة، والاسترجاع، والدقة، ودرجة F1، وفقدان اللوغاريتمية لجميع النماذج التي تم إنشاؤها باستخدام التحقق المتقاطع بعشرة أضعاف لتحديد أفضل نموذج.
  4. بالإضافة إلى ذلك، تولد مصفوفات ومناطق الالتباس تحت منحنيات خاصية تشغيل المستقبل (AUROC) لكل نموذج باستخدام المعلمات الفائقة المثلى وأفضل مجموعة من الميزات.
  5. تحقق من نتائج التشخيص من قبل فريق مكون من ثلاثة خبراء في طب الأنف والأذن والحنجرة، والطب العام، والأشعة. يوضح الشكل 1 الإطار لنتائج التجارب.

figure-protocol-1
الشكل 1: الإطار التجريبي. هذا هو الإطار التجريبي للدراسة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

ملاحظة: تم الحصول على مجموعة البيانات السعودية لقصور الغدة الدرقية من مستشفى الملك فهد المتخصص في الدمام، المملكة العربية السعودية. وهو مستشفى حكومي تابع لجامعة الإمام عبد الرحمن بن فيصل (المعروفة سابقا باسم جامعة الدمام). تقع الدمام في المحافظة الشرقية، ومعظم المرضى ينتمون إلى نفس المنطقة. وبموافقة مجلس مراجعة المؤسسات (IRB)، تم جمع مجموعة البيانات خلال إجراءات الفرز والتجارب القياسية في المستشفى وسجلت كسجلات صحية للمرضى (PHRs) في نظام إدارة المستشفيات، المسجلة خلال الأعوام 2020–2021. تحتوي مجموعة البيانات على اختبارات سريرية قياسية ل 152 مريضا (100 أنثى و52 ذكرا)، تتراوح أعمارهم بين 11 و92 عاما، تم تشخيص 89 منهم بشكل إيجابي بقصور الغدة الدرقية. في المقابل، تم تشخيص ال63 المتبقية بأنهم بدون قصور الغدة الدرقية ولكن بأمراض أخرى مثل مرض الزهايمر. احتوت مجموعة البيانات على 483 خاصة، تم تقليلها إلى 18 أثناء المعالجة المسبقة عن طريق إزالة السمات التي تتجاوز القيم المفقودة 30٪. يوضح الجدول 1 الميزات المستخدمة في هذه الدراسة.

الميزةالوصف 
العمرالعمر بالسنوات.
الجنسذكر أو أنثى.
خلايا الدم البيضاء (الخلايا البيضاء البيضاء (WBC)عدد خلايا الدم البيضاء.
درجة الحرارةدرجة حرارة الجسم بالدرجات المئوية (°C).
خلايا الدم الحمراء (RBC)عدد كريات الدم الحمراء.
الصفائح الدمويةعدد الصفائح الدموية.
MPVمتوسط حجم الصفائح الدموية
جهاز الصدمات النبضيةقياس الأكسجين في الدم (تشبع الأكسجين).
MCHالهيموغلوبين الجسدي المتوسط.
RDWعرض توزيع الخلايا الحمراء.
MCVمتوسط حجم الجسم الجسدي.
MCHCمتوسط تركيز الهيموغلوبين الجسدي
النبضمعدل ضربات القلب.
هيماتوكريتحجم خلايا الدم الحمراء.
ضغط الدم – الانقباضيأعلى ضغط دم.
الهيموغلوبينمستوى الهيموغلوبين في الدم.
BP – انبساطيأدنى ضغط.
معدل التنفسمعدل التنفس في الدقيقة.

الجدول 1: وصف مجموعة البيانات. يعرض هذا الجدول مجموعة بيانات الوصف.

2. التحليل الإحصائي

ملاحظة: يساعد التحليل الإحصائي لمجموعة البيانات في تصور وفهم نمط مجموعة البيانات لتحسين المعالجة المبدئية والنمذجة للبيانات. يعرض الجدول 2 التحليل الإحصائي لمجموعة بيانات مرض قصور الغدة الدرقية، حيث يقارن النتائج في مجموعات العلاج الهرموني وغير المرتبط بالعلاج الهرموني.

  1. للتحقيق فيما إذا كانت الميزات الديموغرافية غير متوازنة بين المجموعات الإيجابية والسلبية، قم بإجراء تحليل إحصائي على برنامج SPSS (الإصدار: 26.0، IBM، الولايات المتحدة الأمريكية).
  2. تجميع البيانات الكمية باستخدام اختبار t عينة مستقل إذا تم تحقيق التوزيع الطبيعي وتجانس التباين، أو اختبار مان-ويتني U.
  3. تجميع بيانات تصنيفية باستخدام اختبار كاي تربيع أو اختبار فيشر الدقيق.
المتغيرقصور الغدة الدرقية (n = 89)قصور الغدة الدرقية غير المعتاد (n = 63)قيمة t / Uقيمة P
العمر43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0.001
معدل التنفس20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
ضغط الدم – الانقباضي117.72 ± 16.46127.85 ± 17.773.3020.001
BP – انبساطي73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
النبض79.09 ± 12.1982.35 ± 12.721.470.145
درجة الحرارة36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
جهاز الصدمات النبضية99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
هيماتوكريت38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
خلايا الدم الحمراء4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
الهيموغلوبين12.70 (11.70, 13.53)12.30 (10.00, 13.85)1.4810.345
RDW13.80 (13.38, 14.93)14.90 (13.80, 16.45)2.2120.002
MCV83.54 ± 6.8585.05 ± 8.531.0420.3
الصفائح الدموية261.23 ± 63.97223.62 ± 68.88−2.9450.004
MCHC33.60 (32.80, 34.02)33.20 (32.30, 34.00)1.3140.06
MCH28.00 (26.55, 29.57)28.10 (26.55, 30.20)1.780.468
MPV8.81 ± 0.878.79 ± 1.38−0.0740.941
خلايا الدم البيضاء6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

الجدول 2: التحليل الإحصائي للميزات. يعرض هذا الجدول التحليل الإحصائي للميزات في كل من مجموعتي HT وغير HT. الاختصارات؛ HT = قصور الغدة الدرقية.

ملاحظة: في الجدول 2، تختلف مجموعات العلاج الهرموني وغير الهرموتي بشكل كبير في العمر، معدل التنفس، ضغط الدم الانقباضي، درجة الحرارة، التشطيج النبضي، الرطوبة العشوائية، الصفائح الدموية، وخلايا الدم البيضاء. لذلك، يمكن استخدام الخصائص الفسيولوجية للتمييز بين المجموعتين.

3. معالجة البيانات مسبقا

  1. يتم تحميل بيانات CSV الخام. مجموعة البيانات المستخدمة في هذه الدراسة بصيغة CSV. أولا، تم استيراد ملف CSV بصيغته الخام. وفيما يلي الشرح:
    clean_data = PD. إطار البيانات (تم تطبيعها، الأعمدة = ['الجنس'، 'العمر'، 'النبض'، 'ضغط الدم - الانقباضي'، 'ضغط الدم - الانبساط'، 'درجة الحرارة'، 'معدل التنفس'، 'MCV'، 'MCH'، 'MCHC'، 'هيماتوكريت'، 'خلايا الدم البيضاء'، 'الهيموغلوبين'، 'خلايا الدم الحمراء'، 'RDW'، 'الصفائح الدموية'، 'MPV'، 'الصدمات النبضية'، 'الوصف'])
  2. قم بإجراء معالجة بيانات مسبقة، بما في ذلك إزالة القيم الشافة، والتعامل مع القيم المفقودة، والتطبيع، لتحسين تمثيل دقة بيانات النموذج.
  3. استخدم Microsoft Excel للمعالجة الأولية لمجموعة البيانات، بما في ذلك إزالة المؤشرات الشافية. أزل المؤشرات الشاذة في 'القياس التأكسجي النبضي'، 'ضغط الدم الانقباضي'، 'ضغط الدم الانبساطي'، و'معدل التنفس' بمخطط تشتت واستبدالها بالوسائل الخاصة بها.
  4. معالجة القيم المفقودة
    استيراد مجموعة البيانات التي تم استيرادها إلى بايثون ومعالجة مسبقة باستخدام مكتبات NumPy وPandas وScikit-learn. استخدم محسوب KNN من مكتبة sklearn للتعامل مع القيم المفقودة.
    ملاحظة: تم استخدام مقياس إقليدي وقيمة أقرب جار مقدارها 5. وفيما يلي الشرح:
    المحسوب = KNNImputer (n_neighbors=5)
    data = imputer.fit_transform(clean_data)
    المقياس = MinMaxScaler()
    scaler.fit(data)
  5. ترميز السلاسل النصية إلى ثنائي.
    ملاحظة: القيمة الصحيحة رقم واحد تمثل 'إيجابي' و'أنثى' في 'الوصف' و'الجنس' على التوالي، بينما الصفر تمثل 'سالبي' و'ذكر' في 'الوصف' و'الجنس' على التوالي. ثم تم تكبير مجموعة البيانات باستخدام MinMaxScaler من مكتبة sklearn، مع تعيين القيم إلى النطاق 0–1. وفيما يلي الشرح:
    مصحح = مقياس التحويل(بيانات)

4. بناء النماذج وتقييمها

ملاحظة: تقسيم البيانات للتحقق المتبادل: بعد تجارب مختلفة مع طيات مختلفة، وجد أن التحقق المتقاطع بعشر أرعاف هو الأمثل وتم استخدامه لاحقا.

  1. درب كل نموذج بمعايير فائقة محددة.
  2. قم باختيار الميزات وإعادة تدريب النماذج على الميزات المختارة.
    ملاحظة: في الدراسة المقترحة، تم استخدام تقنية اختيار الميزات التسلسلية الأمامية. ثم تم تحسين النماذج لتناسب أفضل مجموعة من الميزات. بالنسبة للخطوات 4.1–4.2، تم نشر المقطع الكودي التالي:
    من sklearn.model_selection train_test_split المستورد، GridSearchCV، StratifiedKFold
    kf = StratifiedKFold(n_splits=10,shuffle=صحيح، random_state=1)
    استخدم الشبكة طية k طبقية مع 10 تقسيمات وكانت الدقة هي مقياس التسجيل. الكود أدناه يشرح كيف تم تنفيذ ذلك مع مثال باستخدام SVM.
    المعاملات = {
    'نواة': ['خطي', 'بولي', 'rbf', 'سيغمويد'],
    'C': [1، 2، 3، 4، 5، 6، 7، 8، 9، 10، 100],
    'غاما': [1, 0.1, 0.01, 0.001, 0.0001]
    }svm = SVC(random_state = 1)
    svm_GS = GridSearchCV(svm,
    المعاملات،
    cv=kf,
    التسجيل='الدقة'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(المقدر = svm,
    k_features=(1، 18)،
    إلى الأمام=صحيح،
    عائم = خطأ،
    التقييم='الدقة',
    cv=kf)
  3. قيم مقاييس الأداء واختر النموذج النهائي.
    ملاحظة: مقياس الأداء: استخدمت هذه الدراسة أكثر مقاييس الأداء استخداما في التصنيف، وهي: الدقة، الدقة، الاسترجاع، F1–Score، وفقدان اللوغاريتم. يتم وصف هذه المقاييس بإيجاز أدناه، إلى جانب صياغاتها.
    الدقة (PR): عدد الملاحظات الموجبة الحقيقية التي تنتمي إلى إجمالي الملاحظات الموجبة المتوقعة. يعطى ذلك بالصيغة:
    figure-protocol-2(1)
    الاستدعاء (RE): يمثل عدد الحالات الإيجابية الفعلية المتوقع بأنها إيجابية. يعطى ذلك بالصيغة:
    figure-protocol-3(2)
    الدقة (AC): هذه هي نسبة التنبؤات الصحيحة التي قام بها النموذج. يعطى بواسطة:
    figure-protocol-4(3)
    حيث:
    الإيجابي الحقيقي (TP): عدد حالات قصور الغدة الدرقية المصنفة بشكل صحيح.
    الإيجابي الكاذب (FP): عدد حالات قصور الغدة الدرقية المصنفة بشكل خاطئ.
    السلبية الحقيقية (TN): عدد الحالات المصنفة بشكل صحيح غير قصور الغدة الدرقية.
    السلبية الكاذبة (FN): عدد الحالات غير المصنفة غير المتعلقة بقصور الغدة الدرقية.
    F1–Score: هذا هو المتوسط المرجح للاستدعاء والدقة. يعطى بواسطة
    figure-protocol-5(4)
    فقدان اللوغاريتم: هذا هو مدى تطابق الاحتمال المتوقع مع القيمة الحقيقية الفعلية. هو
    يعطى بواسطة الصيغة:
    figure-protocol-6(5)
    حيث تشير N و M إلى عدد العينات والخصائص على التوالي، يشير Yij إلى ما إذا كانت العينة iتنتمي إلى الفئة jأم لا، Pij يرمز إلى احتمال أن تكون العينة ith تنتمي إلى الفئة jth. كما رسمت هذه الدراسة خاصية تشغيل المستقبل (ROC)، والتي تعد مفيدة في التنبؤ باحتمال حدوث نتيجة ثنائية. تم ذلك للمساعدة في تصور أداء النماذج عند إعدادات العتبة المختلفة. المرجع المرجعي يوضح مدى كفاءة النموذج في التمييز بين الفئات.
  4. استراتيجية التحسين
    ملاحظة: لا يمكن المبالغة في تحسين المعاملات الفائقة لتحقيق أفضل النتائج في أي دراسة تعلم آلة. استخدمت هذه الدراسة GridSearchCV مع التحقق المتقاطع الطبقي بمقدار 10 أضعاف لتحديد المعلمات الفائقة المثلى لكل نموذج. GridSearchCV هو أداة لضبط معلمات النموذج بدقة. يعمل عن طريق تكرار جميع المعلمات المقدمة في شبكة المعلمات واختيار أفضل التركيبات. ضبط المعاملات الفائقة أمر بالغ الأهمية لتحديد أعلى درجات الدقة في كل نموذج. تعرض المعلمات الفائقة لكل نموذج، بما في ذلك النطاق، وأفضل قيمة، والدقة التي أنتجتها، في الجدول 3.
الخوارزميةاسم المعامل الفائقنطاق المعاملات الفائقةأفضل قيمةالدقة باستخدام أفضل قيمة
K-NNالقياس'مينكوفسكي'، 'مانهاتن'، 'إقليدي'مينكوفسكي84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMنواة'خطي'، 'بولي'، 'آر بي إف'، 'سيغمويد'خطي92.76%
التكلفة (C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
غاما1, 0.1, 0.01, 0.001, 0.00011
XGBoostN_estimators5,01,00,15,02,00,25020089.47%

الجدول 3: المعامل الفائق الأمثل. هذا يوضح المعامل الفائق الأمثل لكل نموذج.

تعرض الأشكال 2–4 نهج البحث الشبكي للبحث عن المعلمات الفائقة لتقنيات KNN وSVM وXGBoost وكيفية تنفيذها باستخدام جميع الميزات.

figure-protocol-7
الشكل 2: أداء KNN. هذا هو أداء KNN عبر مقاييس مختلفة وأعداد الجيران. الاختصارات؛ KNN = K أقرب جار. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-protocol-8
الشكل 3: أداء SVM. هذا هو أداء SVM مع قيم النواة ودوال التكلفة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

figure-protocol-9
الشكل 4: أداء XGBoost. هذا هو أداء XGBoost مع قيم Booster و N_estimator مختلفة. الاختصارات؛ XGBoost = تعزيز التدرج الشديد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

  1. إنشاء مصنف تصويت ناعم لتحسين أداء النموذج بشكل أكبر من خلال دمج أفضل المعلمات التي تم الحصول عليها من مصنفي KNN وSVM. يتكون من مصنف KNN واحد ومصنفين SVM.
  2. استبدل أحد نواة SVM ب 'rbf'، ثاني أفضل نواة بعد 'الخطي'.
  3. ملاحظة: تم اختيار المصنفات ومعاملاتها الفائقة لأنها حققت أفضل أداء بعد محاولات عديدة من التجربة والخطأ على جميع المصنفات ومعلماتها الفائقة. بالإضافة إلى ذلك، وبناء على تاريخ طويل في التعامل مع مشاكل التشخيص الاستباقي لمختلف الأمراض باستخدام مجموعات بيانات سريرية تم جمعها بشكل مشابه لتلك في14,15، يظهر هذا المزيج دقة تشخيصية واعدة، كما أظهر في الأقسام التجريبية. يوضح الجدول 4 المصنفات المستخدمة في التصويت الناعم، ومعاملاتها الفائقة، والدقة المنتجة.
الخوارزميةالمصنفاتالمعاملات الفائقةالدقة
مصنف التصويت الناعمK-NNالقياسمينكوفسكي
N_neighbors5
SVM1نواةخطي
التكلفة (C)988.81%
غاما1
SVM2نواةrbf
التكلفة (C)9
غاما1

الجدول 4: معلمات مصنف التصويت الفائقة. هذا يوضح تركيبة مصنف التصويت والمعاملات الفائقة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

أداء النماذج
تمت مقارنة وتحليل أداء النماذج الأربعة التي تم إنشاؤها في هذه الدراسة من حيث دقتها واسترجاعها واختبارها. تم استخدام خوارزمية GridsearchCV لتحديد أفضل معلمة فائقة لكل نموذج باستخدام جميع الميزات. تم تقييم أداء كل نموذج من خلال التحقق المتقاطع الطبقي بمقدار 10 أضعاف. يعرض الجدول 5 نتائج أداء كل نموذج.

المصنف...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

في هذه الدراسة، تم دراسة خوارزميات التعلم الآلي على مجموعة بيانات سريرية سعودية لتطوير نموذج تشخيصي استباقي لقصور الغدة الدرقية. تم إنشاء أربعة نماذج: KNN، SVM، XGBoost، وSoft Voting Ensemble Classifier. حددت جميع النماذج الأربعة العمر ومعدل التنفس كمؤشرات مهمة في التشخيص الاستباقي للمرض. من بين النماذج الأربعة، أظهر مصنف التصويت أداء متفوقا عبر جميع المقاييس المستخدمة في هذه الدراسة. باستخدام خمس ميزات فقط، حقق دقة بلغت 94.73٪، بالإضافة إلى قيم الاسترجاع، والدقة، ونقاط F1 بنسبة 95.50٪ ع...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

تم الحصول على مجموعة البيانات من المستشفى بموجب IRB-2020-09-429. لا يوجد لدى المؤلفين تضارب مصالح للإبلاغ عن الدراسة الحالية.

شكر وتقدير

يرغب المؤلفون في الاعتراف بدعم العاملين في الرعاية الصحية للتحقق من نتائج الدراسة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
اللابتوب/الآلةديلXPS9320ذاكرة RAM 16GB، معالج Intel(R) Core (TM) من الجيل الثاني عشر i7-1260P
إكسل 365مايكروسوفتإكسل 365يستخدم لتخزين البيانات الخام بصيغة csv
بايثون 3.12.12Google colab Notebook بايثون 3.12.12يستخدم في تدريب بناء النماذج 
نومبي 2.0.2Google colab Notebook نومبي 2.0.2يستخدم في تدريب بناء النماذج 
الباندا 2.2.2Google colab Notebook الباندا 2.2.2يستخدم في تدريب بناء النماذج 
سكلينر 1.6.1Google colab Notebook سكلينر 1.6.1يستخدم في تدريب بناء النماذج 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4يستخدم في تدريب بناء النماذج 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2يستخدم في تدريب بناء النماذج 
SPSS آي بي إم، الولايات المتحدة الأمريكيةسكلينر 1.6.1يستخدم في التحليل الإحصائي

المراجع

  1. Biondi, B., Kahaly, G. J., Robertson, R. P. Thyroid dysfunction and diabetes mellitus: two closely associated disorders. Endocr Rev. 40 (3), 789-824 (2018).
  2. Khan, A., Khan, M. M. A., Akhtar, S. Thyroid disorders, etiology and prevalence. J. Med. Sci. 2 (2), 89-94 (2002).
  3. Bianco, A. C. Hypothyroidism. Lancet. 390 (10101), 1550-1562 (2019).
  4. Chiovato, L., Magri, F., Carle, A. Hypothyroidism in context: where we’ve been and where we’re going. Adv. Ther. 36 (2), 47-58 (2019).
  5. Alzahrani, A. S., et al. Diagnosis and management of hypothyroidism in gulf cooperation council (GCC) countries. Adv. Ther. 37 (7), 3097-3111 (2020).
  6. Alhajri, A. H. M., Saleh Al Saad, A. M. S., Idrees, H., Hamednalla Mohamed, O. M., Mohammednoor, M., et al. Prevalence and risk factors of subclinical and overt hypothyroidism in Saudi Arabia: A Systematic Review. Cureus. 17 (6), e86336(2025).
  7. Gaitonde, D. Y., Rowley, K. D., Sweeney, L. B. Hypothyroidism: An update. Am. Fam. Physician. 86 (3), 244-251 (2012).
  8. Bianco, A. C. Emerging therapies in hypothyroidism. Annu. Rev. Med. 75, 307-319 (2024).
  9. Pulungan, A. B., Oldenkamp, M. E., Sarinus, A., Van Trotsenburg, P., Windarti, W., et al. Effect of delayed diagnosis and treatment of congenital hypothyroidism on intelligence and quality of life: an observational study. Horm. Res. Paediatr. 28 (4), 396-401 (2019).
  10. Musleh, D., Rahman, A., Almossaeed, H., Balhareth, F., Alqahtani, G., et al. AI-enabled diagnosis using YOLOv9: leveraging X-Ray image analysis in dentistry. Big Data Cogn. Comput. 10 (1), 16(2026).
  11. Alassaf, R. A., et al. Preemptive diagnosis of chronic kidney disease using machine learning techniques. International Conference on Innovations in Information Technology (IIT), Al Ain, United Arab Emirates, , 99-104 (2018).
  12. Rahman, A., Youldash, M., Alshammari, G., Sebiany, A., Alzayat, J., et al. Diabetic retinopathy detection: a hybrid intelligent approach. Comput. Mat. Contin. 80 (3), 4561-4576 (2024).
  13. Luca, M., Cimitile, M., Iammarino, M., Iammarino, M. Thyroid disease treatment prediction with machine learning approaches. Procedia Comput. Sci. 192, 1031-1040 (2021).
  14. Olatunji, S. O., Alansari, A., Alkhorasani, H., Alsubaii, M., Sakloua, R., et al. Preemptive diagnosis of Alzheimer's disease in the eastern province of Saudi Arabia using computational intelligence techniques. Comput. Intell. Neurosci. 2022, 5476714(2022).
  15. Olatunji, S. O., Alansari, A., Alkhorasani, H., Alsubaii, M., Sakloua, R., et al. A novel ensemble-based technique for the preemptive diagnosis of Rheumatoid Arthritis disease in the eastern province of Saudi Arabia using clinical data. Comput Math Methods Med. 2022, 2339546(2022).
  16. Rahman, A. Geo-spatial disease clustering for public health decision making. Informatica. 46 (6), 21-32 (2022).
  17. Gollapalli, M., Rahman, A., Kudos, S. A., Foula, M. S., Alkhalifa, A. M., et al. Appendicitis diagnosis: ensemble machine learning and explainable artificial intelligence-based comprehensive approach. Big Data Cogn. Comput. 8 (9), 108(2024).
  18. Youldash, M., Rahman, A., Alsayed, M., Sebiany, A., Alzayat, J., et al. Early detection and classification of diabetic retinopathy: a deep learning approach. AI. 5 (4), 2586-2617 (2024).
  19. Zagrouba, R., Khan, M. A., et al. Modelling and simulation of COVID-19 outbreak prediction using supervised machine learning. Comput. Mat. Contin. 66 (3), 2397-2407 (2021).
  20. Wu, X., et al. Top 10 algorithms in data mining. Knowl. Inf. Syst. 14 (1), 1-37 (2008).
  21. Chen, T., Guestrin, C. XGBoost: A Scalable tree boosting system. Proc. ACM SIGKDD, 1, 785-794 (2016).
  22. Atta-ur-Rahman,, Sultan, K., Naseer, I., Majeed, R., Musleh, D., et al. Supervised machine learning-based prediction of COVID-19. Comput. Mat. Contin. 69 (1), 21-34 (2021).
  23. Chang, W., et al. A machine-learning-based prediction method for hypertension outcomes based on medical data. Diagnostics. 9 (4), 178(2019).
  24. Akhtar, T., et al. Effective voting ensemble of homogenous ensembling with multiple attribute-selection approaches for improved identification of thyroid disorder. Electronics. 10 (23), 3026(2021).
  25. Li, Y., et al. Serum Raman spectroscopy combined with deep neural network for analysis and rapid screening of hyperthyroidism and hypothyroidism. Photodiagnosis Photodyn. Ther. 35, 102382(2021).
  26. Ren, W., et al. Dosiomics-based prediction of radiation-induced hypothyroidism in Nasopharyngeal Carcinoma patients. Phys. Medica. 89, 219-225 (2021).
  27. Hu, M., et al. Development and preliminary validation of a machine learning system for thyroid dysfunction diagnosis based on routine laboratory tests. Commun Med. 2 (1), 9(2022).
  28. Chaganti, R., Rustam, F., De La Torre Díez, I., Mazón, J. L. V., Rodríguez, C. L., et al. Thyroid disease prediction using selective features and machine learning techniques. Cancers. 14 (16), 3914(2022).
  29. Almahshi, H. M., Almasri, E. A., Alquran, H., Mustafa, W. A., Alkhayyat, A. Hypothyroidism prediction and detection using machine learning. IICETA, , 159-163 (2022).
  30. Geetha, K., Baboo, S. S. An empirical model for thyroid disease classification using evolutionary multivariate Bayesian prediction method. Glob. J. Comput. Sci. Technol. 16 (1), 1-10 (2016).
  31. Islam, S. S., Haque, S., Miah, M. S. U., Bin, T. Application of machine learning algorithms to predict the thyroid disease risk: an experimental comparative study. PeerJ Comput. Sci. 8 (1), e898 1-35 (2022).
  32. Jha, R., Bhattacharjee, V., Mustafi, A. Increasing the prediction accuracy for thyroid disease: a step towards better health for society. Wirel. Pers. Commun. 122 (2), 1921-1938 (2022).
  33. Cicek, I. B., Kucukakcali, Z. Classification of hypothyroid disease with extreme learning Machine Model. J. Cogn. Syst. 5 (2), 64-68 (2020).
  34. Res, A. M., Evren, B. Estimating hypothyroidism with the bagged CART model based on clinical dataset and identification of risk factors. Ann. Med. Res. 29 (10), 1189-1193 (2022).
  35. Guleria, K., Sharma, S., Kumar, S., Tiwari, S. Early prediction of hypothyroidism and multiclass classification using predictive machine learning and deep learning. Meas. Sensors. 24, 100482(2022).
  36. Bach, M. New undersampling method based on the kNN approach. Procedia Comput Sci. 207 (1), 3403-3412 (2022).
  37. Sajjad, M., Ismail, M., Atta-ur-Rahman,, et al. Generalized and open selection approaches for the population mean: accounting for non-response and measurement error in single-phase sampling. J Stat Theory Appl. 24, 394-411 (2025).
  38. Dash, S., Biswa, S., Banerjee, D., Rahman, A. Edge and fog computing in healthcare: a review. Scalable Computing: Practice and Experience. 20 (2), 191-205 (2019).
  39. Hantom, W. H., Rahman, A. Arabic spam tweets classification: A comprehensive machine learning approach. AI. 5 (3), 1049-1065 (2024).
  40. Arafat, H., Alfeilat, A., Hassanat, A. B. A., Lasassmeh, O., Tarawneh, A. S. Effects of distance measure choice on k-nearest neighbor classifier performance: a review. Big Data. 7 (4), 221-248 (2019).
  41. Brereton, R. G., Lloyd, G. R. Support vector machines for classification and regression. Analyst. 135 (2), 230-267 (2010).
  42. Musleh, D. A., Olatunji, S. O., Almajed, A. A., Alghamdi, A. S., Alamoudi, B. K., et al. Ensemble learning based sustainable approach to carbonate reservoirs permeability prediction. Sustainability. 15 (19), 14403(2023).
  43. Vapnik, V., Golowich, S. E., Ave, M., Hill, M. Support vector method for function approximation, regression estimation, and signal processing. NIPS'96: Proceedings of the 10th International Conference on Neural Information Processing Systems, , 281-287 (1996).
  44. Noble, W. S. What is a support vector machine? Nat. Biotechnol. 24 (12), 1565-1567 (2006).
  45. Sharifmousavi, S. S., Borhani, M. S. Support vector machine-based model for diagnosis of multiple sclerosis using the plasma levels of selenium, vitamin B12, and vitamin D3. Informatics Med. Unlocked. 20, 100382(2020).
  46. Brownlee, J. A Gentle introduction to XGBoost for applied machine learning. , MachineLearningMastery.com (2021).
  47. Chen, M., Liu, Q., Chen, S., Liu, Y., Zhang, C., et al. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system. IEEE Access. 7 (1), 13149-13158 (2019).
  48. Alabbad, D. A., Ajibi, S. Y., Alotaibi, R. B., Alsqer, N. K., Alqahtani, R. A., et al. Birthweight range prediction and classification: a machine learning-based sustainable approach. Mach. Learn. Knowl. Extr. 6 (2), 770-788 (2024).
  49. Ahmed, M. I. B., Zaghdoud, R. A., Al-Abdulqader, M., Kurdi, M., Altamimi, R., et al. Ensemble machine learning based identification of adult epilepsy. Math. Model. Eng. Probl. 10 (1), 84-92 (2023).
  50. Manconi, A., Armano, G., Gnocchi, M., Milanesi, L. A soft-voting ensemble classifier for detecting patients affected by COVID-19. Appl. Sci. 12 (1), 7554(2022).
  51. Gollapalli, M., et al. A novel stacking ensemble for detecting three types of diabetes mellitus using a Saudi Arabian dataset: pre-diabetes, T1DM, and T2DM. Comput. Biol. Med. 147, 105757(2022).
  52. Rahman, A., Abbas, S., Gollapalli, M., Ahmed, R., Aftab, S., et al. Rainfall prediction system using machine learning fusion for smart cities. Sensors. 22 (9), 3504(2022).
  53. Alotaibi, S. M., Atta-ur-Rahman,, Basheer, M. I., Khan, M. A. Ensemble machine learning based identification of pediatric epilepsy. Comput. Mat. Contin. 68 (1), 149-165 (2021).
  54. Adnan Khan, M., Abbas, S., Atta, A., Ditta, A., Alquhayz, H., et al. Intelligent cloud-based heart disease prediction system empowered with supervised machine learning. Comput. Mat. Contin. 65 (1), 139-151 (2020).
  55. Sharma, R., Mahanti, G. K., Panda, G., Rath, A., Dash, S., et al. Comparative performance analysis of binary variants of FOX optimization algorithm with half-quadratic ensemble ranking method for thyroid cancer detection. Sci. Rep. 13 (1), 19598(2023).
  56. Ahmed, M. S., Rahman, A., AlGhamdi, F., AlDakheel, S., Hakami, H., et al. Joint diagnosis of pneumonia, COVID-19, and tuberculosis from chest x-ray images: a deep learning approach. Diagn. 13 (15), 2562(2023).
  57. Dalal, S., Lilhore, U. K., Faujdar, N., et al. Enhancing thyroid disease prediction with improved XGBoost model and bias management techniques. Multimed Tools Appl. 84, 16757-16788 (2025).
  58. Rahman, A. Solar panel surface defect and dust detection: deep learning approach. J. Imaging. 11 (9), 287(2025).
  59. Sadek, S. H., Khalifa, W. A., Azoz, A. M. Pulmonary consequences of hypothyroidism. Ann. Thorac. Med. 12 (3), 204-208 (2017).
  60. Haghbin, M., Razmjooei, F., Abbasi, F., Rouhie, R., Pourabbas, P., et al. Evaluation of the hematological parameters, inflammatory biomarkers, and thyroid hormones in hypothyroidism patients. BMC Res. Notes. 17 (1), 390(2024).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

2026 © حقوق الطبع والنشر MyJoVE Corporation. جميع الحقوق محفوظة.