Methodenartikel

Frühe Diagnose von Hypothyreose in der Ostprovinz Saudi-Arabiens mittels computergestützter Intelligenztechniken

177 Ansichten

⸱

DOI:

10.3791/70065

⸱

22. Mai 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

In diesem Artikel

Zusammenfassung

Diese Studie untersucht vier maschinelle Lernalgorithmen: K-nearest neighbors (KNN), Support Vector Machine (SVM), extreme gradient boosting (XGBoost) und einen Soft-Voting-Ensemble-Klassifikator zur proaktiven Diagnose von Hypothyreose. Die Algorithmen wurden auf Grundlage einer kritischen Literaturübersicht ausgewählt und auf einem lokal gesammelten Datensatz aus Saudi-Arabien verwendet.

Zusammenfassung

Hypothyreose ist eine der häufigsten, aber unterdiagnostizierten medizinischen Erkrankungen in Saudi-Arabien. Sie tritt häufiger bei älteren und schwangeren Frauen sowie bei Patienten mit Diabetes und Schlafapnoe auf. Hypothyreose ist dadurch gekennzeichnet, dass die Schilddrüse unzureichende Schilddrüsenhormone produziert, was unbehandelt zu weiteren chronischen Erkrankungen führen kann. Aus diesem Grund schlägt diese Studie maschinelle Lerntechniken vor, um diese Krankheit präventiv anhand eines einfachen klinischen Datensatzes aus Saudi-Arabien zu diagnostizieren. Angesichts der Datengröße dient diese Arbeit als Proof of Concept. Algorithmen wie KNN, SVM, Gradient Boosting und Soft Voting Ensemble Classifier wurden aufgrund ihrer vielversprechenden Leistung bei der proaktiven Diagnose von Hypothyreose und assoziierten Erkrankungen im Vergleich zu anderen literarischen Algorithmen ausgewählt. Das am besten abschneidende Modell war der Soft-Voting-Ensemble-Klassifikator, der eine Genauigkeit von 94,7 % erreichte. SVM, KNN und XGBoost erreichten jeweils 94 %, 93,42 % und 92,1 % Genauigkeiten. Diese Ergebnisse wurden mittels 10-facher Kreuzvalidierung und vorwärtssequentieller Merkmalsauswahl erzielt.

Einleitung

Die Schilddrüsenfunktionsstörung (TD) ist eine der häufigsten chronischen endokrinen Erkrankungen mit unterschiedlicher Prävalenz zwischen Populationen1. Die beiden häufigsten Schilddrüsenerkrankungen sind Schilddrüsenunterfunktion und Hyperthyreose. Hypothyreose ist eine häufige Erkrankung, die durch eine unzureichende Produktion von Schilddrüsenhormonen verursacht wird. Obwohl es im Allgemeinen mit Behandlung behandelbar ist, kann es in schweren Fällen tödlich sein, wenn es nicht behandelt wird. Die häufigsten Symptome einer Schilddrüsenunterfunktion bei Erwachsenen sind Müdigkeit, Verstopfung, Lethargie, Gewichtszunahme, trockene Haut und Stimmveränderungen. Allerdings können die klinischen Erscheinungen je nach Alter, Geschlecht und anderen Faktoren variieren3. Es wird berichtet, dass die Krankheit 5 % der Allgemeinbevölkerung betrifft, weitere 5 % bleiben undiagnostiziert, während 99 % dieser Patienten an primärer Schilddrüsenunterfunktion leiden. Sie ist in den Arabischen Golfstaaten weit verbreitet, wird jedoch oft unterdiagnostiziert4. Angeborene Schilddrüsenunterfunktion betrifft etwa eines von 3.450 Babys in Saudi-Arabien. Andere Querschnittsstudien, die sich ausschließlich auf Frauen konzentrierten, berichteten von höheren Prävalenzraten zwischen 13 % und 35 %. Außerdem wird bewiesen, dass Weibchen anfälliger sind als Männchen6. Hypothyreose kann, wenn sie unbehandelt bleibt, zu Dyslipidämie, kognitiven Beeinträchtigungen, Bluthochdruck, Unfruchtbarkeit und neuromuskulärer Dysfunktionführen. Daher zielt diese Studie darauf ab, maschinelles Lernen einzusetzen, um eine Hypothyreose proaktiv anhand eines Datensatzes des King Fahad Specialist Hospital (KFUH) in Dammam, Saudi-Arabien, zu diagnostizieren.

Eine Schilddrüsenunterfunktion kann schwer zu diagnostizieren sein, da die Symptome oft mit anderen Krankheiten verwechselt werden8. Außerdem kann eine späte Diagnose einer Schilddrüsenunterfunktion die intellektuellen Fähigkeiteneines Patienten negativ beeinflussen. Der Schilddrüsenstimulierende Hormontest (TSH) ist die am häufigsten verwendete diagnostische Methode zur Erkennung von Hypothyreose9. Das Aufkommen von künstlicher Intelligenz und maschinellem Lernen, Strategien und Werkzeugen hat jedoch dazu beigetragen, diagnostische und prognostische Probleme in verschiedenen medizinischen Bereichen zu lösen. ML wird verwendet, um die Bedeutung klinischer Faktoren und deren Kombinationen für die Prognose zu bewerten, wie zum Beispiel die Vorhersage des Krankheitsverlaufs, die Gewinnung medizinischer Erkenntnisse für die Outcome-Forschung, Therapieplanung und -unterstützung sowie die allgemeine Patientenversorgung10. Mit großen medizinischen Datenmengen haben Mediziner nun eine wertvolle Ressource, um neues und potenziell wertvolles Wissen durch maschinelles Lernen11,12 zu entdecken.

Mit einem einfachen klinischen Datensatz aus dem saudischen Datensatz soll diese Studie Gesundheitsfachkräfte im Land bei der frühzeitigen Diagnose von Hypothyreose unterstützen und dieses prädiktive System in Krankenhäusern mit begrenzten Computerressourcen und Ausrüstung implementieren. Außerdem nutzten frühere Studien auf diesem Gebiet den saudischen Datensatz nicht. Dies bietet die Möglichkeit, den saudischen Datensatz mit früheren Forschungen zu verbinden. Die Studien nutzten einen saudischen Datensatz, um Nierenerkrankungen, Diabetes, Schilddrüsenerkrankungen und Alzheimer vorherzusagen und erreichten eine hohe Genauigkeitvon 13,14,15. Diese Erfahrung motiviert die Anwendung dieser Methoden auf andere Krankheiten in Saudi-Arabien. Die Studien gehören zu den neuesten Arbeiten im Bereich maschinelles Lernen und künstlicher Intelligenz im medizinischen Bereich 16,17,18,19.

Die vorgeschlagene Studie behandelt den Einsatz von Machine-Learning-Techniken auf einem einfachen klinischen saudischen Datensatz für Hypothyreose, um das Vorhandensein der Krankheit vorherzusagen, bevor sie vollständig symptomatisch wird. Ziel ist es, ein auf maschinellem Lernen basierendes System zu entwickeln, das frühzeitige Warnungen vor einem möglichen Auftreten einer Schilddrüsenunterfunktion liefert. Außerdem wird es lokalen Krankenhäusern mit begrenzter Ausstattung erleichtern, dieses Diagnosesystem zu nutzen. Diese Studie ist die erste, die diese Krankheit anhand des saudischen Datensatzes untersucht und sich auf das präsymptomatische Stadium konzentriert. Der Datensatz deckt eine breite Patientenpopulation lokaler saudischer Krankenhauspatienten ab, mit einem breiten Altersbereich und einer Mischung aus positiven und negativen Fällen von Hyperthyreose.

Diese Studie nutzte vier maschinelle Lernalgorithmen: Support Vector Machine (SVM), K-nearest neighbors (KNN), eXtreme gradient boosting (XGBoost) und einen Soft-Voting Ensemble-Klassifikator, der aus SVM und KNN bestand. Jeder der vier Algorithmen hat seine Fähigkeiten im medizinischen Bereich bewiesen. Der KNN-Algorithmus wurde wegen seiner Einfachheit und der Erreichung einer Testgenauigkeit von 77,5 % bei der präventiven Diagnose von Diabetes mellitus (DM)20 ausgewählt. Gleichzeitig wurde SVM wegen seiner Robustheit21 ausgewählt und kürzlich zur Vorhersage des Sterblichkeitsrisikos bei COVID-19-Patientenverwendet. Darüber hinaus wurde XGBoost wegen seiner starken Leistung23 ausgewählt, mit einer genauen Prädiktionsbewertung von 94 % für Hypertonie-Ergebnisse, und Stacking wurde eingesetzt, um die Ergebnisse der besten Algorithmen zu verbessern.  Zusätzlich wurde ein Voting-Ensemble-Klassifikator verwendet, um Schilddrüsenerkrankungen mit 100%iger Genauigkeitzu identifizieren 24.

Das Hauptziel der aktuellen Studie ist die frühzeitige Diagnose einer Hypothyreose in einer saudischen Bevölkerung unter Verwendung von originalen routinemäßigen klinischen Daten und hochmodernen maschinellen Lernalgorithmen. Die vier in dieser Studie verwendeten Techniken wurden auf der Jupyter-Plattform mit der Programmiersprache Python implementiert, wobei der Hypothyreose-Datensatz verwendet wird. Eine 10-fache Kreuzvalidierung mit Hyperparameter-Abstimmung wurde eingesetzt, um die Leistung zu verbessern. Anschließend wurde die sequentielle Merkmalsauswahl mit einer Vorwärtsselektionstechnik implementiert, wodurch der abstimmende Ensemble-Klassifikator die höchste Genauigkeit von 94,7 % erreichte. SVM, KNN und XGBoost folgten darauf. Bezüglich des Abrufs erzielte der Soft Voting Ensemble-Klassifikator mit 95,5 % die höchste Punktzahl. Insgesamt war das optimale Modell für die präemptive Hypothyreose-Diagnose der Soft-Voting-Ensemble-Klassifikator, der in allen in dieser Studie bewerteten Leistungskennzahlen die höchste Punktzahl erzielte.

Mehrere Studien wurden zur Diagnose allgemeiner Schilddrüsenerkrankungen und zur Einführung von Technologien, insbesondere maschinellem Lernen, als computergestützte Lösung durchgeführt. LSTM-CNN, AlexNet, das angepasste GoogLeNet, IndRNN–CNN und die angepassten ResNet-Deep-Learning-Modelle wurden mittels Raman-Spektroskopie eingesetzt, um Serumproben von 32 Patienten mit Hypothyreose, 38 Patienten mit Hyperthyreose und 29 Kontrollpersonen zu unterscheiden. Ihr Modell erzielte eine Genauigkeit von 84 %, 91 %, 75 %, 82 % bzw. 71 %,25 %.

Maschinelle Lernalgorithmen wie SVM, KNN, logistische Regression und Random Forest wurden zur Vorhersage der Inzidenz von strahleninduzierter Schilddrüsenunterfunktion bei Patienten mit nasopharyngealem Karzinomeingesetzt 26. Ihr Modell erreichte einen AUC-Wert von 0,7. Darüber hinaus setzten die Autoren verschiedene maschinelle Lernalgorithmen ein, um den Behandlungsverlauf von Patienten mit Hypothyreose, die sich einer LT4-Behandlung unterziehen, vorherzusagen. Unter 10 Klassifikatoren erzielte der Extra-Baum-Klassifikator die höchste Genauigkeit von 84 %.

In einer weiteren Studie entwickelten und testeten die Autoren eine Machine-Learning-Strategie zur Identifizierung von Menschen mit Hyperthyreose und Hypothyreose, die von einer sofortigen medizinischen Behandlung profitierenwürden 27. Sie setzten Gradient Boosting Decision Tree (GBDT), SVM, ANN und logistische Regressionsalgorithmen ein. Ihre Modelle erzielten einen AUROC von 93,8 % bzw. 90,9 % für Hyperthyreose bzw. Hypothyreose. In einer weiteren Studie nutzten die Autoren maschinelles Lernen, um Schilddrüsenerkrankungen zu erkennen, darunter Schilddrüsenunterfunktion und Hyperthyreose. Ihre Modelle umfassten SVM, ANN, KNN, logistische Regression und Entscheidungsbaum, wobei die höchste Genauigkeit von 96,92 % durch Logistic Regression28 erreicht wurde. Kürzlich wandte eine Forschergruppe verschiedene Methoden an, darunter SVM, Entscheidungsbaum, Naïve Bayes und Ensemble, um eine Hypothyreose vorherzusagen und zu erkennen. Der Entscheidungsbaum erzielte mit 97,6 % die höchste Genauigkeit. Eine weitere Studie nutzte den hybriden Differentialevolution-Kernel-basierten Naïve-Bayes-Algorithmus, um die Attribute eines Schilddrüsendatensatzes für Hyperthyreose- und Hypothyreose-Erkrankungen von 21 auf 10 zu reduzieren. Später wandten sie den kernelbasierten Naïve-Bayes-Klassifikator auf die Feature-Teilmenge an und erreichten eineGenauigkeit von 97,97 % von 30. Ebenso verwendeten die Autoren in einer anderen Studie mehrere maschinelle Lernalgorithmen, um das Risiko einer Schilddrüsenerkrankung anhand des Sick-Euthyroid-Datensatzes der California University vorherzusagen. Ihr Experiment zeigte, dass ANN alle anderen Methoden übertraf und eine Genauigkeit von 95 % erreichte. Darüber hinaus nutzten Jha et al. vorgeschlagene Feature-Augmentation-Techniken auf Basis tiefer neuronaler Netzwerke, um Schilddrüsenerkrankungen vorherzusagen und erreichten eine herausragende Genauigkeit von 99,95 %.

Laut früherer Literatur wurde ein homogenes Abstimmungsensemble mit multipler Attributauswahl verwendet, um Schilddrüsenerkrankungen zu identifizieren, wobei folgende Algorithmen verwendet wurden: Random Forest, Gradient Boosting, Entscheidungsbaum und logistische Regression, wobei eine 100%ige Genauigkeitvon 24 erreicht wurde. Darüber hinaus wandten die Autoren das Extreme-Learning-Maschinenmodell auf den Open-Access-Datensatz für Hypothyreose auf Kaggle an und erreichten eine Genauigkeit von 92 %. Der Datensatz enthielt 3772 Stichproben: 3481 Hypothyreose und der Rest negativ33. Kürzlich verwendeten die Autoren in einer Studie Beutel-CART, um eine Hypothyreose zu klassifizieren. Ihr vorgeschlagenes Modell erreichte eine beeindruckende Genauigkeit von 99,9 %. Außerdem wurden T4U, TSH und TBG als die signifikantsten Faktoren identifiziert, die mit Hypothyreoseassoziiert sind. In einer weiteren Studie schlugen die Autoren verschiedene Machine-Learning- und Deep-Learning-Modelle vor und verglichen sie, in denen Decision Tree und Random Forest eine Genauigkeit von 99,5 % bzw. 99,3 % erreichten. Sie verwendeten einen Weka-Datensatz mit 30 Attributen und 3772 Stichproben,35.

Diese kurze Literaturübersicht zeigt, dass, obwohl die meisten angewandten Methoden sehr gute bis ausgezeichnete Ergebnisse erzielten, keine einen einfachen klinischen Datensatz aus Saudi-Arabien verwendet hat. Es wurde auch festgestellt, dass die meisten betrachteten Veröffentlichungen Bilddatensätze verwendeten, was die Arbeit für die Datenerhebung erhöhte und die Anwendung sehr komplexer Modelle von nicht-technischen Personen erschwerte. Darüber hinaus wurden die meisten dieser Arbeiten zu allgemeinen Schilddrüsenerkrankungen durchgeführt, wobei nur sehr wenige Publikationen die Hypothyreose betonten. Diese Situation bietet die Möglichkeit, grundlegende Machine-Learning-Modelle auf einem einfachen klinischen Datensatz aus dem saudischen Datensatz zu untersuchen, um lokale Krankenhäuser mit begrenzter computergestützter Ausrüstung bei der präventiven Diagnose der Krankheit zu unterstützen.

Die kurze Einführung in die in der aktuellen Studie untersuchten Algorithmen findet sich in Supplementary File 1. Die vier Algorithmen sind K-Nearest Neighbor (KNN)36,37,38,39,40, Support Vector Machine (SVM)41,42,43,44,45, Extreme Gradient Boosting (XGBoost)46,47,48 und Voting Ensemble49,50.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

1. Methodik

HINWEIS: Wie in der Materialtabelle beschrieben, wurde das Experiment für diese Forschung in Python am Jupyter Notebook durchgeführt, das zur Entwicklung von Machine-Learning-Modellen zur präventiven Diagnose von Hypothyreose verwendet wurde. Microsoft Excel und die Python Scikit-Learn Bibliothek wurden in der Vorverarbeitungsphase verwendet. K-nearest neighbor (KNN), Support Vector Machine (SVM), extreme gradient boosting (XGBoost) und ein Soft-Voting-Ensemble-Klassifikator aus KNN und SVM wurden dann verwendet, um den Datensatz zu trainieren, wobei GridSearchCV und 10-fache Kreuzvalidierung optimale Hyperparameter erhielten. Zusätzlich wurde die Merkmalsbedeutung für jeden Klassifikator mittels Permutationsprämienz dargestellt.

  1. Verwenden Sie sequentielle Feature-Auswahl mithilfe der Weiterleitungstechnik der mxl-tenden-Bibliothek.
  2. Wenden Sie den sequentiellen Feature-Selektor auf alle Modelle mit 10-facher Cross-Validation an, um die beste Feature-Teilmenge auszuwählen.
  3. Bewerten Sie die durchschnittliche Genauigkeit, Rückruf, Genauigkeit, F1-Score und Log-Verlust aller erstellten Modelle mittels 10-facher Kreuzvalidierung, um das beste Modell zu identifizieren.
  4. Zusätzlich werden Verwirrungsmatrizen und Flächen unter den Empfänger-Betriebscharakteristik (AUROC)-Kurven für jedes Modell unter Verwendung optimaler Hyperparameter und der besten Merkmals-Teilmenge erzeugt.
  5. Validieren Sie die Diagnoseergebnisse durch ein Team von drei Experten für Hals-Nasen-Ohren-Heilkunde, Allgemeinmedizin und Radiologie. Abbildung 1 beschreibt den Rahmen für die experimentellen Ergebnisse.

figure-protocol-1
Abbildung 1: Experimenteller Rahmen. Dies ist der experimentelle Rahmen der Studie. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

HINWEIS: Der saudische Datensatz für Hypothyreose wurde vom King Fahad Specialist Hospital (KFSH) in Dammam, Saudi-Arabien, bezogen. Es ist ein öffentliches Krankenhaus, das der Imam Abdulrahman bin Faisal Universität (früher bekannt als Universität von Dammam) angeschlossen ist. Dammam liegt in der östlichen Provinz, und die meisten Patienten stammen aus derselben Region. Mit Genehmigung des institutionellen Überprüfungsausschusses (IRB) wurde der Datensatz während der Standardtriageverfahren und Studien im Krankenhaus erhoben und als Patientendaten (PHRs) im Krankenhausmanagementsystem erfasst, registriert in den Jahren 2020–2021. Der Datensatz enthält standardmäßige klinische Tests von 152 Patienten (100 weiblich und 52 männlich) im Alter von 11 bis 92 Jahren, von denen 89 positiv mit einer Hypothyreose diagnostiziert wurden. Im Gegensatz dazu wurden die übrigen 63 als ohne Hypothyreose, aber mit anderen Krankheiten wie Alzheimer diagnostiziert. Der Datensatz enthielt 483 Attribute, die während der Vorverarbeitung auf 18 reduziert wurden, indem Attribute mit fehlenden Werten von über 30 % entfernt wurden. Tabelle 1 zeigt die in dieser Studie verwendeten Merkmale.

AusstattungBeschreibung 
AlterAlter in Jahren.
GeschlechtMännlich oder weiblich.
Weiße Blutkörperchen (WBC)Anzahl der weißen Blutkörperchen.
TemperaturKörpertemperatur in Grad Celsius (°C).
Rote Blutkörperchen (RBC)Zahl der roten Blutkörperchen.
BlutplättchenThrombozytenzahl.
MPVMittleres Thrombozytenvolumen
PulsoximetrieDie Messung des Sauerstoffs im Blut (Sauerstoffsättigung).
MCHMittleres korpuskuläres Hämoglobin.
RDWBreite der roten Blutkörperzellen.
MCVMittleres Korpuskulärvolumen.
MCHCMittlere korpuskuläre Hämoglobinkonzentration
PulsHerzfrequenz.
HämatokritDas Volumen der roten Blutkörperchen.
BP – SystolischDer höchste Blutdruck.
HämoglobinHämoglobinspiegel im Blut.
BP – DiastolischDer niedrigste Druck.
AtemfrequenzAtemfrequenz pro Minute.

Tabelle 1: Beschreibung des Datensatzes. Diese Tabelle präsentiert den Beschreibungsdatensatz.

2. Statistische Analyse

HINWEIS: Die statistische Analyse des Datensatzes hilft, das Muster des Datensatzes zu visualisieren und zu verstehen, um die Datenvorverarbeitung und Modellierung zu verbessern. Tabelle 2 zeigt die statistische Analyse des Hypothyreose-Datensatzes und vergleicht die Ergebnisse in den HT- und Nicht-HT-Gruppen.

  1. Um zu untersuchen, ob die demografischen Merkmale zwischen positiven und negativen Gruppen unausgewogen sind, führen Sie eine statistische Analyse mit SPSS-Software durch (Version: 26.0, IBM, USA).
  2. Stellen Sie die quantitativen Daten mit einem unabhängigen Stichproben-t-Test zusammen, wenn die Normalverteilung und Varianzhomogenität erfüllt sind, oder mit dem Man-Whitney-U-Test.
  3. Kategorische Daten mit Chi-Quadrat-Test oder Fishers exaktem Test zusammenstellen.
VariableHypothyreose (n = 89)Nicht-Schilddrüsenunterfunktion (n = 63)t / U-WertP-Wert
Alter43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0,001
Atemfrequenz20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
BP – Systolisch117,72 ± 16,46127,85 ± 17,773.3020.001
BP – Diastolisch73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
Puls79.09 ± 12.1982,35 ± 12,721.470.145
Temperatur36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
Pulsoximetrie99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
Hämatokrit38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
Rote Blutkörperchen4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
Hämoglobin12.70 (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
Blutplättchen261,23 ± 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
Weiße Blutkörperchen6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tabelle 2: Statistische Analyse der Merkmale. Diese Tabelle zeigt die statistische Analyse der Merkmale sowohl in der HT- als auch in der Nicht-HT-Gruppe. Abkürzungen; HT = Hypothyreose.

HINWEIS: In Tabelle 2 unterscheiden sich die HT- und Nicht-HT-Gruppen signifikant in Alter, Atemfrequenz, Blutdruck-systolisch, Temperatur, Pulsoximetrium, RDW, Blutplättchen und weißen Blutkörperchen. Daher könnten physiologische Merkmale verwendet werden, um die beiden Gruppen zu unterscheiden.

3. Datenvorverarbeitung

  1. Lade die rohen CSV-Daten. Der für diese Studie verwendete Datensatz liegt im CSV-Format vor. Zuerst wurde die CSV-Datei im Rohformat importiert. Sie ist unten aufgeführt:
    clean_data = PD. DataFrame (normalisiert, Spalten=['Geschlecht','Alter','Puls','Blutdruck - Systolisch','Blutdruck – Diastolisch', 'Temperatur', 'Atemfrequenz', 'MCV', 'MCH', 'MCHC', 'Hämatokrit', 'Weiße Blutkörperchen', 'Hämoglobin', 'Rote Blutkörperchen', 'RDW', 'Thrombozyten', 'MPV', 'Pulsoximetrie', 'Beschreibung')
  2. Führen Sie Datenvorverarbeitung durch, einschließlich Entfernung von Ausreißern, Behandlung fehlender Werte und Normalisierung, um die Datendarstellung und Genauigkeit des Modells zu verbessern.
  3. Verwenden Sie Microsoft Excel für die Erstbearbeitung des Datensatzes, einschließlich der Entfernung von Ausreißern. Entfernen Sie die Ausreißer in 'Pulsoximetrie', 'Blutdruck-Systolisch', 'Blutdruck-Diastolisch' und 'Atemfrequenz' mit einem Streudiagramm und ersetzen Sie sie durch ihre jeweiligen Mittelwerte.
  4. Behandlung fehlender Werte
    Der Import des Datensatzes wurde in Python importiert und mit den Bibliotheken NumPy, Pandas und Scikit-learn vorverarbeitet. Verwenden Sie den KNN-Imputer aus der sklearn-Bibliothek, um fehlende Werte zu handhaben.
    HINWEIS: Die euklidische Metrik und ein nächstgelegener Nachbarwert von 5 wurden verwendet. Sie ist unten aufgeführt:
    imputer = KNNImputer(n_neighbors=5)
    Daten = imputer.fit_transform(clean_data)
    scaler = MinMaxScaler()
    scaler.fit(data)
  5. Kodiere die Strings in Binärcode.
    HINWEIS: Der ganzzahlige Wert eins repräsentierte 'Positiv' und 'Weiblich' in 'Beschreibung' bzw. 'Geschlecht', während Null 'Negativ' und 'Männlich' in 'Beschreibung' bzw. 'Geschlecht' darstellte. Der Datensatz wurde anschließend mit dem MinMaxScaler aus der sklearn-Bibliothek skaliert und Werte auf den Bereich 0–1 abgebildet. Sie ist unten aufgeführt:
    normalisiert = scaler.transform(data)

4. Modellbau und -bewertung

HINWEIS: Datenaufteilung für die Kreuzvalidierung: Nach verschiedenen Experimenten mit unterschiedlichen Faltungen erwies sich die 10-fache Kreuzvalidierung als optimal und wurde anschließend eingesetzt.

  1. Trainiere jedes Modell mit festgelegten Hyperparametern.
  2. Führen Sie die Auswahl von Merkmalen durch und trainieren Sie die Modelle auf ausgewählten Merkmalen neu.
    HINWEIS: In der vorgeschlagenen Studie wurde eine vorwärts-sequentielle Merkmalsauswahltechnik angewandt. Die Modelle wurden dann auf den besten Funktionsumfang optimiert. Für die Schritte 4.1–4.2 wurde folgendes Codesegment bereitgestellt:
    von sklearn.model_selection Import train_test_split, GridSearchCV, StratifiedKFold
    kf = StratifiedKFold(n_splits=10,shuffle=True, random_state=1)
    Der Gridearch verwendete geschichtete k-fache mit 10 Splits und Genauigkeit war die Wertungsmetrik. Der untenstehende Code erklärt, wie dies ausgeführt wurde, anhand eines Beispiels mit SVM.
    Parameter = {
    'Kernel': ['linear', 'poly', 'rbf', 'sigmoid'],
    'C': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 100],
    'gamma': [1, 0,1, 0,01, 0,001, 0,0001]
    }svm = SVC(random_state = 1)
    svm_GS = GridSearchCV(svm,
    Parameter,
    cv=kf,
    Wertung='Genauigkeit'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(Schätzer=svm,
    k_features=(1, 18),
    forward=True,
    floating=Falsch,
    Wertung='Genauigkeit',
    cv=kf)
  3. Bewerten Sie Leistungskennzahlen und wählen Sie das endgültige Modell aus.
    HINWEIS: Leistungsmaß: Diese Studie verwendete die am häufigsten verwendeten Leistungskennzahlen in der Klassifikation, nämlich: Genauigkeit, Präzision, Rückruf, F1–Score und Log-Verlust. Diese Leistungskennzahlen werden im Folgenden kurz zusammen mit ihren Formeln beschrieben.
    Präzision (PR): Die Anzahl der wirklich positiven Beobachtungen, die zu den insgesamt erwarteten positiven Beobachtungen gehören. Es wird durch die folgende Formel gegeben:
    figure-protocol-2(1)
    Rückruf (RE): Geben Sie die Anzahl der tatsächlich als positiv vorhergesagten positiven Fälle an. Es wird durch die folgende Formel gegeben:
    figure-protocol-3(2)
    Genauigkeit (AC): Dies ist der Prozentsatz der korrekten Vorhersagen, die das Modell gemacht hat. Es ist gegeben durch:
    figure-protocol-4(3)
    Wobei:
    True Positive (TP): Anzahl korrekt klassifizierter Fälle von Hypothyreose.
    Falsch-positiv (FP): Anzahl falsch klassifizierter Fälle von Hypothyreose.
    True Negative (TN): Anzahl der korrekt klassifizierten Fälle von Nicht-Hypothyreose.
    Falsch negativ (FN): Anzahl falsch klassifizierter Fälle von Nicht-Hypothyreose.
    F1–Score: Dies ist der gewichtete Durchschnitt aus Rückruf und Genauigkeit. Es ist gegeben durch
    figure-protocol-5(4)
    Log-Verlust: So genau entspricht die vorhergesagte Wahrscheinlichkeit dem tatsächlichen tatsächlichen Wert. Es
    ist gegeben durch die Formel:
    figure-protocol-6(5)
    Wobei N und M jeweils die Anzahl der Stichproben und Merkmale bezeichnen, bezeichnet Yij, ob i-teStichprobe zur j-tenKlasse gehört oder nicht. Pij bezeichnet die Wahrscheinlichkeit, dass die i-te Stichprobe zur j-tenKlasse gehört. Diese Studie zeigte auch die Empfänger-Betriebscharakteristik (ROC), die nützlich ist, um die Wahrscheinlichkeit eines binären Ergebnisses vorherzusagen. Dies wurde gemacht, um die Leistung der Modelle bei verschiedenen Schwellenwerten zu visualisieren. Das ROC gibt an, wie gut ein Modell darin ist, zwischen Klassen zu unterscheiden.
  4. Optimierungsstrategie
    HINWEIS: Die Hyperparameteroptimierung kann nicht hoch genug betont werden, um in jeder Machine-Learning-Studie die besten Ergebnisse zu erzielen. Diese Studie nutzte GridSearchCV mit geschichteter 10-facher Kreuzvalidierung, um die optimalen Hyperparameter für jedes Modell zu bestimmen. GridSearchCV ist ein Werkzeug zur Feinabstimmung der Parameter eines Modells. Es funktioniert, indem alle im Parametergitter bereitgestellten Parameter in Schleifen gelaufen sind und die besten Kombinationen ausgewählt werden. Hyperparameter-Abstimmung ist entscheidend, um die höchste Genauigkeit in jedem Modell zu bestimmen. Die Hyperparameter jedes Modells, einschließlich Reichweite, bester Wert und erzielter Genauigkeit, sind in Tabelle 3 dargestellt.
AlgorithmusHyperparameternameHyperparameterbereichBestes Preis-Leistungs-VerhältnisGenauigkeit mit dem besten Wert
K-NNMetrik'Minkowski', 'Manhattan', 'Euklidisch'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMKernel'linear', 'poly', 'rbf', 'sigmoid'Linear92.76%
Kosten (C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
Gamma1, 0.1, 0.01, 0.001, 0.00011
XGBoostN_estimators5,01,00,15,02,00,25020089.47%

Tabelle 3: Optimaler Hyperparameter. Dies zeigt den optimalen Hyperparameter jedes Modells.

Die Abbildungen 2–4 zeigen den Rastersuchansatz für die Hyperparametersuche für die KNN-, SVM- und XGBoost-Techniken und wie diese mit allen Funktionen implementiert wurden.

figure-protocol-7
Abbildung 2: KNN-Leistung. Dies ist die Leistung von KNN über verschiedene Kennzahlen und Nachbarzahlen hinweg. Abkürzungen; KNN = K nächster Nachbar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-8
Abbildung 3: SVM-Leistung. Dies ist die Leistung von SVM mit Kernel- und Kostenfunktionenwerten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-protocol-9
Abbildung 4: XGBoost-Leistung. Das ist XGBoost-Leistung mit unterschiedlichen Booster- und N_estimator-Werten. Abkürzungen; XGBoost = Extreme Gradient Boosting. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

  1. Erstellen Sie einen Soft-Voting-Klassifikator, um die Leistung des Modells weiter zu verbessern, indem Sie die besten Parameter aus den KNN- und SVM-Klassifikatoren kombinieren. Er besteht aus einem KNN-Klassifikator und zwei SVM-Klassifikatoren.
  2. Ersetzen Sie einen der SVM-Kernels durch 'rbf', den zweitbesten Kernel nach 'linear'.
  3. HINWEIS: Die Klassifikatoren und ihre jeweiligen Hyperparameter wurden ausgewählt, weil sie nach vielen Versuch-und-Irrtum-Versuchen bei allen Klassifikatoren und ihren Hyperparametern die beste Leistung erzielten. Darüber hinaus zeigt diese Kombination aufgrund einer langen Geschichte in der Behandlung präemptiver diagnostischer Probleme für verschiedene Krankheiten mit klinischen Datensätzen, die ähnlich wie in14,15 gesammelt wurden, eine vielversprechende diagnostische Genauigkeit, wie in den experimentellen Abschnitten weiter nachgewiesen wird. Tabelle 4 zeigt die für Soft Voting verwendeten Klassifikatoren, deren Hyperparameter und die erzeugte Genauigkeit.
AlgorithmusKlassifikatorenHyperparameterGenauigkeit
Soft-Voting-KlassifikatorK-NNMetrikMinkowski
N_neighbors5
SVM1KernelLinear
Kosten (C)988.81%
Gamma1
SVM2KernelRBF
Kosten (C)9
Gamma1

Tabelle 4: Abstimmungs-Klassifikator-Hyperparameter. Dies zeigt die Kombination des Abstimmungsklassifikators und die Hyperparameter.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Leistung der Modelle
Die Leistung der vier in dieser Studie erstellten Modelle wurde hinsichtlich ihrer Genauigkeit, Erinnerung und Testung verglichen und analysiert. Der GridsearchCV-Algorithmus wurde verwendet, um den besten Hyperparameter für jedes Modell unter Verwendung aller Funktionen zu identifizieren. Die Leistung jedes Modells wurde mit einer geschichteten 10-fachen Kreuzvalidierung bewertet. Tabelle 5 zeigt die Ergebnisse der Leistung jedes...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

In dieser Studie werden maschinelle Lernalgorithmen auf einem saudischen klinischen Datensatz untersucht, um ein präventives diagnostisches Modell für Hypothyreose zu entwickeln. Es wurden vier Modelle entwickelt: KNN, SVM, XGBoost und Soft Voting Ensemble Classifier. Alle vier Modelle identifizierten Alter und Atemfrequenz als bedeutende Indikatoren für die präventive Diagnose der Krankheit. Unter den vier Modellen zeigte der Voting Classifier eine überlegene Leistung in allen in dieser...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Der Datensatz wurde vom Krankenhaus unter IRB-2020-09-429 bezogen. Die Autoren haben keine Interessenkonflikte, die sie in Bezug auf die aktuelle Studie melden müssen.

Danksagungen

Die Autoren möchten die Unterstützung des Gesundheitsfachpersonals für die Validierung der Ergebnisse der Studie anerkennen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Laptop/MaschineDellXPS9320RAM 16GB, Intel(R) Core(TM) i7-1260P der 12. Generation
Excel 365MicrosoftExcel 365Verwendet zur Speicherung von Rohdaten im CSV-Format
Python 3.12.12Google colab Notebook Python 3.12.12Verwendet für Modellbau-Schulungen 
Numpy 2.0.2Google colab Notebook Numpy 2.0.2Verwendet für Modellbau-Schulungen 
Pandas 2.2.2Google colab Notebook Pandas 2.2.2Verwendet für Modellbau-Schulungen 
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1Verwendet für Modellbau-Schulungen 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4Verwendet für Modellbau-Schulungen 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2Verwendet für Modellbau-Schulungen 
SPSS IBM, USASklearn 1.6.1Verwendet für statische Analysen

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Diagnose von HypothyreoseMaschinelles LernenSoft Voting KlassifikatorSVM AlgorithmusKNN AlgorithmusGradient BoostingKlinischer DatensatzMerkmalsauswahl

Verwandte Artikel