Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Vroege diagnose van hypothyreoïdie in de oostelijke provincie van Saoedi-Arabië met behulp van computationele intelligentietechnieken

180 weergaven

⸱

DOI:

10.3791/70065

⸱

22 mei 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 dit artikel

Samenvatting

Deze studie onderzoekt vier machine learning-algoritmen: K-nearest neighbors (KNN), support vector machine (SVM), extreme gradient boosting (XGBoost) en een soft voting ensemble classifier bij de proactieve diagnose van hypothyreoïdie. De algoritmen werden geselecteerd op basis van een kritische literatuurstudie en toegepast op een lokaal verzamelde dataset uit Saoedi-Arabië.

Samenvatting

Hypothyreoïdie is een van de meest voorkomende, maar ondergediagnosticeerde medische aandoeningen in Saoedi-Arabië. Het komt vaker voor bij oudere en zwangere vrouwen, evenals bij patiënten met diabetes en slaapapneu. Hypothyreoïdie wordt gekenmerkt doordat de schildklier onvoldoende schildklierhormonen produceert, wat kan leiden tot andere chronische ziekten als het niet wordt behandeld. Om deze reden stelt deze studie machine learning-technieken voor om deze ziekte preventief te diagnosticeren met behulp van een eenvoudige klinische dataset uit Saoedi-Arabië. Gezien de datagrootte dient dit werk als proof of concept. Algoritmen zoals KNN, SVM, Gradient boosting en soft voting ensemble classifier werden gekozen vanwege hun veelbelovende prestaties bij de proactieve diagnose van hypothyreoïdie en bijbehorende ziekten in vergelijking met andere algoritmen in de literatuur. Het best presterende model was de soft voting ensemble classifier, die een nauwkeurigheid van 94,7% behaalde. SVM, KNN en XGBoost behaalden respectievelijk 94%, 93,42% en 92,1% nauwkeurigheid. Deze resultaten zijn verkregen met 10-voudige kruisvalidatie en voorwaartse sequentiële featureselectie.

Inleiding

Schildklierdisfunctie (TD) is een van de meest voorkomende chronische endocriene aandoeningen, met verschillende prevalentie tussen populaties1. De twee meest voorkomende schildklieraandoeningen zijn hypothyreoïdie en hyperthyreoïdie. Hypothyreoïdie is een veelvoorkomende aandoening die het gevolg is van onvoldoende productie van schildklierhormoon. Hoewel het over het algemeen beheersbaar is met behandeling, kan het in ernstige gevallen fataal zijn als het niet wordt aangepakt. De meest voorkomende symptomen van hypothyreoïdie bij volwassenen zijn vermoeidheid, constipatie, lusteloosheid, gewichtstoename, droge huid en stemveranderingen. Klinische presentaties kunnen echter verschillen per leeftijd, geslacht en andere factoren3. Er wordt gemeld dat de ziekte 5% van de algemene bevolking treft, en nog eens 5% blijft ongediagnosticeerd, terwijl 99% van deze patiënten lijdt aan primaire hypothyreoïdie. Het is wijdverspreid in de Arabische Golfstaten, hoewel het vaak ondergediagnosticeerd wordt4. Congenitale hypothyreoïdie treft ongeveer één op de 3.450 baby's in Saoedi-Arabië. Andere cross-sectionele studies die zich uitsluitend op vrouwen richtten, rapporteerden hogere prevalentiepercentages variërend van 13% tot 35%. Verder bewijst het dat vrouwtjes vatbaarder zijn dan mannetjes6. Hypothyreoïdie kan, als het niet wordt behandeld, leiden tot dyslipidemie, cognitieve achteruitgang, hypertensie, onvruchtbaarheid en neuromusculaire disfunctie7. Daarom is dit onderzoek bedoeld om machine learning-methoden toe te passen om hypothyreoïdie proactief te diagnosticeren met behulp van een dataset van het King Fahad Specialist Hospital (KFUH) in Dammam, Saoedi-Arabië.

Hypothyreoïdie kan moeilijk te diagnosticeren zijn omdat de symptomen vaak worden aangezien voor die van andere ziekten8. Bovendien kan een late diagnose van hypothyreoïdie de intellectuele capaciteiten vaneen patiënt negatief beïnvloeden. De schildklierstimulerende hormoontest (TSH) is de meest gebruikte diagnostische methode om hypothyreoïdieop te sporen 9. De komst van kunstmatige intelligentie en machine learning-benaderingen, strategieën en tools heeft echter geholpen diagnostische en prognostische problemen in diverse medische gebieden op te lossen. ML wordt gebruikt om het belang van klinische factoren en hun combinaties voor prognose te beoordelen, zoals het voorspellen van ziekteprogressie, het verzamelen van medische kennis voor uitkomstonderzoek, therapeutische planning en ondersteuning, en de algehele patiëntenzorg10. Met grote hoeveelheden medische data beschikbaar, beschikken medische professionals nu over een waardevolle bron om nieuwe en potentieel waardevolle kennis te ontdekken via machine learning 11,12.

Met behulp van een eenvoudige klinische dataset uit de Saoedische dataset is deze studie bedoeld om zorgmedewerkers in het land te helpen bij het vroegtijdig diagnosticeren van hypothyreoïdie en het implementeren van dit voorspellende systeem in ziekenhuizen met beperkte computercapaciteiten en apparatuur. Bovendien maakten eerdere studies op dit gebied geen gebruik van de Saoedische dataset. Dit biedt een kans om de Saoedische dataset te combineren met eerder onderzoek. De studies maakten gebruik van een Saoedische dataset om respectievelijk nierziekte, diabetes, schildklieraandoeningen en de ziekte van Alzheimer te voorspellen, met een hoge nauwkeurigheidvan 13,14,15. Deze ervaring motiveert het toepassen van deze methoden op andere ziekten in Saoedi-Arabië. De studies behoren tot de nieuwste werken op het gebied van machine learning en kunstmatige intelligentie in de medische sector 16,17,18,19.

De voorgestelde studie bespreekt het inzetten van machine learning-technieken op een eenvoudige klinische Saoedische dataset voor hypothyreoïdie om de aanwezigheid van de ziekte te voorspellen voordat deze volledig symptomatisch wordt. Het doel is het ontwikkelen van een machine learning-gebaseerd systeem dat vroege waarschuwingen geeft voor een mogelijk voorkomen van hypothyreoïdie. Het zal het ook gemakkelijker maken voor lokale ziekenhuizen met beperkte apparatuur om dit diagnostisch systeem te gebruiken. Deze studie is de eerste die deze ziekte onderzoekt met behulp van de Saoedische dataset, met de focus op het pre-symptomatische stadium. De dataset dekt een brede patiëntenpopulatie van lokale Saoedische ziekenhuispatiënten, met een brede leeftijdsspanne, een mix van positieve en negatieve gevallen van hyperthyreoïdie.

Deze studie maakte gebruik van vier machine learning-algoritmen: support vector machine (SVM), K-nearest neighbors (KNN), eXtreme gradient boosting (XGBoost) en een soft voting ensemble classifier bestaande uit SVM en KNN. Elk van de vier algoritmen heeft zijn capaciteiten bewezen op het medische gebied. Het KNN-algoritme werd gekozen vanwege zijn eenvoud en vanwege het bereiken van een testnauwkeurigheid van 77,5% bij de preventieve diagnose van diabetes mellitus (DM)20. Tegelijkertijd werd SVM gekozen vanwege zijn robuustheid21, en het is recentelijk gebruikt om sterfterisico te voorspellen bij COVID-19-patiënten22. Bovendien werd XGBoost geselecteerd vanwege zijn sterke prestatie23, met een nauwkeurige voorspellende score van 94% voor hypertensie-uitkomsten, en werd stacking toegepast om de resultaten van de best presterende algoritmen te verbeteren.  Daarnaast is een stemensembleclassifier gebruikt om schildklieraandoeningen met 100% nauwkeurigheid te identificeren24.

Het primaire doel van de huidige studie is de vroege diagnose van hypothyreoïdie in een Saoedische bevolking met behulp van originele routinematige klinische gegevens en geavanceerde machine learning-algoritmen. De vier technieken die in deze studie werden gebruikt, werden geïmplementeerd op het Jupyter-platform met behulp van de programmeertaal Python, met behulp van de hypothyreoïdiedataset. 10-voudige kruisvalidatie met hyperparameterafstemming werd gebruikt om de prestaties te verbeteren. Sequentiële featureselectie met een forward selection techniek werd vervolgens geïmplementeerd, waardoor de voting ensemble classifier de hoogste nauwkeurigheid van 94,7% behaalde. SVM, KNN en XGBoost volgden respectievelijk op. Wat betreft recall, behaalde de soft voting ensemble-classifier de hoogste score met 95,5%. Over het geheel genomen was het optimale model voor preventieve hypothyreoïdiediagnose de soft voting ensemble classifier, die de hoogste score behaalde over alle prestatiematen die in deze studie werden geëvalueerd.

Er zijn verschillende studies uitgevoerd naar het diagnosticeren van algemene schildklieraandoeningen en naar het implementeren van technologie, vooral machine learning, als computerondersteunde oplossing. LSTM-CNN, AlexNet, de aangepaste GoogLeNet, IndRNN–CNN en de aangepaste ResNet-deep learning-modellen werden ingezet met behulp van Ramanspectroscopie om serummonsters te onderscheiden van 32 patiënten met hypothyreoïdie, 38 patiënten met hyperthyreoïdie en 29 controlepersonen. Hun model behaalde een nauwkeurigheid van respectievelijk 84%, 91%, 75%, 82% en 71%25%.

Machine learning-algoritmen zoals SVM, KNN, logistische regressie en random forest zijn gebruikt om de incidentie van door straling veroorzaakte hypothyreoïdie te voorspellen bij patiënten met nasofaryngeale carcinoom26. Hun model behaalde een AUC-waarde van 0,7. Bovendien gebruikten de auteurs verschillende machine learning-algoritmen om de behandelingstrend te voorspellen van patiënten met hypothyreoïdie die LT4-behandeling ondergaan. Van de 10 classifiers behaalde de extra-tree classifier de hoogste nauwkeurigheid van 84%.

In een andere studie ontwikkelden en testten de auteurs een machine learning-strategie om mensen met hyperthyreoïdie en hypothyreoïdie te identificeren die baat zouden hebben bij onmiddellijke medische behandeling27. Zij hebben gradient boosting decision tree (GBDT), SVM, ANN en logistische regressie-algoritmen ingezet. Hun modellen behaalden een AUROC van respectievelijk 93,8% en 90,9% voor hyperthyreoïdie en hypothyreoïdie. In een andere studie gebruikten de auteurs machine learning om schildklieraandoeningen op te sporen, waaronder hypothyreoïdie en hyperthyreoïdie. Hun modellen omvatten SVM, ANN, KNN, logistische regressie en beslissingsboom, met de hoogste nauwkeurigheid van 96,92% behaald door Logistische Regressie28. Onlangs heeft een groep onderzoekers verschillende methoden toegepast, waaronder SVM, Decision Tree, Naïve Bayes en ensemble, om hypothyreoïdie te voorspellen en te detecteren. De beslissingsboom behaalde de hoogste nauwkeurigheid, met 97,6%. Een andere studie paste het hybride differentiële evolutie-kernel-gebaseerde Naïve Bayes-algoritme toe om de attributen van een schildklierdataset van hyperthyreoïdie en hypothyreoïdie ziekten te verminderen van 21 naar 10. Later pasten ze de kernel-gebaseerde Naïve Bayes-classifier toe op de feature-subset, waarmee ze 97,97% nauwkeurigheidbereikten van 30. Evenzo gebruikten de auteurs in een andere studie verschillende machine-learningalgoritmen om het risico op schildklierziekte te voorspellen op de sick-euthyroid dataset van California University. Hun experiment toonde aan dat ANN alle andere methoden overtrof, met een nauwkeurigheid van 95%31. Bovendien gebruikten Jha et al. voorgestelde feature-augmentatietechnieken gebaseerd op diepe neurale netwerken om schildklierziekten te voorspellen, met een uitstekende nauwkeurigheid van 99,95%.

Volgens eerdere literatuur werd een homogeen stemensemble met multiple attribuutselectie gebruikt om schildklierziekten te identificeren, met behulp van de volgende algoritmen: random forest, gradient boosting, decision tree en logistic regression, waarbij 100% nauwkeurigheid werd behaaldvan 24. Bovendien pasten de auteurs het extreme learning machinemodel toe op de hypothyreoïdie open-access dataset op Kaggle, waarbij ze een nauwkeurigheid van 92% behaalden. De dataset bevatte 3772 steekproeven: 3481 hypothyreotisch en de rest negatief33. Onlangs gebruikten de auteurs in een studie zakged CART om hypothyreoïdie te classificeren. Hun voorgestelde model behaalde een indrukwekkende nauwkeurigheid van 99,9%. Daarnaast werden T4U, TSH en TBG geïdentificeerd als de meest significante factoren die geassocieerd zijn met hypothyreoïdie34. In een andere studie stelden de auteurs verschillende machine learning- en deep learning-modellen voor en vergeleken die, waarbij Decision Tree en Random Forest respectievelijk een nauwkeurigheid van 99,5% en 99,3% behaalden. Ze gebruikten een Weka-dataset met 30 attributen en 3772 voorbeelden,waarvan 35.

Deze korte literatuurstudie toont aan dat, hoewel de meeste gebruikte methoden zeer goede tot uitstekende resultaten behaalden, geen enkele een eenvoudige klinische dataset uit Saoedi-Arabië heeft gebruikt. Er werd ook opgemerkt dat de meeste onderzochte publicaties beeldvormingsdatasets gebruikten, wat het werk voor dataverzameling verhoogde en de moeilijkheid vergrootte om zeer ingewikkelde modellen van niet-technische mensen toe te passen. Bovendien werden de meeste van deze studies uitgevoerd over algemene schildklieraandoeningen, met zeer weinig publicaties die hypothyreoïdie benadrukten. Deze situatie biedt een kans om basismodellen van machine learning te onderzoeken op basis van een eenvoudige klinische dataset uit de Saoedische dataset, om lokale ziekenhuizen met beperkte geautomatiseerde apparatuur te helpen bij het preventief diagnosticeren van de ziekte.

De korte introductie tot de algoritmen die in de huidige studie zijn onderzocht, is te vinden in Aanvullend Dossier 1. De vier algoritmen zijn 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, en stemensemble49,50.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

1. Methodologie

OPMERKING: Zoals beschreven in Table of Materials, werd het experiment voor dit onderzoek uitgevoerd in Python op Jupyter Notebook, dat werd gebruikt om machine learning-modellen te ontwikkelen voor preventieve diagnose van hypothyreoïdie. Microsoft Excel en de Python Scikit-Learn bibliotheek werden gebruikt in de preprocessingfase. K-nearest neighbor (KNN), support vector machine (SVM), extreme gradient boosting (XGBoost) en een soft voting ensemble classifier bestaande uit KNN en SVM werden vervolgens gebruikt om de dataset te trainen, met GridSearchCV en 10-voudige kruisvalidatie om optimale hyperparameters te verkrijgen. Daarnaast werd de feature-belang voor elke classifier uitgezet met permutatie-belangrijkheid.

  1. Gebruik sequentiële featureselectie met behulp van de doorstuurtechniek van de mxl-tende-bibliotheek.
  2. Pas de sequentiële feature-selector toe op alle modellen met 10-voudige kruisvalidatie om de beste feature-subset te selecteren.
  3. Evalueer de gemiddelde nauwkeurigheid, recall, precisie, F1-score en logverlies van alle gemaakte modellen met 10-voudige kruisvalidatie om het beste model te identificeren.
  4. Daarnaast genereer je verwarringsmatrices en gebieden onder de receiver operating characteristic (AUROC)-curves voor elk model met optimale hyperparameters en de beste feature-subset.
  5. Valideer de diagnostische resultaten door een team van drie experts in keel-, neus- en oorheelkunde, algemene geneeskunde en radiologie. Figuur 1 geeft een schetsing van het kader voor de experimentele bevindingen.

figure-protocol-1
Figuur 1: Experimenteel kader. Dit is het experimentele kader van de studie. Klik hier om een grotere versie van deze figuur te bekijken.

OPMERKING: De Saoedische dataset voor hypothyreoïdie is verkregen van het King Fahad Specialist Hospital (KFSH) in Dammam, Saoedi-Arabië. Het is een openbaar ziekenhuis dat verbonden is aan de Imam Abdulrahman bin Faisal Universiteit (voorheen bekend als de Universiteit van Dammam). Dammam ligt in de oostelijke provincie, en de meeste patiënten komen uit dezelfde regio. Met goedkeuring van de institutionele beoordelingscommissie (IRB) werd de dataset verzameld tijdens standaardtriageprocedures en onderzoeken in het ziekenhuis en geregistreerd als patiëntenpatiëntendossiers (PHR's) in het ziekenhuisbeheersysteem, geregistreerd in de jaren 2020–2021. De dataset bevat standaard klinische tests van 152 patiënten (100 vrouwen en 52 mannen), in de leeftijd van 11–92 jaar, waarvan 89 positief werden gediagnosticeerd met hypothyreoïdie. Ter vergelijking: de overige 63 werden vastgesteld zonder hypothyreoïdie, maar met andere ziekten, zoals de ziekte van Alzheimer. De dataset bevatte 483 attributen, die tijdens de preprocessing werden teruggebracht tot 18 door attributen met ontbrekende waarden boven de 30% te verwijderen. Tabel 1 geeft een overzicht van de kenmerken die in deze studie zijn gebruikt.

KenmerkBeschrijving 
LeeftijdLeeftijd in jaren.
SeksMan of vrouw.
Witte bloedcellen (WBC)Witte bloedcellentelling.
TemperatuurLichaamstemperatuur in graden Celsius (°C).
Rode bloedcellen (RBC)Rode bloedcellen tellen.
BloedplaatjeBloedplaatjesaantal.
MPVGemiddelde bloedplaatjesvolume
Pulse OxDe meting van zuurstof in het bloed (zuurstofsaturatie).
MCHGemiddelde corpusculaire hemoglobine.
RDWBreedte van de verspreiding van rode bloedcellen.
MCVGemiddeld corpusculair volume.
MCHCGemiddelde corpusculaire hemoglobineconcentratie
PulsHartslag.
HematocrietHet volume van rode bloedcellen.
BP – SystolischDe hoogste bloeddruk.
HemoglobineHemoglobineniveau in het bloed.
BP – DiastolischDe laagste druk.
AdemhalingsfrequentieAdemhalingsfrequentie per minuut.

Tabel 1: Datasetbeschrijving. Deze tabel presenteert de beschrijvingsdataset.

2. Statistische analyse

OPMERKING: Statistische analyse van de dataset helpt het patroon van de dataset te visualiseren en te begrijpen voor betere data-voorverwerking en modellering. Tabel 2 toont de statistische analyse van de dataset voor hypothyreoïdieziekte, waarbij de resultaten in de HT- en niet-HT-groepen worden vergeleken.

  1. Om te onderzoeken of de demografische kenmerken onevenwichtig zijn tussen positieve en negatieve groepen, voer je een statistische analyse uit op SPSS-software (versie: 26.0, IBM, VS).
  2. Verzamel de kwantitatieve gegevens met een onafhankelijke steekproef t-test als aan de normale verdeling en homogeniteit van variantie wordt voldaan, of met de Man-Whitney U-test.
  3. Verzamel categorische gegevens met behulp van chi-kwadraattest of Fisher's exacte test.
VariabeleHypothyreoïdie (n = 89)Niet-hypothyreoïdie (n = 63)t / U-waardeP-waarde
Leeftijd43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0,001
Ademhalingsfrequentie20.00 (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
Temperatuur36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
Pulse Ox99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
Hematocriet38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
Rode bloedcellen4.52 (4.26, 4.81)4.37 (3.81, 4.89)1.360.104
Hemoglobine12.70 (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
Bloedplaatje261,23 ± 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
Witte bloedcellen6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tabel 2: Statistische analyse van kenmerken. Deze tabel toont de statistische analyse van kenmerken in zowel de HT- als niet-HT-groepen. Afkortingen; HT = hypothyreoïdie.

OPMERKING: In Tabel 2 verschillen de HT- en niet-HT-groepen significant in leeftijd, ademhalingsfrequentie, bloeddruksystolisch, temperatuur, saturatie, RDW, bloedplaatjes en witte bloedcellen. Daarom kunnen fysiologische kenmerken worden gebruikt om de twee groepen te onderscheiden.

3. Gegevensvoorverwerking

  1. De ruwe CSV-gegevens worden geladen. De dataset die voor deze studie wordt gebruikt, is in CSV-formaat. Ten eerste werd het CSV-bestand geïmporteerd in het ruwe formaat. Het wordt hieronder gegeven:
    clean_data = PD. DataFrame (genormaliseerd, kolommen=['geslacht','Leeftijd','Pols','BP - Systolisch','BP - Diastolisch','Temperatuur', 'Ademhalingsfrequentie', 'MCV', 'MCH','MCHC','Hematocriet', 'Witte bloedcellen','Hemoglobin','Rode Bloedcellen','RDW','Bloedplaatje', 'MPV', 'Pulse Ox', 'Beschrijving'])
  2. Voer data-preprocessing uit, waaronder het verwijderen van uitschieters, het verwerken van ontbrekende waarden en normalisatie, om de datarepresentatie en nauwkeurigheid van het model te verbeteren.
  3. Gebruik Microsoft Excel voor de eerste verwerking van de dataset, inclusief het verwijderen van uitschieters. Verwijder de uitschieters in 'Pulse Ox', 'BP-Systolisch', 'BP-Diastolisch' en 'Ademhalingsfrequentie' met een scatterplot en vervang het met hun respectievelijke gemiddelden.
  4. Behandeling van ontbrekende waarden
    De dataset werd geïmporteerd in Python en preprocessed met behulp van NumPy, Pandas en Scikit-learn bibliotheken. Gebruik de KNN-imputer uit de sklearn-bibliotheek om ontbrekende waarden te verwerken.
    OPMERKING: De Euclidische metriek en een dichtstbijzijnde buurwaarde van 5 werden gebruikt. Het wordt hieronder gegeven:
    imputer = KNNImputer(n_neighbors=5)
    data = imputer.fit_transform(clean_data)
    scaler = MinMaxScaler()
    scaler.fit(data)
  5. Codeer de strings in binair.
    OPMERKING: De gehele waarde één stond respectievelijk voor 'Positief' en 'Vrouwelijk' in 'Beschrijving' en 'Geslacht', terwijl nul respectievelijk 'Negatief' en 'Mannelijk' vertegenwoordigde in 'Beschrijving' en 'Geslacht'. De dataset werd vervolgens geschaald met de MinMaxScaler uit de sklearn-bibliotheek, waarbij waarden werden toegewezen aan het bereik 0–1. Het wordt hieronder gegeven:
    genormaliseerd = scaler.transform(data)

4. Modelbouw en evaluatie

OPMERKING: Gegevens splitsen voor kruisvalidatie: Na verschillende experimenten met verschillende folds bleek 10-voudige kruisvalidatie optimaal en werd deze vervolgens toegepast.

  1. Train elk model met gespecificeerde hyperparameters.
  2. Voer feature-selectie uit en hertrain modellen op geselecteerde features.
    OPMERKING: In de voorgestelde studie is een vooruit-sequentiële feature-selectietechniek toegepast. De modellen werden vervolgens geoptimaliseerd voor de beste functieset. Voor stappen 4.1–4.2 is het volgende codesegment ingezet:
    van sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
    kf = GestratificeerdKFold(n_splits=10,shuffle=Waar, random_state=1)
    De gridearch gebruikte gestratificeerde k-voudige met 10 splits en nauwkeurigheid was de scoremaatstaf. De onderstaande code legt uit hoe dit werd uitgevoerd met een voorbeeld met SVM.
    parameters = {
    'kernel': ['lineair', '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,
    parameters,
    cv=kf,
    scoring='nauwkeurigheid'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(schatter=svm,
    k_features=(1, 18),
    forward=Waar,
    floating=False,
    scoring='nauwkeurigheid',
    cv=kf)
  3. Evalueer prestatie-indicatoren en kies het uiteindelijke model.
    OPMERKING: Prestatiemaat: Deze studie gebruikte de meest gebruikte prestatiematen in classificatie, namelijk: nauwkeurigheid, precisie, recall, F1–score en logverlies. Deze prestatiematen worden hieronder kort beschreven, samen met hun formules.
    Precisie (PR): Het aantal echte positieve waarnemingen dat behoort tot het totaal aantal verwachte positieve waarnemingen. Deze wordt gegeven door de formule:
    figure-protocol-2(1)
    Recall (RE): Geef het aantal daadwerkelijk positieve gevallen weer dat als positief wordt voorspeld. Deze wordt gegeven door de formule:
    figure-protocol-3(2)
    Nauwkeurigheid (AC): Dit is het percentage correcte voorspellingen dat het model heeft gedaan. Deze wordt gegeven door:
    figure-protocol-4(3)
    Waar:
    True Positive (TP): Aantal correct geclassificeerde gevallen van hypothyreoïdie.
    Vals-positief (FP): Aantal verkeerd geclassificeerde gevallen van hypothyreoïdie.
    True Negative (TN): Aantal correct geclassificeerde gevallen van niet-hypothyreoïdie.
    Vals-negatief (FN): Aantal foutief geclassificeerde gevallen van niet-hypothyreoïdie.
    F1–Score: Dit is het gewogen gemiddelde van de recall en de precisie. Deze wordt gegeven door
    figure-protocol-5(4)
    Log-verlies: Dit is hoe nauwkeurig de voorspelde kans overeenkomt met de werkelijke werkelijke waarde. Het
    wordt gegeven door de formule:
    figure-protocol-6(5)
    Waar N en M respectievelijk het aantal steekproeven en kenmerken aanduiden, geeft Yij aan of i-desteekproef tot de j-deklasse behoort of niet. Pij duidt de kans aan dat de i-desteekproef tot de j-deklasse behoort. Deze studie plotte ook de ontvanger-operating characteristic (ROC), die nuttig is bij het voorspellen van de kans op een binaire uitkomst. Dit werd gedaan om de prestaties van de modellen bij verschillende drempels te visualiseren. De ROC geeft aan hoe goed een model is in het onderscheiden van klassen.
  4. Optimalisatiestrategie
    OPMERKING: Hyperparameteroptimalisatie kan niet genoeg worden benadrukt om de beste resultaten te behalen in een machine learning-onderzoek. Deze studie maakte gebruik van GridSearchCV met gestratificeerde 10-voudige kruisvalidatie om de optimale hyperparameters voor elk model te bepalen. GridSearchCV is een tool om de parameters van een model fijn af te stemmen. Het werkt door alle parameters in het parameterrooster te herlopen en de beste combinaties te selecteren. Hyperparameterafstemming is cruciaal om de hoogste nauwkeurigheid in elk model te identificeren. De hyperparameters voor elk model, inclusief het bereik, de beste waarde en de nauwkeurigheid die ze hebben geproduceerd, worden weergegeven in Tabel 3.
AlgoritmeHyperparameternaamHyperparameterbereikBeste WaardeNauwkeurigheid met de beste waarde
K-NNMetriek'Minkowski', 'Manhattan', 'Euclidisch'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMKernel'lineair', 'poly', 'rbf', 'sigmoid'Lineair92.76%
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%

Tabel 3: Optimale hyperparameter. Dit toont de optimale hyperparameter van elk model.

Figuren 2–4 tonen de rasterzoekmethode voor hyperparameterzoeking voor de KNN-, SVM- en XGBoost-technieken en hoe deze werden geïmplementeerd met alle functies.

figure-protocol-7
Figuur 2: KNN-prestaties. Dit is de prestatie van KNN over verschillende metrics en burentellingen. Afkortingen; KNN = K dichtstbijzijnde buren. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-8
Figuur 3: SVM-prestaties. Dit is de prestatie van SVM met kernel- en kostenfunctiewaarden Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-9
Figuur 4: XGBoost-prestaties. Dit is XGBoost-prestaties met verschillende Booster- en N_estimator-waarden. Afkortingen; XGBoost = Extreme gradient boosting. Klik hier om een grotere versie van deze figuur te bekijken.

  1. Maak een soft voting-classifier om de prestaties van het model verder te verbeteren door de beste parameters te combineren die zijn verkregen van de KNN- en SVM-classifiers. Het bestaat uit één KNN-classifier en twee SVM-classifiers.
  2. Vervang een van de SVM-kernels door 'rbf', de op één na beste kernel na 'lineair'.
  3. OPMERKING: De classifiers en hun respectievelijke hyperparameters zijn gekozen omdat ze de beste prestaties leverden na vele trial-and-error-pogingen op alle classifiers en hun hyperparameters. Bovendien, op basis van een lange geschiedenis van het behandelen van preventieve diagnostische problemen voor diverse ziekten met behulp van klinische datasets die vergelijkbaar zijn verzameld als die in14,15, toont deze combinatie veelbelovende diagnostische nauwkeurigheid, zoals verder aangetoond in de experimentele secties. Tabel 4 toont de classifiers die voor Soft Voting worden gebruikt, hun hyperparameters en de geproduceerde nauwkeurigheid.
AlgoritmeClassifiersHyperparametersNauwkeurigheid
Zachte StemmingsclassificatorK-NNMetriekMinkowski
N_neighbors5
SVM1KernelLineair
Kosten (C)988.81%
Gamma1
SVM2KernelRBF
Kosten (C)9
Gamma1

Tabel 4: Stemmingsclassifier-hyperparameters. Dit toont de combinatie van de stemclassifier en hyperparameters.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Prestaties van modellen
De prestaties van de vier modellen die in deze studie werden gecreëerd, werden vergeleken en geanalyseerd op hun nauwkeurigheid, herinnering en test. Het GridsearchCV-algoritme werd gebruikt om de beste hyperparameter voor elk model te identificeren met behulp van alle kenmerken. De prestaties van elk model werden geëvalueerd met een gestratificeerde 10-voudige kruisvalidatie. Tabel 5 toont de resultaten van de prestaties van e...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

In deze studie worden machine learning-algoritmen op een Saoedische klinische dataset onderzocht om een preventief diagnostisch model voor hypothyreoïdie te ontwikkelen. Er werden vier modellen gemaakt: KNN, SVM, XGBoost en Soft Voting Ensemble Classifier. Alle vier de modellen identificeerden leeftijd en ademhalingsfrequentie als belangrijke indicatoren voor de preventieve diagnose van de ziekte. Van de vier modellen toonde de Voting Classifier superieure prestaties aan bij alle in deze...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De dataset is verkregen van het ziekenhuis onder IRB-2020-09-429. De auteurs hebben geen belangenconflicten te melden over de huidige studie.

Dankbetuigingen

De auteurs willen de steun van zorgprofessionals bedanken voor de validatie van de bevindingen van de studie.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Laptop/MachineDellXPS9320RAM 16GB, 12th Gen Intel(R) Core(TM) i7-1260P
Excel 365MicrosoftExcel 365Wordt gebruikt om ruwe gegevens op te slaan in csv-formaat
Python 3.12.12Google colab Notebook Python 3.12.12Gebaat voor het trainen van modellen 
Numpy 2.0.2Google colab Notebook Numpy 2.0.2Gebaat voor het trainen van modellen 
Pandas 2.2.2Google colab Notebook Pandas 2.2.2Gebaat voor het trainen van modellen 
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1Gebaat voor het trainen van modellen 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4Gebaat voor het trainen van modellen 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2Gebaat voor het trainen van modellen 
SPSS IBM, USASklearn 1.6.1Gebaat voor statistische analyse

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Diagnose van schildklieronderfunctieMachine LearningSoft Voting ClassifierSVM algoritmeKNN algoritmeGradient BoostingKlinische DatasetKenmerkselectie
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.