使用机器学习算法识别重要症状和诊断甲状腺功能低下症患者
Salahuddin Rakhshani Rad1, Zahra H Mohammadi2, Mahdieh J Zadeh3
1Department of Biostatistics and Epidemiology, School of Public Health.
Annals of medicine and surgery (2012)
|June 7, 2024
概括
机器学习使用常见症状准确识别甲状腺功能低下症,可能减少血液检测的需要. 这种方法有助于医生更有效地诊断这种常见的内分泌疾病.
科学领域:
- 内分泌学 在内分泌学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 甲状腺功能低下症是一种普遍的内分泌疾病,由于模糊的症状,经常被诊断为晚期.
- 传统诊断依赖于血液测试,这可能是昂贵和耗时的.
- 机器学习 (ML) 为改善医学诊断准确性提供了先进的工具.
研究的目的:
- 使用ML算法预测和识别甲状腺功能低下症的关键症状.
- 根据症状呈现来评估ML在诊断低甲状腺症方面的有效性.
主要方法:
- 一项横截面研究分析了1296名呈现低甲状腺症症状的个体.
- 机器学习模型包括随机森林,决策树和物流回归.
- 通过甲状腺刺激激素测试证实了诊断,结果是二进制的 (甲状腺下降/甲状腺下降).
主要成果:
- 鉴定甲状腺功能低下症的关键症状包括疲劳,不耐寒,黄和体重增加.
- 随机森林算法表现出卓越的性能,准确度为0.83.
- 随机森林的灵敏度和特异性都为0.88,表明高诊断能力.
结论:
- ML算法可以有效地根据常见症状识别甲状腺功能低下症患者,提供高准确度.
- 这种方法可以减少对血液检测的依赖,降低成本和患者的压力.
- 医生越来越多地采用ML工具,可以简化甲状腺功能低下症的诊断.
