Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Diagnóstico temprano del hipotiroidismo en la provincia oriental de Arabia Saudí utilizando técnicas de inteligencia computacional

180 vistas

⸱

DOI:

10.3791/70065

⸱

22 de mayo de 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

En este artículo

Resumen

Este estudio investiga cuatro algoritmos de aprendizaje automático: K-vecinos más cercanos (KNN), máquina de vectores de soporte (SVM), aumento extremo de gradiente (XGBoost) y un clasificador de conjunto de votación suave en el diagnóstico proactivo del hipotiroidismo. Los algoritmos fueron preseleccionados basándose en una revisión crítica de la literatura y se emplearon sobre un conjunto de datos recogido localmente de Arabia Saudí.

Resumen

El hipotiroidismo es una de las condiciones médicas más comunes pero también poco diagnosticadas en Arabia Saudí. Es más prevalente en mujeres mayores y embarazadas, así como en pacientes con diabetes y apnea del sueño. El hipotiroidismo se caracteriza por la producción insuficiente de hormonas tiroideas en la glándula tiroides, que podrían derivar en otras enfermedades crónicas si no se trata. Por esta razón, este estudio propone técnicas de aprendizaje automático para diagnosticar esta enfermedad de forma preventiva utilizando un conjunto de datos clínico sencillo procedente de Arabia Saudí. Dado el tamaño de los datos, este trabajo sirve como prueba de concepto. Se eligieron algoritmos como KNN, SVM, aumento de gradiente y clasificador de conjunto de votación suave por su prometedor desempeño en el diagnóstico proactivo del hipotiroidismo y enfermedades asociadas en comparación con otros algoritmos en la literatura. El modelo con mejor rendimiento fue el clasificador de grupo de votación suave, que alcanzó una precisión del 94,7%. SVM, KNN y XGBoost alcanzaron precisiones del 94%, 93,42% y 92,1%, respectivamente. Estos resultados se obtuvieron mediante validación cruzada de 10 partidas y selección de características secuenciales hacia adelante.

Introducción

La disfunción tiroidea (TD) es una de las enfermedades endocrinas crónicas más comunes, con una prevalencia variable entrepoblaciones 1. Los dos trastornos de las glándulas tiroides más comunes son el hipotiroidismo y el hipertiroidismo. El hipotiroidismo es una condición común que se debe a una producción insuficiente de hormonas tiroideas. Aunque generalmente se puede controlar con tratamiento, en casos graves puede ser fatal si no se aborda. Los síntomas más comunes del hipotiroidismo en adultos incluyen fatiga, estreñimiento, letargo, aumento de peso, piel seca y cambios en la voz. Sin embargo, las presentaciones clínicas pueden variar según la edad, el género y otrosfactores 3. Se informa que la enfermedad afecta al 5% de la población general y un 5% adicional sigue sin diagnosticar, mientras que el 99% de estos pacientes sufre hipotiroidismo primario. Está muy extendida en los Estados del Golfo Arábigo, aunque a menudo sigue estandoinfradiagnosticada. El hipotiroidismo congénito afecta aproximadamente a uno de cada 3.450 bebés en Arabia Saudí. Otros estudios transversales centrados únicamente en mujeres reportaron tasas de prevalencia más altas, que oscilaban entre el 13% y el 35%. Además, demostrando que las hembras son más susceptibles que losmachos 6. El hipotiroidismo, si no se trata, puede provocar dislipidemia, deterioro cognitivo, hipertensión, infertilidad y disfunciónneuromuscular 7. Por ello, este estudio pretende emplear métodos de aprendizaje automático para diagnosticar proactivamente el hipotiroidismo utilizando un conjunto de datos del Hospital Especializado King Fahad (KFUH) en Dammam, Arabia Saudí.

El hipotiroidismo puede ser difícil de diagnosticar porque los síntomas a menudo se confunden con los de otrasenfermedades. Además, un diagnóstico tardío de hipotiroidismo puede afectar negativamente a las capacidades intelectuales de unpaciente 9. La prueba de hormona tiroideo estimulante (TSH) es el método diagnóstico más utilizado para detectar elhipotiroidismo 9. Sin embargo, la llegada de enfoques, estrategias y herramientas de inteligencia artificial y aprendizaje automático ha ayudado a resolver problemas diagnósticos y pronósticos en diversas áreas médicas. El ML se utiliza para evaluar la importancia de los factores clínicos y sus combinaciones para el pronóstico, como la predicción de la progresión de la enfermedad, la extracción de conocimiento médico para la investigación de resultados, la planificación y apoyo terapéutico, y la atención general alpaciente 10. Con grandes volúmenes de datos médicos disponibles, los profesionales médicos cuentan ahora con un recurso valioso para descubrir nuevos y potencialmente valiosos conocimientos mediante aprendizajeautomático 11,12.

Utilizando un simple conjunto de datos clínico del conjunto de datos saudí, este estudio tiene como objetivo ayudar a los trabajadores sanitarios del país a diagnosticar el hipotiroidismo de forma precoz e implementar este sistema predictivo en hospitales con recursos y equipos informáticos limitados. Además, estudios previos en este campo no utilizaron el conjunto de datos saudí. Esto ofrece la oportunidad de incorporar el conjunto de datos saudí junto a investigaciones anteriores. Los estudios emplearon un conjunto de datos saudí para predecir la enfermedad renal, la diabetes, la tiroides y la enfermedad de Alzheimer, respectivamente, logrando una alta precisión13, 14 y 15. Esta experiencia motiva a aplicar estos métodos a otras enfermedades en Arabia Saudí. Estos estudios se encuentran entre los trabajos más recientes en aprendizaje automático e inteligencia artificial en el campo médico 16,17,18,19.

El estudio propuesto trata sobre el despliegue de técnicas de aprendizaje automático en un simple conjunto de datos clínico saudí para el hipotiroidismo, con el fin de predecir la presencia de la enfermedad antes de que se convierta en sintomática total. El objetivo es desarrollar un sistema basado en aprendizaje automático que proporcione alertas tempranas sobre una posible ocurrencia de hipotiroidismo. También facilitará el uso de este sistema diagnóstico por parte de hospitales locales con equipos limitados. Este estudio es el primero en examinar esta enfermedad utilizando el conjunto de datos saudí, centrándose en la etapa pre-sintomática. El conjunto de datos abarca una amplia población de pacientes hospitalarios saudíes locales, con un amplio rango de edad, una mezcla de casos positivos y negativos de hipertiroidismo.

Este estudio utilizó cuatro algoritmos de aprendizaje automático: máquina de vectores de soporte (SVM), K-vecinos más cercanos (KNN), aumento de gradiente eXtreme (XGBoost) y un clasificador de conjunto de votación suave compuesto por SVM y KNN. Cada uno de los cuatro algoritmos ha demostrado sus capacidades en el ámbito médico. El algoritmo KNN fue seleccionado por su simplicidad y por lograr una precisión del 77,5% en el diagnóstico preventivo de diabetes mellitus (DM)20. Al mismo tiempo, se eligió SVM por su robustez21, y recientemente se ha utilizado para predecir el riesgo de mortalidad en pacientes conCOVID-19 22. Además, XGBoost fue seleccionado por su fuerterendimiento 23, logrando una puntuación predictiva precisa del 94% para los resultados de hipertensión, y se empleó apilamiento para mejorar los resultados de los algoritmos de mejor rendimiento.  Además, se ha utilizado un clasificador de conjunto de votantes para identificar trastornos tiroideos con una precisión del 100%24.

El objetivo principal del estudio actual es el diagnóstico precoz del hipotiroidismo en una población saudí utilizando datos clínicos originales rutinarios y algoritmos de aprendizaje automático de última generación. Las cuatro técnicas utilizadas en este estudio se implementaron en la plataforma Jupyter utilizando el lenguaje de programación Python, utilizando el conjunto de datos de hipotiroidismo. Se utilizó una validación cruzada de 10 veces con ajuste de hiperparámetros para mejorar el rendimiento. A continuación, se implementó la selección secuencial de características con una técnica de selección adelantada, lo que resultó en que el clasificador del conjunto de votación alcanzara la máxima precisión del 94,7%. SVM, KNN y XGBoost, respectivamente, la siguieron respectivamente. En cuanto a la revocación, el clasificador de conjunto de votación blanda obtuvo la puntuación más alta, con un 95,5%. En general, el modelo óptimo para el diagnóstico preventivo de hipotiroidismo fue el clasificador de conjunto de votación suave, que logró la puntuación más alta en todas las medidas de rendimiento evaluadas en este estudio.

Se han realizado varios estudios sobre el diagnóstico de trastornos generales de la tiroides y sobre la implementación de tecnologías, especialmente aprendizaje automático, como solución asistida por ordenador. LSTM-CNN, AlexNet, los modelos ajustados de GoogLeNet, IndRNN–CNN y los modelos ajustados de aprendizaje profundo ResNet se desplegaron mediante espectroscopía Raman para distinguir muestras de suero de 32 pacientes con hipotiroidismo, 38 pacientes con hipertiroidismo y 29 sujetos control. Su modelo obtuvo una precisión del 84%, 91%, 75%, 82% y 71%, respectivamentedel 25%.

Se han utilizado algoritmos de aprendizaje automático como SVM, KNN, regresión logística y bosque aleatorio para predecir la incidencia de hipotiroidismo inducido por radiación en pacientes con carcinomanasofaríngeo 26. Su modelo alcanzó un valor AUC de 0,7. Además, los autores emplearon varios algoritmos de aprendizaje automático para predecir la tendencia del tratamiento de pacientes con hipotiroidismo que se someten a tratamiento con LT4. Entre los 10 clasificadores, el clasificador extra-árbol alcanzó la mayor precisión del 84%.

En otro estudio, los autores crearon y probaron una estrategia de aprendizaje automático para identificar a personas con hipertiroidismo e hipotiroidismo que se beneficiarían de un tratamiento médicoinmediato 27. Desplegaron árboles de decisión de aumento de gradiente (GBDT), SVM, ANN y algoritmos de regresión logística. Sus modelos obtuvieron un AUROC del 93,8% y 90,9% para hipertiroidismo e hipotiroidismo, respectivamente. En otro estudio, los autores utilizaron aprendizaje automático para detectar trastornos tiroideos, que comprenden el hipotiroidismo y el hipertiroidismo. Sus modelos incluían SVM, ANN, KNN, regresión logística y árbol de decisión, con la máxima precisión del 96,92% lograda por la RegresiónLogística 28. Recientemente, un grupo de investigadores aplicó diferentes métodos, incluyendo SVM, árbol de decisión, Naïve Bayes y conjunto, para predecir y detectar el hipotiroidismo. El árbol de decisión alcanzó la mayor precisión, con un 97,6%29. Otro estudio aplicó el algoritmo de Naïve Bayes basado en núcleos de evolución diferencial híbrida para reducir los atributos de un conjunto de datos tiroideos de hipertiroidismo y enfermedades por hipotiroidismo de 21 a 10. Posteriormente aplicaron el clasificador Naïve Bayes basado en núcleo al subconjunto de características, logrando una precisión del 97,97%30. Asimismo, en otro estudio, los autores utilizaron varios algoritmos de aprendizaje automático para predecir el riesgo de enfermedad tiroidea en el conjunto de datos de enfermedad eutiroidea de la Universidad de California. Su experimento demostró que la RNA superaba a todos los demás métodos, logrando una precisión del 95%31. Además, Jha et al. utilizaron técnicas propuestas de aumento de características basadas en redes neuronales profundas para predecir enfermedades tiroideas, logrando una precisión sobresaliente del 99,95%32.

Según la literatura anterior, se utilizó un conjunto de votación homogéneo con selección múltiple de atributos para identificar enfermedades tiroideas, empleando los siguientes algoritmos: bosque aleatorio, aumento de gradientes, árbol de decisión y regresión logística, obteniendo una precisióndel 100% 24. Además, los autores aplicaron el modelo de máquina de aprendizaje extremo al conjunto de datos de acceso abierto sobre hipotiroidismo en Kaggle, logrando una precisión del 92%. El conjunto de datos contenía 3772 muestras: 3481 hipotiroidas y el restonegativas a 33. Recientemente, en un estudio, los autores utilizaron CART en bolsa para clasificar el hipotiroidismo. Su modelo propuesto alcanzó una impresionante precisión del 99,9%. Además, se identificaron T4U, TSH y TBG como los factores más significativos asociados conel hipotiroidismo 34. En otro estudio, los autores propusieron y compararon diferentes modelos de aprendizaje automático y aprendizaje profundo, en los que el árbol de decisión y el bosque aleatorio alcanzaron una precisión del 99,5% y 99,3%, respectivamente. Utilizaron un conjunto de datos Weka que contenía 30 atributos y 3772muestras, 35.

Esta breve revisión bibliográfica demuestra que, aunque la mayoría de los métodos empleados han alcanzado resultados muy buenos a excelentes, ninguno ha utilizado un conjunto de datos clínico sencillo procedente de Arabia Saudí. También se observó que la mayoría de las publicaciones en consideración utilizaban conjuntos de datos de imagen, lo que aumentaba el trabajo necesario para la recogida de datos y dificultaba la aplicación de modelos muy complejos creados por personas no técnicas. Además, la mayoría de estos trabajos se realizaron sobre trastornos generales de la tiroides, con muy pocas publicaciones que enfatizaran el hipotiroidismo. Esta situación ofrece la oportunidad de investigar modelos básicos de aprendizaje automático en un conjunto de datos clínico sencillo del conjunto de datos saudí para ayudar a hospitales locales con equipos informatizados limitados a diagnosticar preventivamente la enfermedad.

La breve introducción a los algoritmos investigados en el estudio actual se ofrece en el Archivo Suplementario 1. Los cuatro algoritmos son 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 y conjunto de votación 49,50.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

1. Metodología

NOTA: Como se describe en la Tabla de Materiales, el experimento para esta investigación se realizó en Python sobre Jupyter Notebook, que se utilizó para desarrollar modelos de aprendizaje automático para el diagnóstico preventivo del hipotiroidismo. Microsoft Excel y la biblioteca Scikit-Learn de Python se usaron en la etapa de preprocesamiento. Luego se usaron K-vecino más cercano (KNN), máquina de vectores de soporte (SVM), aumento extremo de gradiente (XGBoost) y un clasificador de conjunto de votación suave compuesto por KNN y SVM para entrenar el conjunto de datos, con GridSearchCV y validación cruzada 10 veces para obtener hiperparámetros óptimos. Además, la importancia de la característica para cada clasificador se graficaba usando la importancia de permutación.

  1. Emplea selección secuencial de características usando la técnica de reenvío de la biblioteca mxl-tend.
  2. Aplica el selector secuencial de características a todos los modelos usando validación cruzada 10 veces para seleccionar el mejor subconjunto de características.
  3. Evalúa la precisión media, la recuperación, la exactitud, la puntuación F1 y la pérdida logarítmica de todos los modelos creados mediante validación cruzada de 10 veces para identificar el mejor modelo.
  4. Además, genera matrices de confusión y áreas bajo las curvas de característica de funcionamiento del receptor (AUROC) para cada modelo usando hiperparámetros óptimos y el subconjunto de mejores características.
  5. Validar los resultados diagnósticos por un equipo de tres expertos en otorrinolaringología, medicina general y radiología. La Figura 1 describe el marco de los hallazgos experimentales.

figure-protocol-1
Figura 1: Marco experimental. Este es el marco experimental del estudio. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

NOTA: El conjunto de datos saudí sobre hipotiroidismo fue obtenido del Hospital Especializado King Fahad (KFSH) en Dammam, Arabia Saudí. Es un hospital público afiliado a la Universidad Imam Abdulrahman bin Faisal (anteriormente conocida como la Universidad de Dammam). Dammam está en la provincia oriental, y la mayoría de los pacientes pertenecen a la misma región. Con la aprobación del comité de revisión institucional (IRB), el conjunto de datos se recopiló durante los procedimientos y ensayos estándar de triaje en el hospital y se registró como historiales médicos de pacientes (PHR) en el sistema de gestión hospitalaria, registrados durante los años 2020–2021. El conjunto de datos contiene pruebas clínicas estándar de 152 pacientes (100 mujeres y 52 hombres), de entre 11 y 92 años, de los cuales 89 fueron diagnosticados positivamente con hipotiroidismo. En cambio, los 63 restantes fueron diagnosticados sin hipotiroidismo pero con otras enfermedades, como la enfermedad de Alzheimer. El conjunto de datos tenía 483 atributos, que se redujeron a 18 durante el preprocesamiento al eliminar atributos con valores faltantes superiores al 30%. La Tabla 1 describe las características utilizadas en este estudio.

CaracterísticaDescripción 
EdadEdad en años.
SexoHombre o mujer.
Glóbulos blancos (leucocitos)Recuento de glóbulos blancos.
TemperaturaTemperatura corporal en grados Celsius (°C).
Glóbulos rojos (RBC)Recuento de glóbulos rojos.
PlaquetasRecuento de plaquetas.
MPVVolumen medio de plaquetas
Saturación de pulsoLa medición del ojigeno en la sangre (saturación de oxígeno).
MCHHemoglobina corpuscular media.
RDWAncho de distribución de glóbulos rojos.
MCVVolumen corporal medio.
MCHCConcentración media de hemoglobina corpuscular
PulsoRitmo cardíaco.
HematócritoEl volumen de glóbulos rojos.
PA – SistólicaLa presión arterial más alta.
HemoglobinaNivel de hemoglobina en la sangre.
PA – DiastólicaLa presión más baja.
Frecuencia respiratoriaRitmo respiratorio por minuto.

Tabla 1: Descripción del conjunto de datos. Esta tabla presenta el conjunto de datos de descripción.

2. Análisis estadístico

NOTA: El análisis estadístico del conjunto de datos ayuda a visualizar y comprender el patrón del conjunto para un mejor preprocesamiento y modelado de los datos. La Tabla 2 muestra el análisis estadístico del conjunto de datos de la enfermedad por hipotiroidismo, comparando los resultados en los grupos con TH y no TH.

  1. Para investigar si las características demográficas están desequilibradas entre grupos positivos y negativos, realizar un análisis estadístico en el software SPSS (versión: 26.0, IBM, EE. UU.).
  2. Compilar los datos cuantitativos usando una prueba t de muestra independiente si se han cumplido la distribución normal y la homogeneidad de la varianza, o la prueba U de Man-Whitney.
  3. Compila datos categóricos usando la prueba chi-cuadrado o la prueba exacta de Fisher.
VariableHipotiroidismo (n = 89)No hipotiroidismo (n = 63)valor t / uValor P
Edad43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0,001
Frecuencia respiratoria20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
PA – Sistólica117.72 ± 16.46127.85 ± 17.773.3020.001
PA – Diastólica73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
Pulso79.09 ± 12.1982.35 ± 12.721.470.145
Temperatura36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
Saturación de pulso99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
Hematócrito38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
Glóbulos rojos4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
Hemoglobina12.70 (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
Plaquetas261,23 ± 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
Glóbulos blancos6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tabla 2: Análisis estadístico de características. Esta tabla muestra el análisis estadístico de las características tanto en el grupo HT como en el no HT. Abreviaturas; HT = hipotiroidismo.

NOTA: En la Tabla 2, los grupos TH y no TH difieren significativamente en edad, frecuencia respiratoria, tensión-sistólica, temperatura, saturación, RDW, plaquetas y glóbulos blancos. Por lo tanto, las características fisiológicas podrían usarse para diferenciar ambos grupos.

3. Preprocesamiento de datos

  1. Cargando los datos CSV en bruto. El conjunto de datos utilizado para este estudio está en formato CSV. Primero, el archivo CSV se importaba en su formato en bruto. Se muestra a continuación:
    clean_data = pd. DataFrame (normalizado, columnas=['sexo', 'Edad', 'Pulso', 'TA - Sistólica', 'PA - Diastólica', 'Temperatura', 'Frecuencia Respiratoria', 'MCV', 'MCH', 'Hematócrito', 'Glóbulos blancos', 'Hemoglobina', 'Glóbulos rojos', 'RDW', 'Plaquetas', 'MPV', 'Saturación', 'Descripción'])
  2. Realizar el preprocesamiento de datos, incluyendo la eliminación de valores atípicos, el manejo de valores ausentes y la normalización, para mejorar la representación y precisión de los datos del modelo.
  3. Utiliza Microsoft Excel para el procesamiento inicial del conjunto de datos, incluyendo la eliminación de valores atípicos. Elimina los valores atípicos en 'Pulso Ox', 'BP-Sistólica', 'BP-Diastólica' y 'Frecuencia Respiratoria' con un gráfico de dispersión y sustituye por sus respectivas medias.
  4. Tratamiento de valores faltantes
    La importación del conjunto de datos se importó a Python y se preprocesó usando las bibliotecas NumPy, Pandas y Scikit-learn. Utiliza el imputador KNN de la biblioteca sklearn para manejar los valores que faltan.
    NOTA: Se usaron la métrica euclidiana y un valor de vecino más cercano de 5. Se muestra a continuación:
    imputer = KNNImputer(n_neighbors=5)
    datos = imputer.fit_transform(clean_data)
    escalador = MinMaxScaler()
    scaler.fit(data)
  5. Codifica las cadenas en binario.
    NOTA: El valor entero uno representaba 'Positivo' y 'Femenino' en 'Descripción' y 'Género', respectivamente, mientras que cero representaba 'Negativo' y 'Masculino' en 'Descripción' y 'Género', respectivamente. El conjunto de datos se escaló después usando el MinMaxScaler de la biblioteca sklearn, asignando valores al rango 0–1. Se muestra a continuación:
    normalizado = escaler.transform(data)

4. Construcción y evaluación de modelos

NOTA: División de datos para la validación cruzada: Tras varios experimentos con diferentes pliegues, se demostró que la validación cruzada de 10 veces era óptima y posteriormente se empleó.

  1. Entrena cada modelo con hiperparámetros especificados.
  2. Realizar la selección de características y reentrenar modelos en características seleccionadas.
    NOTA: En el estudio propuesto, se ha empleado una técnica de selección de características secuenciales hacia adelante. Los modelos se optimizaron entonces para obtener el mejor conjunto de características. Para los pasos 4.1–4.2, se ha desplegado el siguiente segmento de código:
    de sklearn.model_selection importación train_test_split, GridSearchCV, StratifiedKFold
    kf = EstratificadoKFold(n_splits=10,barajado=Verdadero, random_state=1)
    El gridearch usó pliegue estratificado k con 10 splits y la precisión fue la métrica de puntuación. El código siguiente explica cómo se ejecutó esto con un ejemplo usando SVM.
    parámetros = {
    'kernel': ['lineal', 'poli', 'rbf', 'sigmoide'],
    '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,
    parámetros,
    cv=kf,
    puntuación='precisión'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(estimador=svm,
    k_features=(1, 18),
    adelante=Verdadero,
    flotando=Falso,
    puntuación='precisión',
    cv=kf)
  3. Evalúa las métricas de rendimiento y elige el modelo final.
    NOTA: Medida de rendimiento: Este estudio empleó las medidas de rendimiento más utilizadas en clasificación, a saber: precisión, precisión, recuerdo, F1–Puntuación y pérdida de logarítmics. Estas medidas de rendimiento se describen brevemente a continuación, junto con sus fórmulas.
    Precisión (PR): El número de observaciones verdadeiramente positivas que pertenecen al total esperado de observaciones positivas. Está dada por la fórmula:
    figure-protocol-2(1)
    Recordación (ER): Representa el número de casos positivos reales predichos como positivos. Está dada por la fórmula:
    figure-protocol-3(2)
    Precisión (CA): Este es el porcentaje de predicciones correctas que hizo el modelo. Se expresa por:
    figure-protocol-4(3)
    Donde:
    Positivo verdadero (TP): Número de casos de hipotiroidismo correctamente clasificados.
    Falso positivo (FP): Número de casos de hipotiroidismo mal clasificados.
    Negativo Verdadero (TN): Número de casos no hipotiroidistas correctamente clasificados.
    Falso negativo (FN): Número de casos no hipotiroidistas mal clasificados.
    F1–Puntuación: Esta es la media ponderada de la llamada y la precisión. Está dada por
    figure-protocol-5(4)
    Pérdida logarítmica: Esto es lo cerca que la probabilidad predicha coincide con el valor real real. Es
    está dada por la fórmula:
    figure-protocol-6(5)
    Donde N y M denotan el número de muestras y características respectivamente, Yij indica si la imuestra pertenece o no a la clase j Pij denota la probabilidad de que la iésima muestra pertenezca a la clase j. Este estudio también graficó la característica de funcionamiento del receptor (ROC), lo cual es útil para predecir la probabilidad de un resultado binario. Esto se hizo para ayudar a visualizar el rendimiento de los modelos en varios umbrales. El ROC indica lo bueno que es un modelo distinguiendo entre clases.
  4. Estrategia de optimización
    NOTA: La optimización de hiperparámetros no puede ser subestimada para lograr los mejores resultados en cualquier estudio de aprendizaje automático. Este estudio empleó GridSearchCV con validación cruzada estratificada de 10 veces para determinar los hiperparámetros óptimos para cada modelo. GridSearchCV es una herramienta para ajustar finamente los parámetros de un modelo. Funciona recorriendo todos los parámetros proporcionados en la cuadrícula de parámetros y seleccionando las mejores combinaciones. El ajuste por hiperparámetros es crucial para identificar la máxima precisión en cada modelo. Los hiperparámetros de cada modelo, incluyendo el rango, el mejor valor y la precisión que produjeron, se presentan en la Tabla 3.
AlgoritmoNombre del hiperparámetroRango de hiperparámetrosMejor relación calidad-precioPrecisión usando el mejor valor
K-NNMétrica'Minkowski', 'Manhattan', 'Euclidiano'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMNúcleo'lineal', 'poli', 'RBF', 'sigmoide'lineal92.76%
Coste (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%

Tabla 3: Hiperparámetro óptimo. Esto muestra el hiperparámetro óptimo de cada modelo.

Las figuras 2–4 presentan el enfoque de búsqueda en cuadrícula para la búsqueda de hiperparámetros de las técnicas KNN, SVM y XGBoost y cómo se implementaron utilizando todas las características.

figure-protocol-7
Figura 2: Rendimiento de KNN. Este es el rendimiento de KNN en diferentes métricas y conteos de vecinos. Abreviaturas; KNN = K vecino más cercano. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-protocol-8
Figura 3: Rendimiento SVM. Este es el rendimiento de SVM con valores de Kernel y Función de Coste. Por favor, haga clic aquí para ver una versión ampliada de esta figura.

figure-protocol-9
Figura 4: Rendimiento en XGBoost. Esto es el rendimiento de XGBoost con diferentes valores de Booster y N_estimator. Abreviaturas; XGBoost = Aumento extremo de gradiente. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

  1. Crear un clasificador de votación suave para mejorar aún más el rendimiento del modelo combinando los mejores parámetros obtenidos de los clasificadores KNN y SVM. Consta de un clasificador KNN y dos clasificadores SVM.
  2. Sustituye uno de los núcleos de la SVM por 'rbf', el segundo mejor núcleo después de 'lineal'.
  3. NOTA: Los clasificadores y sus respectivos hiperparámetros fueron elegidos porque ofrecían el mejor rendimiento tras muchos intentos de prueba y error con todos los clasificadores y sus hiperparámetros. Además, basándose en una larga historia de tratar problemas diagnósticos preventivos para diversas enfermedades utilizando conjuntos de datos clínicos recopilados de forma similar a los de14,15, esta combinación muestra una precisión diagnóstica prometedora, como se demuestra aún más en las secciones experimentales. La Tabla 4 muestra los clasificadores utilizados para la votación blanda, sus hiperparámetros y la precisión obtenida.
AlgoritmoClasificadoresHiperparámetrosPrecisión
Clasificador de Votación BlandaK-NNMétricaMinkowski
N_neighbors5
SVM1Núcleolineal
Coste (C)988.81%
Gamma1
SVM2NúcleoRBF
Coste (C)9
Gamma1

Tabla 4: Hiperparámetros del clasificador de votación. Esto muestra la combinación del clasificador de votación y los hiperparámetros.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Rendimiento de los modelos
El rendimiento de los cuatro modelos creados en este estudio fue comparado y analizado en cuanto a su precisión, recuperación y pruebas. Se utilizó el algoritmo GridsearchCV para identificar el mejor hiperparámetro para cada modelo utilizando todas las características. El rendimiento de cada modelo se evaluó mediante una validación cruzada estratificada de 10 veces. La Tabla 5 presenta los resultados del rendimiento de cada ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

En este estudio, se investigan algoritmos de aprendizaje automático en un conjunto de datos clínico saudí para desarrollar un modelo diagnóstico preventivo para el hipotiroidismo. Se crearon cuatro modelos: KNN, SVM, XGBoost y Soft Voting Ensemble Classifier. Los cuatro modelos identificaron la edad y la frecuencia respiratoria como indicadores significativos en el diagnóstico preventivo de la enfermedad. Entre los cuatro modelos, el Clasificador de Votación demostró un rendimiento super...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

El conjunto de datos ha sido obtenido del hospital bajo la norma IRB-2020-09-429. Los autores no tienen conflictos de interés que informar respecto al estudio actual.

Agradecimientos

Los autores desean reconocer el apoyo de los profesionales sanitarios para la validación de los hallazgos del estudio.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Portátil/MáquinaDellXPS9320RAM 16GB, Intel(R) Core(TM) de 12ª generación i7-1260P
Excel 365MicrosoftExcel 365Usado para almacenar datos en bruto en formato csv
Python 3.12.12Busca en Google Notebook de colab Python 3.12.12Utilizado para formación en construcción de maquetas y nbsp;
Numpy 2.0.2Busca en Google Notebook de colab Numpy 2.0.2Utilizado para formación en construcción de maquetas y nbsp;
Pandas 2.2.2Busca en Google Notebook de colab Pandas 2.2.2Utilizado para formación en construcción de maquetas y nbsp;
Sklearn 1.6.1Busca en Google Notebook de colab Sklearn 1.6.1Utilizado para formación en construcción de maquetas y nbsp;
Mlxtend 0.23.4Busca en Google Notebook de colab Mlxtend 0.23.4Utilizado para formación en construcción de maquetas y nbsp;
XGbbost 3.1.2Busca en Google Notebook de colab XGbbost 3.1.2Utilizado para formación en construcción de maquetas y nbsp;
SPSS IBM, EE.UU.Sklearn 1.6.1Utilizado para análisis estatístico

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Diagn stico del hipotiroidismoaprendizaje autom ticoclasificador de votaci n suavealgoritmo SVMalgoritmo KNNpotenciaci n de gradienteconjunto de datos cl nicosselecci n de caracter sticas
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.