Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Wczesna diagnoza niedoczynności tarczycy w prowincji wschodniej Arabii Saudyjskiej z wykorzystaniem technik inteligencji obliczeniowej

180 wyświetleń

⸱

DOI:

10.3791/70065

⸱

22 maja 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

W tym artykule

Podsumowanie

Badanie to bada cztery algorytmy uczenia maszynowego: K-najbliższych sąsiadów (KNN), maszynę wektorową wspierającą (SVM), ekstremalne gradientowe wzmocnienie (XGBoost) oraz klasyfikator miękkiego zespołu głosowania w proaktywnej diagnozie niedoczynności tarczycy. Algorytmy zostały wybrane na podstawie krytycznego przeglądu literatury i wykorzystane na lokalnie zebranych zbiorach danych z Arabii Saudyjskiej.  

Streszczenie

Niedoczynność tarczycy jest jednym z najczęstszych, lecz niedodiagnozowanych schorzeń medycznych w Arabii Saudyjskiej. Jest bardziej powszechny u kobiet starszych i w ciąży, a także u pacjentów z cukrzycą i bezdechem sennym. Niedoczynność tarczycy charakteryzuje się produkcją niewystarczającej ilości hormonów tarczycy, co może prowadzić do innych przewlekłych chorób, jeśli nie zostanie leczone. Z tego powodu badanie proponuje techniki uczenia maszynowego, które pozwalają prewencyjnie diagnozować tę chorobę, korzystając z prostego zbioru danych klinicznych z Arabii Saudyjskiej. Biorąc pod uwagę rozmiar danych, ta praca służy jako dowód koncepcji. Algorytmy takie jak KNN, SVM, Gradient boosting oraz miękki klasyfikator zespołu głosowania zostały wybrane ze względu na obiecujące wyniki w proaktywnej diagnozie niedoczynności tarczycy i chorób powiązanych w porównaniu z innymi algorytmami w literaturze. Najlepiej sprawdzonym modelem był klasyfikator soft voting ensemble, który osiągnął dokładność 94,7%. SVM, KNN i XGBoost osiągnęły dokładność odpowiednio 94%, 93,42% i 92,1%. Wyniki te uzyskano za pomocą walidacji krzyżowej 10-krotnej oraz sequential selection cech w przyszłości.

Wprowadzenie

Zaburzenia funkcji tarczycy (TD) są jedną z najczęstszych przewlekłych chorób endokrynologicznych, z różną częstością występowania w populacjach1. Dwie najczęstsze choroby tarczycy to niedoczynność tarczycy i nadczynność tarczycy. Niedoczynność tarczycy to powszechna choroba wynikająca z niewystarczającej produkcji hormonów tarczycy. Chociaż zazwyczaj można ją kontrolować leczeniem, w ciężkich przypadkach może być śmiertelna, jeśli nie zostanie leczona. Najczęstsze objawy niedoczynności tarczycy u dorosłych to zmęczenie, zaparcia, ospałość, przyrost masy ciała, suchość skóry oraz zmiany głosu. Jednak objawy kliniczne mogą się różnić w zależności od wieku, płci i innych czynników3. Zgłasza się, że choroba dotyka 5% ogólnej populacji, a kolejne 5% pozostaje niezdiagnozowanych, podczas gdy 99% tych pacjentów cierpi na pierwotną niedoczynność tarczycy. Jest powszechna w państwach Zatoki Arabskiej, choć często pozostaje niedodiagnozowana4. Wrodzona niedoczynność tarczycy dotyka około jednego na każde 3 450 niemowląt w Arabii Saudyjskiej. Inne badania przekrojowe skupiające się wyłącznie na kobietach odnotowały wyższe wskaźniki rozpowszechnienia od 13% do 35%5. Ponadto, dowodząc, że samice są bardziej podatne niż mężczyźni6. Niedoczynność tarczycy, jeśli nie jest leczona, może prowadzić do dyslipidemii, zaburzeń poznawczych, nadciśnienia, niepłodności oraz dysfunkcji nerwowo-mięśniowej7. W związku z tym celem tego badania jest wykorzystanie metod uczenia maszynowego do proaktywnej diagnozy niedoczynności tarczycy, wykorzystując zestaw danych ze Szpitala Specjalistycznego Króla Fahada (KFUH) w Dammam, Arabia Saudyjska.

Niedoczynność tarczycy może być trudna do zdiagnozowania, ponieważ objawy często są mylone z innymi chorobami8. Co więcej, późna diagnoza niedoczynności tarczycy może negatywnie wpłynąć na zdolności intelektualne pacjenta9. Test hormonu stymulującego tarczycę (TSH) jest najczęściej stosowaną metodą diagnostyczną wykrywania niedoczynności tarczycy9. Jednak pojawienie się podejść, strategii i narzędzi opartych na sztucznej inteligencji i uczeniu maszynowym pomogło rozwiązać problemy diagnostyczne i prognostyczne w różnych obszarach medycyny. ML jest wykorzystywane do oceny znaczenia czynników klinicznych i ich kombinacji dla rokowania, takich jak przewidywanie postępu choroby, pozyskiwanie wiedzy medycznej do badań nad wynikami, planowanie i wsparcie terapeutyczne oraz ogólna opieka nad pacjentem10. Dzięki ogromnym ilościom dostępnych danych medycznych, praktycy medyczni mają teraz cenne źródło do odkrywania nowej i potencjalnie cennej wiedzy dzięki uczeniu maszynowemu11,12.

Wykorzystując prosty zbiór danych klinicznych z saudyjskiego zbioru, badanie to ma na celu pomoc pracownikom służby zdrowia w kraju we wczesnym diagnozowaniu niedoczynności tarczycy oraz wdrożenie tego systemu predykcyjnego w szpitalach dysponujących ograniczonymi zasobami komputerowymi i sprzętem. Dodatkowo, wcześniejsze badania w tej dziedzinie nie wykorzystywały saudyjskiego zbioru danych. To daje szansę na włączenie saudyjskiego zbioru danych do wcześniejszych badań. Badania wykorzystały saudyjski zbiór danych do przewidywania chorób nerek, cukrzycy, choroby tarczycy i choroby Alzheimera, osiągając wysoką dokładność 13,14,15. To doświadczenie motywuje stosowanie tych metod do innych chorób w Arabii Saudyjskiej. Badania te należą do najnowszych prac z zakresu uczenia maszynowego i sztucznej inteligencji w medycynie 16,17,18,19.

Proponowane badanie omawia zastosowanie technik uczenia maszynowego na prostym klinicznym zbiorze danych saudyjskich dotyczących niedoczynności tarczycy, aby przewidzieć obecność choroby zanim stanie się ona pełna objawowa. Celem jest opracowanie systemu opartego na uczeniu maszynowym, który będzie wczesnym ostrzeganiem o potencjalnym wystąpieniu niedoczynności tarczycy. Ułatwi to także lokalnym szpitalom z ograniczonym sprzętem korzystanie z tego systemu diagnostycznego. To badanie jest pierwszym, które analizuje tę chorobę na podstawie saudyjskiego zbioru danych, koncentrując się na stadium przedobjawowym. Zbiór danych obejmuje szeroką populację pacjentów lokalnych saudyjskich szpitali, z szerokim przedziałem wiekowym, mieszanką przypadków nadczynności tarczycy i negatywnych.

W badaniu wykorzystano cztery algorytmy uczenia maszynowego: maszynę wektorową wspierającą (SVM), K-najbliższych sąsiadów (KNN), gradient boosting eXtreme (XGBoost) oraz klasyfikator miękkiego zespołu głosującego składający się z SVM i KNN. Każdy z czterech algorytmów udowodnił swoje możliwości w medycynie. Algorytm KNN został wybrany ze względu na swoją prostotę oraz osiągnięcie dokładności testu na poziomie 77,5% w prewencyjnej diagnozie cukrzycy (DM)20. Jednocześnie SVM został wybrany ze względu na swoją odporność21, a ostatnio został wykorzystany do przewidywania ryzyka śmiertelności u pacjentów z COVID-1922. Ponadto XGBoost został wybrany ze względu na wysoką wydajność23, osiągając dokładny wynik predykcyjny 94% dla wyników nadciśnienia, a stosowanie stosowania zostało zastosowane do ulepszenia wyników z najlepiej działających algorytmów. Ponadto do identyfikacji zaburzeń tarczycy z 100% dokładnością zastosowano klasyfikator zespołu głosowania24.

Głównym celem obecnego badania jest wczesna diagnoza niedoczynności tarczycy w populacji saudyjskiej, wykorzystując oryginalne rutynowe dane kliniczne oraz nowoczesne algorytmy uczenia maszynowego. Cztery techniki użyte w tym badaniu zostały zaimplementowane na platformie Jupyter z wykorzystaniem języka programowania Python, wykorzystując zbiór danych o niedoczynności tarczycy. Zastosowano 10-krotną walidację krzyżową z dostrajaniem hiperparametrów, aby poprawić wydajność. Następnie zaimplementowano sekwencyjne wybieranie cech z techniką wyboru w przód, dzięki czemu klasyfikator zespołu głosującego osiągnął najwyższą dokładność 94,7%. Następnie powstały odpowiednio SVM, KNN i XGBoost. Jeśli chodzi o przypomnienie, klasyfikator soft voting ensemble uzyskał najwyższy wynik – 95,5%. Ogólnie optymalnym modelem prewencyjnej diagnozy niedoczynności tarczycy był klasyfikator zespołu głosowania miękkiego, który uzyskał najwyższy wynik we wszystkich miarach wydajności ocenianych w tym badaniu.

Przeprowadzono kilka badań nad diagnozowaniem uogólnionych zaburzeń tarczycy oraz wdrażaniem technologii, zwłaszcza uczenia maszynowego, jako rozwiązania wspomaganego komputerowo. LSTM-CNN, AlexNet, skorygowany GoogLeNet, IndRNN–CNN oraz skorygowane modele głębokiego uczenia ResNet zostały zastosowane za pomocą spektroskopii Ramana do rozróżnienia próbek surowicy od 32 pacjentów z niedoczynnością tarczycy, 38 pacjentów z nadczynnością tarczycy oraz 29 osób kontrolnych. Ich model uzyskał dokładność odpowiednio 84%, 91%, 75%, 82% i 71%, odpowiednio25%.

Algorytmy uczenia maszynowego, takie jak SVM, KNN, regresja logistyczna oraz losowy las, zostały wykorzystane do przewidywania częstości występowania niedoczynności tarczycy wywołanej promieniowaniem u pacjentów z rakiem nosowogardła,26. Ich model osiągnął wartość AUC 0,7. Ponadto autorzy wykorzystali różne algorytmy uczenia maszynowego do przewidywania trendu leczenia pacjentów z niedoczynnością tarczycy poddawanych leczeniu LT4. Spośród 10 klasyfikatorów klasyfikacja poza drzewem osiągnęła najwyższą dokładność – 84%.

W innym badaniu autorzy opracowali i przetestowali strategię uczenia maszynowego do identyfikacji osób z nadczynnością tarczycy i niedoczynnością tarczycy, które skorzystałyby na natychmiastowym leczeniu medycznym27. Wdrożyli algorytmy drzewa decyzyjnego z gradientowym boostingiem (GBDT), SVM, ANN oraz regresji logistycznej. Ich modele uzyskały AUROC odpowiednio 93,8% i 90,9% dla nadczynności tarczycy i niedoczynności tarczycy. W innym badaniu autorzy wykorzystali uczenie maszynowe do wykrywania zaburzeń tarczycy, które obejmują niedoczynność tarczycy i nadczynność tarczycy. Ich modele obejmowały SVM, ANN, KNN, REGRESJĘ LOGISTYCZNĄ oraz drzewo decyzyjne, z najwyższą dokładnością 96,92% osiągniętą w Regresji Logistycznej28. Niedawno grupa badaczy zastosowała różne metody, w tym SVM, drzewo decyzyjne, Naïve Bayes oraz ensemble, aby przewidzieć i wykryć niedoczynność tarczycy. Drzewo decyzyjne osiągnęło najwyższą dokładność, 97,6%29. Inne badanie zastosowało algorytm Naïve Bayesa oparty na hybrydyjnej ewolucji różnicowej, aby zmniejszyć atrybuty zbioru danych tarczycy dotyczącym nadczynności tarczycy i chorób niedoczynności tarczycy z 21 do 10. Później zastosowano jądrowo klasyfikator Naïve Bayes do podzbioru cech, osiągając dokładność 97,97%30. Podobnie, w innym badaniu autorzy wykorzystali kilka algorytmów uczenia maszynowego do przewidywania ryzyka chorób tarczycy na zbiorze danych chorych i eutyreoidalnych z Uniwersytetu Kalifornijskiego. Ich eksperyment wykazał, że ANN przewyższa wszystkie inne metody, osiągając dokładność 95%31. Ponadto Jha i in. zastosowali proponowane techniki augmentacji cech oparte na głębokich sieciach neuronowych do przewidywania chorób tarczycy, osiągając znakomitą dokładność 99,95%32.

Według wcześniejszej literatury, do identyfikacji chorób tarczycy użyto jednorodnego zespołu głosującego z wieloma atrybutami, wykorzystując następujące algorytmy: las losowy, gradient boosting, drzewo decyzyjne oraz regresję logistyczną, uzyskując 100% dokładność24. Ponadto autorzy zastosowali model maszyny ekstremalnej uczącej się do otwartego zbioru danych o niedoczynności tarczycy na Kaggle, osiągając dokładność 92%. Zestaw danych zawierał 3772 próbki: 3481 niedoczynność tarczycy, a pozostałe33 negatywne. Niedawno, w badaniu, autorzy wykorzystali CART w workach do klasyfikacji niedoczynności tarczycy. Proponowany model osiągnął imponującą dokładność 99,9%. Dodatkowo T4U, TSH i TBG zostały zidentyfikowane jako najistotniejsze czynniki związane z niedoczynnością tarczycy34. W innym badaniu autorzy zaproponowali i porównali różne modele uczenia maszynowego i głębokiego, w których drzewo decyzyjne i las losowy osiągnęły dokładność odpowiednio 99,5% i 99,3%. Wykorzystali zbiór danych Weka zawierający 30 atrybutów i 3772 próbki35.

Ten krótki przegląd literatury pokazuje, że choć większość stosowanych metod przyniosła bardzo dobre lub doskonałe wyniki, żadna nie wykorzystywała prostego zbioru danych klinicznych z Arabii Saudyjskiej. Zauważono również, że większość rozważanych publikacji korzystała z zestawów danych obrazowych, co zwiększało nakład pracy potrzebnej do zbierania danych i utrudniało stosowanie bardzo skomplikowanych modeli tworzonych przez osoby nietechniczne. Ponadto większość tych prac dotyczyła ogólnych zaburzeń tarczycy, a bardzo niewiele publikacji podkreślało niedoczynność tarczycy. Ta sytuacja daje możliwość badania podstawowych modeli uczenia maszynowego na prostym zbiorze danych klinicznych z saudyjskiego zbioru, aby pomóc lokalnym szpitalom dysponującym ograniczonym sprzętem komputerowym w prewencyjnym diagnozowaniu choroby.

Krótkie wprowadzenie do analizowanych algorytmów w obecnym badaniu znajduje się w Pliku Uzupełniającym 1. Cztery algorytmy to: 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 oraz voting ensemble 49,50.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Metodologia

UWAGA: Jak opisano w Tabeli Materiałów, eksperyment do tych badań przeprowadzono w Pythonie na Jupyter Notebook, który posłużył do opracowania modeli uczenia maszynowego do prewencyjnej diagnozy niedoczynności tarczycy. W fazie wstępnego przetwarzania używano Microsoft Excel oraz biblioteki Python Scikit-Learn. K-najbliższy sąsiad (KNN), maszyna wektorowa wsparcia (SVM), ekstremalne gradientowe boostowanie (XGBoost) oraz miękki klasyfikator zespołu głosującego składający się z KNN i SVM zostały następnie wykorzystane do trenowania zbioru danych, z GridSearchCV i 10-krotną walidacją krzyżową w celu uzyskania optymalnych hiperparametrów. Dodatkowo, znaczenie cech dla każdego klasyfikatora było wykreślane za pomocą ważności permutacji.

  1. Stosuj sekwencyjny wybór cech przy użyciu techniki przekazywania w bibliotece mxl-tend.
  2. Zastosuj sekwencyjny selektor cech do wszystkich modeli, stosując 10-krotną walidację krzyżową, aby wybrać najlepszy podzbiór cech.
  3. Oceń średnią dokładność, przypomnienie, precyzję, F1-score oraz straty logariatusu wszystkich modeli stworzonych za pomocą 10-krotnej walidacji krzyżowej, aby zidentyfikować najlepszy model.
  4. Dodatkowo generować macierze pomyłek i obszary pod krzywymi charakterystyki operacyjnej odbiornika (AUROC) dla każdego modelu, używając optymalnych hiperparametrów i najlepszego podzbioru cech.
  5. Weryfikacja wyników diagnostycznych przez zespół trzech ekspertów z dziedziny otolaryngologii, medycyny ogólnej i radiologii. Rysunek 1 przedstawia ramy wyników eksperymentalnych.

figure-protocol-1
Rysunek 1: Ramy eksperymentalne. To jest rama eksperymentalna badania. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

UWAGA: Saudyjski zbiór danych dotyczących niedoczynności tarczycy został pozyskany ze Szpitala Specjalistycznego Króla Fahada (KFSH) w Dammam, Arabia Saudyjska. Jest to szpital publiczny powiązany z Uniwersytetem Imama Abdulrahmana bin Faisala (dawniej znanym jako Uniwersytet w Dammam). Dammam znajduje się w prowincji wschodniej, a większość pacjentów pochodzi z tego samego regionu. Za zgodą instytucjonalnej komisji przeglądowej (IRB) zbiór danych został zebrany podczas standardowych procedur triage i badań w szpitalu oraz zarejestrowany jako dokumentacja zdrowotna pacjentów (PHR) w systemie zarządzania szpitalem, zarejestrowana w latach 2020–2021. Zbiór danych zawiera standardowe testy kliniczne 152 pacjentów (100 kobiet i 52 mężczyzn) w wieku 11–92 lat, z których 89 zostało pozytywnie zdiagnozowanych z niedoczynnością tarczycy. Dla porównania, pozostałe 63 osoby zdiagnozowano jako osoby bez niedoczynności tarczycy, lecz z innymi chorobami, takimi jak choroba Alzheimera. Zbiór danych zawierał 483 atrybuty, które zostały zredukowane do 18 podczas wstępnego przetwarzania przez usunięcie atrybutów z brakującymi wartościami przekraczającymi 30%. Tabela 1 przedstawia cechy wykorzystane w tym badaniu.

CechyOpis
WiekWiek w latach.
SeksMężczyzna czy kobieta.
Białe krwinki (WBC)Liczba białych krwinek.
TemperaturaTemperatura ciała w stopniach Celsjusza (°C).
Czerwone krwinki (RBC)Liczba czerwonych krwinek.
Płytki krwiLiczba płytek.
MPVŚrednia objętość płytek krwi
Saturacja pulsowaPomiar tlenu we krwi (nasycenie tlenem).
MCHŚrednia hemoglobina korpuskularna.
RDWSzerokość rozmieszczenia czerwonych krwinek.
MCVŚrednia objętość korpuskularna.
MCHCŚrednie stężenie hemoglobiny w korpuskularnym
PulsTętno.
HematokrytObjętość czerwonych krwinek.
Ciśnienie – skurczoweNajwyższe ciśnienie krwi.
HemoglobinaPoziom hemoglobiny we krwi.
Ciśnienie – RozkurczoweNajniższe ciśnienie.
Częstość oddychaniaTempo oddechu na minutę.

Tabela 1: Opis zbioru danych.Ta tabela przedstawia zbiór danych opisu.

2. Analiza statystyczna

UWAGA: Analiza statystyczna zbioru danych pomaga wizualizować i zrozumieć jego wzorzec, co ułatwia lepsze wstępne przetwarzanie i modelowanie danych. Tabela 2 przedstawia analizę statystyczną zbioru danych o chorobach niedoczynności tarczycy, porównując wyniki w grupach HT i nieHT.

  1. Aby sprawdzić, czy cechy demograficzne są niezrównoważone między grupami dodatnimi a negatywnymi, przeprowadź analizę statystyczną w oprogramowaniu SPSS (wersja: 26.0, IBM, USA).
  2. Skompilować dane ilościowe za pomocą niezależnego testu t próby, jeśli rozkład normalny i jednorodność wariancji były spełnione, lub testu Man-Whitney U.
  3. Skompiluj dane kategoryczne za pomocą testu chi-kwadrat lub testu dokładnego Fishera.
ZmiennaNiedoczynność tarczycy (n = 89)Nieniedoczynność tarczycy (n = 63)Wartość t/UWartość p
Wiek43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0.001
Częstość oddychania20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
Ciśnienie – skurczowe117.72 ± 16.46127.85 ± 17.773.3020.001
Ciśnienie – Rozkurczowe73.00 (68.00, 79.00)72.95 (65.00, 80.25)2.0760.892
Puls79.09 ± 12.1982.35 ± 12.721.470.145
Temperatura36.60 (36.50, 36.80)36.70 (36.60, 36.90)2.5760.029
Saturacja pulsowa99.00 (99.00, 100.00)99.00 (98.00, 99.00)1.0880.005
Hematokryt38.20 (35.88, 40.23)37.30 (31.30, 41.30)1.4710.318
Czerwone krwinki4.52 (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
Płytki krwi261.23 ± 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
Białe krwinki6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tabela 2: Analiza statystyczna cech. Ta tabela przedstawia analizę statystyczną cech zarówno w grupach HT, jak i nieHT. Skróty; HT = niedoczynność tarczycy.

UWAGA: W Tabeli 2 grupy HT i nieHT różnią się istotnie pod względem wieku, częstości oddechu, ciśnienia skurczowego, temperatury, saturacji, pulsoksydu, krwinki krwinkowej, płytki krwi oraz białych krwinek. Dlatego cechy fizjologiczne mogą być wykorzystywane do rozróżnienia obu grup.

3. Wstępne przetwarzanie danych

  1. Ładowanie surowych danych CSV. Zbiór danych użyty w tym badaniu jest w formacie CSV. Po pierwsze, plik CSV został zaimportowany w formacie surowym. Przedstawiono ją poniżej:
    clean_data = pd. DataFrame(normalizowane, kolumny=['płeć','wiek','puls','ciśnienie - skurczowe','ciśnienie - rozkurczowe', 'temperatura', 'częstość oddychania', 'mcv', 'mch', 'mchc', 'hematokryt', 'białe krwinki', 'hemoglobina', 'czerwone krwinki', 'RDW', 'płytki krwi', 'MPV', 'Saturacja', 'Opis'])
  2. Przeprowadz wstępne przetwarzanie danych, w tym usuwanie wartości odstających, obsługę brakujących wartości oraz normalizację, aby poprawić reprezentację i dokładność modelu danych.
  3. Do początkowego przetwarzania zbioru danych, w tym usuwania wartości odmiennych, używaj Microsoft Excel w Excel. Usuń wartości odstające w "Saturacji", "BP-Systol", "BP-Diakur" i "Oddychaniu" za pomocą wykresu rozrzutowego i zastąp ich odpowiednimi średnimi.
  4. Traktowanie brakujących wartości
    Import zbioru danych został zaimportowany do Pythona i przetworzył go wstępnie za pomocą bibliotek NumPy, Pandas i Scikit-learn. Użyj imputora KNN z biblioteki sklearn, aby obsługiwać brakujące wartości.
    UWAGA: Zastosowano metrykę euklidesową oraz wartość najbliższego sąsiada 5. Przedstawiono ją poniżej:
    imputer = KNNImputer(n_neighbors=5)
    dane = imputer.fit_transform(clean_data)
    skaler = MinMaxScaler()
    scaler.fit(data)
  5. Zakoduj ciągi znaków w systemie binarnym.
    UWAGA: Wartość całkowita jeden oznaczała odpowiednio "Dodatnie" i "Żeńskie" w "Opisie" i "Płci", natomiast zero oznaczało "Negatywne" i "Męskie" w "Opisie" i "Płci". Zbiór danych był następnie skalowany za pomocą MinMaxScaler z biblioteki sklearn, mapując wartości na zakres 0–1. Przedstawiono ją poniżej:
    normalized = scaler.transform(data)

4. Budowanie i ocena modeli

UWAGA: Dzielenie danych do walidacji krzyżowej: Po różnych eksperymentach z różnymi fałdami uznano 10-krotną walidację krzyżową jako optymalną i zastosowano ją później.

  1. Wytrenuj każdy model z określonymi hiperparametrami.
  2. Wykonuj wybór funkcji i ponowne trenowanie modeli na wybranych cechach.
    UWAGA: W proponowanym badaniu zastosowano technikę sequential selection feature forward. Modele były następnie optymalizowane pod kątem najlepszych funkcji. W krokach 4.1–4.2 wdrożono następujący segment kodu:
    z sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
    kf = StratifiedKFold(n_splits=10,shuffle=True, random_state=1)
    Gridearch używał warstwowego foldu k z 10 podziałami, a dokładność była metryką punktacyjną. Poniższy kod wyjaśnia, jak to zostało wykonane na przykładzie za pomocą SVM.
    parametry = {
    'jądro': ['liniowe', 'poli', '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,
    parametrów,
    cv=kf,
    punktacja = 'dokładność'
    )
    svm_GS.fit(X, y)
    rys. = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(estymator=svm,
    k_features=(1, 18),
    forward=Prawda,
    pływając=Fałszywe,
    punktacja = 'dokładność',
    cv=kf)
  3. Oceń metryki wydajności i wybierz ostateczny model.
    UWAGA: Miara wydajności: To badanie wykorzystało najczęściej stosowane miary wydajności w klasyfikacji, mianowicie: dokładność, precyzję, przypomnienie, F1–Score oraz stratę logu. Poniżej krótko opisano te miary wydajności wraz z ich wzorami.
    Precyzja (PR): Liczba prawdziwie pozytywnych obserwacji należących do całkowitej oczekiwanej liczby pozytywnych obserwacji. Jest ona dana wzorem:
    figure-protocol-2    (1)
    Recall (RE): Reprezentuj liczbę faktycznie pozytywnych przypadków przewidywanych jako pozytywnych. Jest ona dana wzorem:
    figure-protocol-3    (2)
    Dokładność (AC): To procent poprawnych prognoz dokonanych przez model. Jest ona dana przez:
    figure-protocol-4    (3)
    Gdzie:
    Prawdziwy pozytywny (TP): Liczba poprawnie sklasyfikowanych przypadków niedoczynności tarczycy.
    Fałszywie pozytywny wynik (FP): Liczba błędnie sklasyfikowanych przypadków niedoczynności tarczycy.
    Prawdziwy ujemny (TN): Liczba prawidłowo sklasyfikowanych przypadków nieniedoczynności tarczycy.
    Fałszywie negatywne (FN): Liczba błędnie sklasyfikowanych przypadków nieniedoczynności tarczycy.
    F1–Wynik: Jest to ważona średnia przywołania i precyzji. Jest dana przez
    figure-protocol-5    (4)
    Log loss: To jest to, jak bardzo przewidywane prawdopodobieństwo odpowiada rzeczywistej wartości. To
    jest dana wzorem:
    figure-protocol-6    (5)
    Gdzie N i M oznaczają odpowiednio liczbę próbek i cech, Yij oznacza, czy i-tapróba należy do j-tejklasy, czy nie. Pij oznacza prawdopodobieństwo, że i-tapróba należy do j-tejklasy. Badanie to wykazało również charakterystykę operacyjną odbiornika (ROC), co jest przydatne do przewidywania prawdopodobieństwa binarnego wyniku. Zrobiono to, aby pomóc zwizualizować wydajność modeli przy różnych ustawieniach progowych. ROC określa, jak dobry model jest w rozróżnianiu klas.
  4. Strategia optymalizacji
    UWAGA: Optymalizacja hiperparametrów nie może być przeceniona w osiąganiu najlepszych wyników w każdym badaniu uczenia maszynowego. W tym badaniu zastosowano GridSearchCV ze stratyfikowaną, dziesięciokrotną walidacją krzyżową, aby określić optymalne hiperparametry dla każdego modelu. GridSearchCV to narzędzie do precyzyjnego dopracowywania parametrów modelu. Działa poprzez zapętlanie wszystkich parametrów podanych w siatce parametrów i wybieranie najlepszych kombinacji. Strojenie hiperparametrów jest kluczowe dla identyfikacji najwyższej dokładności w każdym modelu. Hiperparametry każdego modelu, w tym zakres, najlepsza wartość oraz uzyskana przez nie dokładność, przedstawiono w Tabeli 3.
AlgorytmNazwa hiperparametruZakres hiperparametrówNajlepsza wartośćDokładność przy użyciu najlepszej wartości
K-NNMetryka'Minkowski', 'Manhattan', 'Euklidean'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMJądro'liniowe', 'poli', 'rbf', 'sigmoid'Liniowy92.76%
Koszt (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%

Tabela 3: Optimum hiperparametr.To pokazuje optymalny hiperparametr każdego modelu.

Rysunki 2–4 przedstawiają podejście do wyszukiwania siatkowego dla hiperparametrów technik KNN, SVM i XGBoost oraz jak zostały one zaimplementowane przy użyciu wszystkich funkcji.

figure-protocol-7
Rysunek 2: Wydajność KNN. To jest wydajność KNN w różnych metrykach i liczbie sąsiadów. Skróty; KNN = K najbliższy sąsiad. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-protocol-8
Rysunek 3: Wydajność SVM. To jest wydajność SVM z wartościami Kernel i Cost Function. Prosimy kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-9
Rysunek 4: Wydajność XGBoost. To jest wydajność XGBoost z różnymi wartościami Booster i N_estimator. Skróty; XGBoost = Ekstremalne gradientowe wzmocnienie. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

  1. Stwórz miękki klasyfikator głosowania, aby dodatkowo poprawić wydajność modelu poprzez łączenie najlepszych parametrów uzyskanych z klasyfikatorów KNN i SVM. Składa się z jednego klasyfikatora KNN oraz dwóch klasyfikatorów SVM.
  2. Zamień jedno z jąder SVM na 'rbf', drugie najlepsze jądro po 'linear'.
  3. UWAGA: Klasyfikatory i ich odpowiednie hiperparametry zostały wybrane, ponieważ dawały najlepsze wyniki po wielu próbach prób i błędów na wszystkich klasyfikatorach i ich hiperparametrach. Dodatkowo, na podstawie długiej historii rozwiązywania problemów diagnostycznych prewencyjnej dla różnych chorób, wykorzystując zbiory danych klinicznych zebrane podobnie jak w14,15, ta kombinacja wykazuje obiecującą dokładność diagnostyczną, co dodatkowo wykazano w sekcjach eksperymentalnych. Tabela 4 pokazuje klasyfikatory używane w głosowaniu miękkim, ich hiperparametry oraz uzyskaną dokładność.
AlgorytmKlasyfikatoryHiperparametryDokładność
Miękki klasyfikator głosowaniaK-NNMetrykaMinkowski
N_neighbors5
SVM1JądroLiniowy
Koszt (C)988.81%
Gamma1
SVM2Jądrorbf
Koszt (C)9
Gamma1

Tabela 4: Hiperparametry klasyfikatorów głosowania.Pokazuje to kombinację klasyfikatora głosowania i hiperparametrów.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wydajność modeli
Porównano i przeanalizowano wydajność czterech modeli stworzonych w tym badaniu pod kątem ich dokładności, przypomnienia i testowania. Algorytm GridsearchCV został wykorzystany do identyfikacji najlepszego hiperparametru dla każdego modelu przy użyciu wszystkich cech. Wydajność każdego modelu oceniono za pomocą stratifikacyjnej, dziesięciokrotnej weryfikacji krzyżowej. Tabela 5 przedstawia wyniki wydajności każdego modelu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W tym badaniu analizowano algorytmy uczenia maszynowego na saudyjskim zbiorze danych klinicznych, aby opracować prewencyjny model diagnostyczny dla niedoczynności tarczycy. Stworzono cztery modele: KNN, SVM, XGBoost oraz Soft Voting Ensemble Classifier. Wszystkie cztery modele wskazały wiek i częstość oddechu jako istotne wskaźniki w prewencyjnej diagnozie choroby. Spośród czterech modeli Voting Classifier wykazał lepsze wyniki we wszystkich metrykach wykorzystanych w tym badaniu. Wykorzystując zaledwie pięć cech, osiągn...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Zbiór danych został pozyskany ze szpitala zgodnie z IRB-2020-09-429. Autorzy nie mają żadnych konfliktów interesów do zgłoszenia w obecnym badaniu.

Podziękowania

Autorzy chcieliby podziękować pracownikom służby zdrowia za potwierdzeniem wyników badania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Laptop/MaszynaDellXPS9320RAM 16GB, 12. generacja rdzenia Intel(R) Core(TM) i7-1260P
Excel 365MicrosoftExcel 365Używany do przechowywania surowych danych w formacie csv
Python 3.12.12Google colab Notebook Python 3.12.12Wykorzystywane do szkoleń z modelarstwa 
Numpy 2.0.2Google colab Notebook Numpy 2.0.2Wykorzystywane do szkoleń z modelarstwa 
Pandas 2.2.2Google colab Notebook Pandas 2.2.2Wykorzystywane do szkoleń z modelarstwa 
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1Wykorzystywane do szkoleń z modelarstwa 
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4Wykorzystywane do szkoleń z modelarstwa 
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2Wykorzystywane do szkoleń z modelarstwa 
SPSS IBM, USASklearn 1.6.1Wykorzystywane do analizy statystycznej

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Diagnostyka niedoczynno ci tarczycyuczenie maszynoweklasyfikator mi kkiego g osowaniaalgorytm SVMalgorytm KNNgradientowe wzmacnianiezbi r danych klinicznychwyb r cech
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.