غربالگری کم کاری تیروئید مخفی رویکرد یادگیری ماشین تفسیر پذیر مبتنی بر تعاملات غیر خطی، انسولین، ید و شاخص های آنتروپومتریک

کم کاری تیروئید مخفی اغلب به دلیل فقدان علائم اختصاصی و همپوشانی با سایر وضعیت های متابولیک در غربالگری های روتین نادیده گرفته می شود. هدف این مطالعه طراحی یک سیستم هوشمند تفسیر پذیر است که با عبور از معیارهای تک بعدی نظیر وزن و با ادغام شاخص های متابولیک و تغذیه ای دقت شناسایی بیماران را در جمعیت عمومی ارتقا دهد. در این مطالعه مقطعی از داده های پایگاه ملی NHANES دوره ۲۰۱۱-۲۰۱۲ به عنوان تنها منبع جامع دارای داده های همزمان ایمونواسی، دقیق پروفایل انسولین و ید ادرار استفاده شد. پس از اعمال معیارهای خروج مصرف داروها، بارداری و داده های ناقص ۱۵۹۳ شرکت کننده بزرگسال وارد مطالعه شدند. مدل درخت تصمیم با استفاده از ویژگی های مقاومت به انسولین HOMA-IR، نسبت ید به کراتینین و شاخص های آنتروپومتریک آموزش داده شد. شیوع بیماری مخفی در جمعیت ۳.۳ برآورد شد. تحلیل داده ها وجود یک رابطه غیر خطی - شکل میان وضعیت ید و عملکرد تیروئید را تایید کرد. مدل پیشنهادی با دستیابی به دقت ۷۴.۶ و حساسیت ۶۰ توانست بدون نیاز به تست های همگانی، بیماران پرخطر را شناسایی کند. در آنالیز اهمیت ویژگی ها شاخص HOMA-IR و Iodine Status بالاتر از BMI قرار گرفتند. نتایج نشان داد که کیفیت متابولیک انسولین و وضعیت تغذیه ای ید پیش بینی کننده های دقیق تری نسبت به سایز بدن هستند. مدل هوشمند پیشنهادی با ارائه یک الگوی غربالگری مقرون به صرفه و دقیق، پتانسیل پیاده سازی در سیستم های سلامت الکترونیک را داراست.

کلیدواژه ها:

کم کاری تیروئید ، مخفی ، یادگیری ماشین ، تفسیر پذیر ، مقاومت به انسولین ، غربالگری هوشمند