Symptom-based machine learning framework for screening hypothyroidism and hyperthyroidism

Areej Mohammed

doi:10.1016/j.eswa.2026.132005

Symptom-based machine learning framework for screening hypothyroidism and hyperthyroidism

2026-03-10

0

PRE

AI

DOI：10.1016/j.eswa.2026.132005

原文链接

原文求助

摘要

En 中文

成人甲状腺疾病的筛查仍然具有挑战性，因为基于常规症状的筛查方法缺乏足够的诊断准确性。此外，大多数现有的机器学习（ML）方法严重依赖侵入性实验室输入，这使得它们不适用于常规使用。本研究通过提出一种非侵入性基于症状的ML框架来解决这些差距，该框架提供了一种可解释的风险计算器，用于在未实施常规系统性TSH筛查的场所准确筛查甲状腺疾病。该框架整合了特定人群的参考区间，以仔细标记每个实例的适当甲状腺类别。利用包括人口统计学、家族史、症状、聚合症状评分和预测的促甲状腺激素（TSH）水平在内的多维输入特征集，训练和测试了一系列二元分类器，以识别处于亚临床和显性状态下的甲状腺功能减退症和甲状腺功能亢进症患者。在实施的模型中，XGBoost分类器表现出优于其他模型的稳定性能。Shapley加性解释（SHAP）通过揭示不同分类任务中的特征模式来增强模型的可解释性。聚合症状评分在所有模型中均被视为最具影响力的特征。所开发的风险计算器不仅优于常规基于症状的筛查方法，还揭示了重要的临床见解，强调了在检测甲状腺功能减退症和甲状腺功能亢进症时，考虑症状的聚合影响与预测TSH水平相结合的价值。所提出的方法学框架可以在中东或世界各地不同人群中通过适当的本地校准进行复制，这将是我们工作的下一步。这将有助于在为成人人群实施常规TSH筛查之前，将该工具用作筛查辅助手段。最终，所提出的基于症状的筛查工具为实验室检测提供了一个高效的时间补充，可以支持甲状腺疾病的筛查和管理。

Keyword:

thyroid disorders

machine learning

symptom-based screening

XGBoost

SHAP解释

Symptom-based machine learning framework for screening hypothyroidism and hyperthyroidism

摘要

期刊

机构

引用论文