É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Diagnóstico Precoce de Hipotireoidismo na Província Oriental da Arábia Saudita Utilizando Técnicas de Inteligência Computacional

180 vistas

⸱

DOI:

10.3791/70065

⸱

22 de maio 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

Neste artigo

Resumo

Este estudo investiga quatro algoritmos de aprendizado de máquina: K-vizinhos mais próximos (KNN), máquina vetorial de suporte (SVM), aumento extremo de gradiente (XGBoost) e um classificador de conjunto de votação suave no diagnóstico proativo do hipotireoidismo. Os algoritmos foram pré-selecionados com base em uma revisão crítica da literatura e empregados em um conjunto de dados coletado localmente da Arábia Saudita.

Resumo

O hipotireoidismo é uma das condições médicas mais comuns, porém subdiagnosticadas, na Arábia Saudita. É mais prevalente em mulheres idosas e grávidas, bem como em pacientes com diabetes e apneia do sono. O hipotireoidismo é caracterizado pela glândula tireoide produzindo hormônios tireoidianos insuficientes, que podem resultar em outras doenças crônicas se não forem tratados. Por essa razão, este estudo propõe técnicas de aprendizado de máquina para diagnosticar preventivamente essa doença usando um conjunto de dados clínico simples da Arábia Saudita. Dado o tamanho dos dados, este trabalho serve como prova de conceito. Algoritmos como KNN, SVM, aumento de gradiente e classificador de conjunto de votação suave foram escolhidos por seu desempenho promissor no diagnóstico proativo de hipotireoidismo e doenças associadas, em comparação com outros algoritmos na literatura. O modelo com melhor desempenho foi o classificador de grupo de votação suave, que alcançou uma precisão de 94,7%. SVM, KNN e XGBoost alcançaram 94%, 93,42% e 92,1% de precisão, respectivamente. Esses resultados foram obtidos usando validação cruzada 10 vezes e seleção sequencial de características para frente.

Introdução

A disfunção tireoidiana (TD) é uma das doenças endócrinas crônicas mais comuns, com prevalência variável entre aspopulações 1. Os dois distúrbios mais comuns das glândulas tireoides são hipotireoidismo e hipertireoidismo. O hipotireoidismo é uma condição prevalente que resulta da produção insuficiente de hormônios da tireoide. Embora geralmente seja controlável com tratamento, em casos graves pode ser fatal se não for tratada. Os sintomas mais comuns de hipotireoidismo em adultos incluem fadiga, constipação, letargia, ganho de peso, pele seca e alterações na voz. No entanto, as apresentações clínicas podem variar conforme idade, gênero e outrosfatores 3. Relata-se que a doença afeta 5% da população geral, e outros 5% permanecem sem diagnóstico, enquanto 99% desses pacientes sofrem de hipotireoidismo primário. É amplamente distribuído nos Estados do Golfo Árabe, embora frequentemente permaneçasubdiagnosticado 4. O hipotireoidismo congênito afeta aproximadamente um em cada 3.450 bebês na Arábia Saudita. Outros estudos transversais focados exclusivamente em mulheres relataram taxas de prevalência mais altas, variando de 13% a 35%5. Além disso, provando que as fêmeas são mais suscetíveis que osmachos 6. O hipotireoidismo, se não tratado, pode levar a dislipidemia, comprometimento cognitivo, hipertensão, infertilidade e disfunçãoneuromuscular 7. Consequentemente, este estudo tem como objetivo empregar métodos de aprendizado de máquina para diagnosticar proativamente hipotireoidismo usando um conjunto de dados do Hospital Especializado King Fahad (KFUH) em Dammam, Arábia Saudita.

O hipotireoidismo pode ser difícil de diagnosticar porque os sintomas frequentemente são confundidos com os de outrasdoenças 8. Além disso, um diagnóstico tardio de hipotireoidismo pode afetar negativamente as habilidades intelectuais de umpaciente 9. O teste do hormônio estimulante da tireoide (TSH) é o método diagnóstico mais utilizado para detectar hipotireoidismo9. No entanto, a chegada de abordagens, estratégias e ferramentas de inteligência artificial e aprendizado de máquina ajudou a resolver problemas diagnósticos e prognósticos em diversas áreas médicas. O ML é usado para avaliar a importância dos fatores clínicos e suas combinações para o prognóstico, como previsão da progressão da doença, extração de conhecimento médico para pesquisa de resultados, planejamento e suporte terapêutico, e atendimento geralao paciente 10. Com grandes volumes de dados médicos disponíveis, os profissionais de saúde agora têm um recurso valioso para descobrir novos e potencialmente valiosos conhecimentos por meio do aprendizadode máquina 11,12.

Utilizando um conjunto de dados clínico simples do conjunto de dados saudita, este estudo visa ajudar os profissionais de saúde do país a diagnosticar o hipotireoidismo precocemente e implementar esse sistema preditivo em hospitais com recursos e equipamentos computacionais limitados. Além disso, estudos anteriores nessa área não utilizaram o conjunto de dados saudita. Isso representa uma oportunidade para incorporar o conjunto de dados saudita junto a pesquisas anteriores. Os estudos utilizaram um conjunto de dados saudita para prever doença renal, diabetes, tireoide e doença de Alzheimer, respectivamente, alcançando alta precisão13, 14 e 15. Essa experiência motiva a aplicação desses métodos a outras doenças na Arábia Saudita. Os estudos estão entre os trabalhos mais recentes em aprendizado de máquina e inteligência artificial na área médica 16,17,18,19.

O estudo proposto discute a implantação de técnicas de aprendizado de máquina em um simples conjunto clínico saudita para hipotireoidismo, a fim de prever a presença da doença antes que ela se torne totalmente sintomática. O objetivo é desenvolver um sistema baseado em aprendizado de máquina que forneça alertas precoces sobre uma possível ocorrência de hipotireoidismo. Também facilitará o uso desse sistema de diagnóstico por hospitais locais com equipamentos limitados. Este estudo é o primeiro a examinar essa doença usando o conjunto de dados saudita, focando no estágio pré-sintomático. O conjunto de dados cobre uma ampla população de pacientes hospitalares sauditas locais, com uma ampla faixa etária e uma mistura de casos positivos e negativos de hipertireoidismo.

Este estudo utilizou quatro algoritmos de aprendizado de máquina: machine de suporte vetorial (SVM), K-vizinhos mais próximos (KNN), eXtreme gradient boosting (XGBoost) e um classificador de conjunto de votação suave composto por SVM e KNN. Cada um dos quatro algoritmos já provou suas capacidades na área médica. O algoritmo KNN foi selecionado por sua simplicidade e por alcançar uma precisão de 77,5% nos testes no diagnóstico preventivo de diabetes mellitus (DM)20. Ao mesmo tempo, a SVM foi escolhida por sua robustez21, e recentemente tem sido usada para prever o risco de mortalidade em pacientes comCOVID-19 22. Além disso, o XGBoost foi selecionado por seu forte desempenho23, alcançando uma pontuação preditiva precisa de 94% para desfechos de hipertensão, e o empilhamento foi empregado para aprimorar os resultados dos algoritmos de melhor desempenho.  Além disso, um classificador de conjunto de votação foi utilizado para identificar distúrbios da tireoide com 100% de precisão24.

O objetivo principal do estudo atual é o diagnóstico precoce do hipotireoidismo em uma população saudita, utilizando dados clínicos rotineiros originais e algoritmos de aprendizado de máquina de última geração. As quatro técnicas usadas neste estudo foram implementadas na plataforma Jupyter usando a linguagem de programação Python, utilizando o conjunto de dados de hipotireoidismo. A validação cruzada de 10 vezes com ajuste de hiperparâmetros foi usada para melhorar o desempenho. A seleção sequencial de características com técnica de seleção frontal foi então implementada, resultando no classificador do conjunto de votação alcançando a maior precisão de 94,7%. SVM, KNN e XGBoost, respectivamente, seguiram-na. Quanto à recall, o classificador de conjunto de votação suave alcançou a maior pontuação, com 95,5%. No geral, o modelo ideal para o diagnóstico preventivo de hipotireoidismo foi o classificador de conjunto de votação suave, que alcançou a maior pontuação em todas as medidas de desempenho avaliadas neste estudo.

Diversos estudos foram realizados para diagnosticar distúrbios gerais da tireoide e para implementar tecnologias, especialmente aprendizado de máquina, como solução assistida por computador. LSTM-CNN, AlexNet, os modelos ajustados de GoogLeNet, IndRNN–CNN e os modelos ajustados de aprendizado profundo ResNet foram implantados usando espectroscopia Raman para distinguir amostras séricas de 32 pacientes com hipotireoidismo, 38 pacientes com hipertireoidismo e 29 sujeitos controle. O modelo deles obteve precisão de 84%, 91%, 75%, 82% e 71%, respectivamente25%.

Algoritmos de aprendizado de máquina como SVM, KNN, regressão logística e floresta aleatória têm sido utilizados para prever a incidência de hipotireoidismo induzido por radiação em pacientes com carcinomanasofaríngeo 26. O modelo deles alcançou um valor AUC de 0,7. Além disso, os autores utilizaram vários algoritmos de aprendizado de máquina para prever a tendência de tratamento de pacientes com hipotireoidismo que receberam tratamento com LT4. Entre 10 classificadores, o classificador extra-tree alcançou a maior precisão de 84%.

Em outro estudo, os autores criaram e testaram uma estratégia de aprendizado de máquina para identificar pessoas com hipertireoidismo e hipotireoidismo que se beneficiariam de tratamento médicoimediato 27. Eles implementaram árvore de decisão de gradiente boosting (GBDT), SVM, ANN e algoritmos de regressão logística. Seus modelos obtiveram um AUROC de 93,8% e 90,9% para hipertireoidismo e hipotireoidismo, respectivamente. Em outro estudo, os autores usaram aprendizado de máquina para detectar distúrbios da tireoide, que incluem hipotireoidismo e hipertireoidismo. Seus modelos incluíam SVM, ANN, KNN, regressão logística e árvore de decisão, com a maior precisão de 96,92% alcançada pela RegressãoLogística 28. Recentemente, um grupo de pesquisadores aplicou diferentes métodos, incluindo SVM, árvore de decisão, Naïve Bayes e ensemble, para prever e detectar hipotireoidismo. A árvore de decisão alcançou a maior precisão, com 97,6%29. Outro estudo aplicou o algoritmo de Naïve Bayes baseado no núcleo híbrido de evolução diferencial para reduzir os atributos de um conjunto de dados de tireoide de hipertireoidismo e doenças hipotireoidistas de 21 para 10. Posteriormente, aplicaram o classificador Naïve Bayes baseado em kernel ao subconjunto de características, alcançando 97,97% de precisão30. Da mesma forma, em outro estudo, os autores usaram vários algoritmos de aprendizado de máquina para prever o risco de doença da tireoide no conjunto de dados de doença-eutireoide da Universidade da Califórnia. O experimento demonstrou que a RNA superou todos os outros métodos, alcançando uma precisão de 95%31. Além disso, Jha et al. utilizaram técnicas propostas de aumento de características baseadas em redes neurais profundas para prever doenças da tireoide, alcançando uma precisão excepcional de 99,95%32.

De acordo com literatura anterior, um conjunto de votação homogêneo com seleção múltipla de atributos foi usado para identificar doenças da tireoide, empregando os seguintes algoritmos: floresta aleatória, aumento de gradiente, árvore de decisão e regressão logística, obtendo 100% de precisão24. Além disso, os autores aplicaram o modelo de máquina de aprendizado extremo ao conjunto de dados de acesso aberto para hipotireoidismo no Kaggle, alcançando 92% de precisão. O conjunto de dados continha 3772 amostras: 3481 hipotireoidiana e o restantenegativo 33. Recentemente, em um estudo, os autores utilizaram CART embalado para classificar o hipotireoidismo. O modelo proposto deles alcançou uma impressionante precisão de 99,9%. Além disso, T4U, TSH e TBG foram identificados como os fatores mais significativos associados ao hipotireoidismo34. Em outro estudo, os autores propuseram e compararam diferentes modelos de aprendizado de máquina e deep learning, nos quais a árvore de decisão e a floresta aleatória alcançaram uma precisão de 99,5% e 99,3%, respectivamente. Eles usaram um conjunto de dados Weka contendo 30 atributos e 3772amostras, 35.

Esta breve revisão da literatura demonstra que, embora a maioria dos métodos empregados tenha alcançado resultados muito bons a excelentes, nenhum utilizou um conjunto de dados clínico simples da Arábia Saudita. Também foi observado que a maioria das publicações em análise utilizava conjuntos de dados de imagem, o que aumentou o trabalho necessário para a coleta de dados e aumentou a dificuldade de aplicar modelos muito complexos criados por pessoas não técnicas. Além disso, a maioria desses trabalhos foi feita sobre distúrbios gerais da tireoide, com pouquíssimas publicações enfatizando o hipotireoidismo. Essa situação oferece uma oportunidade para investigar modelos básicos de aprendizado de máquina em um conjunto de dados clínico simples do conjunto de dados saudita para auxiliar hospitais locais com equipamentos computadorizados limitados a diagnosticar preventivamente a doença.

A breve introdução aos algoritmos investigados no estudo atual é apresentada no Arquivo Suplementar 1. Os quatro algoritmos são 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 e conjunto de votação 49,50.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

1. Metodologia

NOTA: Como descrito na Tabela de Materiais, o experimento para esta pesquisa foi realizado em Python no Jupyter Notebook, que foi usado para desenvolver modelos de aprendizado de máquina para diagnóstico preventivo de hipotireoidismo. O Microsoft Excel e a biblioteca Scikit-Learn em Python foram usados na etapa de pré-processamento. O K-vizinho mais próximo (KNN), a máquina vetorial de suporte (SVM), o aumento extremo de gradiente (XGBoost) e um classificador de conjunto de votação suave composto por KNN e SVM foram então usados para treinar o conjunto de dados, com GridSearchCV e validação cruzada 10 vezes para obter hiperparâmetros ótimos. Além disso, a importância das características para cada classificador era plotada usando importância por permutação.

  1. Empregue seleção sequencial de características usando a técnica de encaminhamento da biblioteca mxl-tend.
  2. Aplique o seletor sequencial de características a todos os modelos usando validação cruzada 10 vezes para selecionar o melhor subconjunto de características.
  3. Avalie a precisão média, recordação, precisão, pontuação F1 e perda logarítmica de todos os modelos criados usando validação cruzada 10 vezes para identificar o melhor modelo.
  4. Além disso, gerar matrizes de confusão e áreas sob as curvas da característica operacional do receptor (AUROC) para cada modelo usando hiperparâmetros ótimos e o melhor subconjunto de características.
  5. Valide os resultados diagnósticos por uma equipe de três especialistas em otorrinolaringologia, medicina geral e radiologia. A Figura 1 descreve o arcabouço para os achados experimentais.

figure-protocol-1
Figura 1: Estrutura experimental. Este é o arcabouço experimental do estudo. Por favor, clique aqui para ver uma versão ampliada desta figura.

NOTA: O conjunto de dados saudita sobre hipotireoidismo foi obtido do Hospital Especialista King Fahad (KFSH) em Dammam, Arábia Saudita. É um hospital público afiliado à Universidade Imam Abdulrahman bin Faisal (anteriormente conhecida como Universidade de Dammam). Dammam fica na província oriental, e a maioria dos pacientes pertence à mesma região. Com aprovação do conselho de revisão institucional (IRB), o conjunto de dados foi coletado durante procedimentos e ensaios padrão de triagem no hospital e registrado como prontuários de saúde dos pacientes (PHRs) no sistema de gestão hospitalar, registrados entre os anos de 2020 e 2021. O conjunto de dados contém testes clínicos padrão de 152 pacientes (100 mulheres e 52 homens), com idades entre 11 e 92 anos, dos quais 89 foram diagnosticados positivamente com hipotireoidismo. Em contraste, os 63 restantes foram diagnosticados sem hipotireoidismo, mas com outras doenças, como a doença de Alzheimer. O conjunto de dados tinha 483 atributos, que foram reduzidos para 18 durante o pré-processamento ao remover atributos com valores faltantes superiores a 30%. A Tabela 1 descreve as características utilizadas neste estudo.

CaracterísticaDescrição 
IdadeIdade em anos.
SexoMasculino ou feminino.
Glóbulos Brancos (WBC)Contagem de glóbulos brancos.
TemperaturaTemperatura corporal em graus Celsius (°C).
Glóbulos Vermelhos (RBC)Contagem de glóbulos vermelhos.
PlaquetasContagem de plaquetas.
MPVVolume Médio das Plaquetas
Saturação de OximetriaA medição do oxigênio no sangue (saturação de oxigênio).
MCHHemoglobina Corpuscular Mean.
RDWLargura de distribuição das células vermelhas.
MCVVolume Médio Corpuscular.
MCHCConcentração média de hemoglobina corpuscular
PulsoBatimentos cardíacos.
HematócritoO volume de glóbulos vermelhos.
PA – SistólicaA pressão arterial mais alta.
HemoglobinaNível de hemoglobina no sangue.
PA – DiastólicaA menor pressão.
Frequência RespiratóriaVelocidade respiratória por minuto.

Tabela 1: Descrição do conjunto de dados. Esta tabela apresenta o conjunto de dados de descrição.

2. Análise estatística

NOTA: A análise estatística do conjunto de dados ajuda a visualizar e entender o padrão do conjunto para melhor pré-processamento e modelagem dos dados. A Tabela 2 apresenta a análise estatística do conjunto de dados da Doença do Hipotireoidismo, comparando os resultados nos grupos HT e não TH.

  1. Para investigar se as características demográficas estão desequilibradas entre grupos positivos e negativos, realize-se uma análise estatística no software SPSS (versão: 26.0, IBM, EUA).
  2. Compile os dados quantitativos usando um teste t de amostra independente se a distribuição normal e a homogeneidade da variância foram satisfeitas, ou o teste Man-Whitney U.
  3. Compile dados categóricos usando o teste qui-quadrado ou o teste exato de Fisher.
VariávelHipotireoidismo (n = 89)Não hipotireoidismo (n = 63)valor t / uValor P
Idade43.00 (33.00, 54.00)76.00 (70.00, 80.50)5.388< 0,001
Frequência Respiratória20.00 (20.00, 20.00)20.00 (20.00, 21.50)2.5610.004
PA – Sistólica117h72 ± 16h46127,85 ± 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
Saturação de Oximetria99.00 (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 Vermelhos4.52 (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 Brancos6.10 (4.80, 7.43)7.20 (5.70, 8.90)2.0750.017

Tabela 2: Análise estatística das características. Esta tabela mostra a análise estatística das características tanto no grupo HT quanto no não-HT. Abreviações; HT = hipotireoidismo.

NOTA: Na Tabela 2, os grupos TH e não-TH são significativamente diferentes em Idade, Frequência Respiratória, Tens-sistólica, Temperatura, Oximetria, RDW, Plaquetas e Glóbulos Brancos. Portanto, características fisiológicas podem ser usadas para diferenciar os dois grupos.

3. Pré-processamento de dados

  1. Carregando os dados brutos do CSV. O conjunto de dados utilizado para este estudo está em formato CSV. Primeiro, o arquivo CSV era importado em seu formato bruto. Está apresentado abaixo:
    clean_data = pd. DataFrame (normalizado, colunas=['sexo', 'Idade', 'Pulso', 'PA - Sistólica', 'PA - Diastólica', 'Temperatura', 'Frequência Respiratória', 'MCV', 'MCH', 'Hematócrito', 'Glóbulos Brancos', 'Hemoglobina', 'Glóbulos Vermelhos', 'RDW', 'Plaquetas', 'MPV', 'Saturação de Pulsoxímetro', 'Descrição'])
  2. Realize o pré-processamento de dados, incluindo remoção de outliers, tratamento de valores ausentes e normalização, para melhorar a representação e a precisão dos dados do modelo.
  3. Use o Microsoft Excel para o processamento inicial do conjunto de dados, incluindo a remoção de outliers. Remova os valores atípicos em 'Saturação de Oximetria', 'BP-Sistólica', 'Pressão Diastólica' e 'Frequência Respiratória' com um gráfico de dispersão e substitua por seus respectivos métodos.
  4. Tratamento de valores ausentes
    A importação do conjunto de dados foi importada para Python e pré-processada usando as bibliotecas NumPy, Pandas e Scikit-learn. Use o imputador KNN da biblioteca sklearn para lidar com valores ausentes.
    NOTA: A métrica euclidiana e um valor de vizinho mais próximo de 5 foram usados. Está apresentado abaixo:
    imputer = KNNImputer(n_neighbors=5)
    dados = imputer.fit_transform(clean_data)
    escalador = MinMaxEscalador()
    scaler.fit(data)
  5. Codifica as cadeias em binário.
    NOTA: O valor inteiro um representava 'Positivo' e 'Feminino' em 'Descrição' e 'Gênero', respectivamente, enquanto zero representava 'Negativo' e 'Masculino' em 'Descrição' e 'Gênero', respectivamente. O conjunto de dados foi então escalado usando o MinMaxScaler da biblioteca sklearn, mapeando valores para a faixa 0–1. Está apresentado abaixo:
    normalizado = escalador.transformação(dados)

4. Construção e avaliação de modelos

NOTA: Divisão dos dados para validação cruzada: Após vários experimentos com diferentes dobras, a validação cruzada 10 vezes foi considerada ótima e posteriormente empregada.

  1. Treine cada modelo com hiperparâmetros especificados.
  2. Realize a seleção de características e re-treine modelos em características selecionadas.
    NOTA: No estudo proposto, uma técnica de seleção sequencial de características foi empregada. Os modelos eram então otimizados para o melhor conjunto de recursos. Para os passos 4.1–4.2, o seguinte segmento de código foi implantado:
    de sklearn.model_selection importação train_test_split, GridSearchCV, StratifiedKFold
    kf = EstratificadoKFold(n_splits=10,embaralhar=Verdadeiro, random_state=1)
    O gridearch usou k fold estratificado com 10 splits e a precisão foi a métrica de pontuação. O código abaixo explica como isso foi executado com um exemplo usando SVM.
    parâmetros = {
    'kernel': ['linear', 'poly', 'rbf', 'sigmoide'],
    'C': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 100],
    'gama': [1, 0,1, 0,01, 0,001, 0,0001]
    }svm = SVC(random_state = 1)
    svm_GS = GridSearchCV(svm,
    parâmetros,
    cv=kf,
    pontuação='precisão'
    )
    svm_GS.fit(X, y)
    fig = plot_cv_results(svm_GS.cv_results_, 'C', 'kernel')
    sfs1 = SFS(estimador=svm,
    k_features=(1, 18),
    avançar=Verdadeiro,
    flutuando=Falso,
    pontuação='precisão',
    cv=kf)
  3. Avalie métricas de desempenho e escolha o modelo final.
    NOTA: Medida de desempenho: Este estudo utilizou as medidas de desempenho mais utilizadas na classificação, a saber: precisão, precisão, recordação, F1–Score e perda logaritária. Essas medidas de desempenho são brevemente descritas abaixo, juntamente com suas fórmulas.
    Precisão (PR): O número de observações verdadeiramente positivas que pertencem ao total esperado de observações positivas. Ela é dada pela fórmula:
    figure-protocol-2(1)
    Recall (RE): Representa o número de casos positivos reais previstos como positivos. Ela é dada pela fórmula:
    figure-protocol-3(2)
    Precisão (CA): Esta é a porcentagem de previsões corretas feitas pelo modelo. É dado por:
    figure-protocol-4(3)
    Onde:
    Verdadeiro Positivo (TP): Número de casos de hipotireoidismo corretamente classificados.
    Falso Positivo (FP): Número de casos de hipotireoidismo classificados incorretamente.
    Verdadeiro Negativo (ET): Número de casos não hipotireoidistas corretamente classificados.
    Falso Negativo (FN): Número de casos não relacionados a hipotireoidismo classificados incorretamente.
    F1–Pontuação: Esta é a média ponderada da chamada e da precisão. É dado por
    figure-protocol-5(4)
    Perda de logaritaritha: É o quão próxima a probabilidade prevista se aproxima do valor real verdadeiro. Ele
    é dado pela fórmula:
    figure-protocol-6(5)
    Onde N e M denotam respectivamente o número de amostras e características, Yij indica se a iamostra pertence ou não à jclasse Pij denota a probabilidade de a iésima amostra pertencer à jclasse . Este estudo também traçou a característica operacional do receptor (ROC), que é útil para prever a probabilidade de um resultado binário. Isso foi feito para ajudar a visualizar o desempenho dos modelos em várias configurações de limiar. O ROC indica quão bom um modelo é em distinguir entre classes.
  4. Estratégia de otimização
    NOTA: A otimização de hiperparâmetros não pode ser subestimada para alcançar os melhores resultados em qualquer estudo de aprendizado de máquina. Este estudo utilizou o GridSearchCV com validação cruzada estratificada de 10 vezes para determinar os hiperparâmetros ideais para cada modelo. GridSearchCV é uma ferramenta para ajustar finamente os parâmetros de um modelo. Ele opera percorrendo todos os parâmetros fornecidos na grade de parâmetros e selecionando as melhores combinações. O ajuste de hiperparâmetros é crucial para identificar a maior precisão em cada modelo. Os hiperparâmetros para cada modelo, incluindo o alcance, o melhor valor e a precisão que produziram, são apresentados na Tabela 3.
AlgoritmoNome do hiperparâmetroFaixa de HiperparâmetrosMelhor Custo-BenefícioPrecisão usando o melhor valor
K-NNMétrica'Minkowski', 'Manhattan', 'Euclidiano'Minkowski84.21%
N_neighbors3, 5, 7, 9, 11, 135
SVMKernel'Linear', 'Poly', 'RBF', 'Sigmoide'linear92.76%
Custo (C)1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 1009
Gama1, 0.1, 0.01, 0.001, 0.00011
XGBoostN_estimators5,01,00,15,02,00,25020089.47%

Tabela 3: Hiperparâmetro ótimo. Isso mostra o hiperparâmetro ótimo de cada modelo.

As Figuras 2–4 apresentam a abordagem de busca em grade para busca por hiperparâmetros para as técnicas KNN, SVM e XGBoost e como elas foram implementadas usando todos os recursos.

figure-protocol-7
Figura 2: Desempenho KNN. Esse é o desempenho do KNN em diferentes métricas e contagens de vizinhos. Abreviações; KNN = K vizinho mais próximo. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-protocol-8
Figura 3: Desempenho do SVM. Este é o desempenho do SVM com valores do Kernel e da Função de Custo. Por favor, clique aqui para ver uma versão maior desta figura.

figure-protocol-9
Figura 4: Desempenho do XGBoost. Este é o desempenho do XGBoost com diferentes valores de Booster e N_estimator. Abreviações; XGBoost = Aumento extremo de gradiente. Por favor, clique aqui para ver uma versão ampliada desta figura.

  1. Crie um classificador de votação suave para melhorar ainda mais o desempenho do modelo, combinando os melhores parâmetros obtidos dos classificadores KNN e SVM. Ele é composto por um classificador KNN e dois classificadores SVM.
  2. Substitua um dos Kernels do SVM por 'rbf', o segundo melhor Kernel depois de 'linear'.
  3. NOTA: Os classificadores e seus respectivos hiperparâmetros foram escolhidos porque apresentavam o melhor desempenho após muitas tentativas de tentativa e erro em todos os classificadores e seus hiperparâmetros. Além disso, com base em um longo histórico de lidar com problemas diagnósticos preventivos para várias doenças usando conjuntos de dados clínicos coletados de forma semelhante aos dos14,15, essa combinação apresenta uma precisão diagnóstica promissora, como demonstrado ainda mais nas seções experimentais. A Tabela 4 mostra os classificadores usados para Soft Voting, seus hiperparâmetros e a precisão produzida.
AlgoritmoClassificadoresHiperparâmetrosPrecisão
Classificador de Votação SuaveK-NNMétricaMinkowski
N_neighbors5
SVM1Kernellinear
Custo (C)988.81%
Gama1
SVM2KernelRBF
Custo (C)9
Gama1

Tabela 4: Hiperparâmetros do classificador de votação. Isso mostra a combinação do classificador de votação e os hiperparâmetros.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Desempenho dos modelos
O desempenho dos quatro modelos criados neste estudo foi comparado e analisado quanto à sua precisão, recordação e testes. O algoritmo GridsearchCV foi utilizado para identificar o melhor hiperparâmetro para cada modelo usando todos os recursos. O desempenho de cada modelo foi avaliado com uma validação cruzada estratificada de 10 vezes. A Tabela 5 apresenta os resultados do desempenho de cada modelo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Neste estudo, algoritmos de aprendizado de máquina em um conjunto de dados clínicos sauditas são investigados para desenvolver um modelo diagnóstico preventivo para hipotireoidismo. Quatro modelos foram criados: KNN, SVM, XGBoost e Soft Voting Ensemble Classifier. Todos os quatro modelos identificaram idade e taxa respiratória como indicadores significativos no diagnóstico preventivo da doença. Entre os quatro modelos, o Classificador de Votação demonstrou desempenho superior em todas as...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

O conjunto de dados foi obtido do hospital sob o IRB-2020-09-429. Os autores não têm conflitos de interesse a relatar em relação ao estudo atual.

Agradecimentos

Os autores gostariam de reconhecer o apoio dos profissionais de saúde na validação dos achados do estudo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Laptop/MáquinaDellXPS9320RAM 16GB, Intel(R) Core(TM) i7-1260P de 12ª geração
Excel 365MicrosoftExcel 365Usado para armazenar dados brutos no formato csv
Python 3.12.12Google colab Notebook Python 3.12.12Usado para treinamento em construção de modelos & nbsp;
Numpy 2.0.2Google colab Notebook Numpy 2.0.2Usado para treinamento em construção de modelos & nbsp;
Pandas 2.2.2Google colab Notebook Pandas 2.2.2Usado para treinamento em construção de modelos & nbsp;
Sklearn 1.6.1Google colab Notebook Sklearn 1.6.1Usado para treinamento em construção de modelos & nbsp;
Mlxtend 0.23.4Google colab Notebook Mlxtend 0.23.4Usado para treinamento em construção de modelos & nbsp;
XGbbost 3.1.2Google colab Notebook XGbbost 3.1.2Usado para treinamento em construção de modelos & nbsp;
SPSS IBM, EUASklearn 1.6.1Usado para análise estatística

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Diagn stico de HipotireoidismoAprendizado de M quinaClassificador de Vota o SuaveAlgoritmo SVMAlgoritmo KNNGradient BoostingConjunto de Dados Cl nicosSele o de Atributos
Entre em contato
Recomendar à biblioteca

Privacidade

Termos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.