طراحی و اعتبارسنجی یک مدل خطر بالینی برای پیش بینی بدخیمی در بیماران مبتلا به ندول تیروئید abstract
سابقه و هدف: سرطان تیروئید شایع ترین
بدخیمی سیستم اندوکرین است. از نظر بالینی بسیار مهم است که با توجه به خصوصیات بیماران و ویژگی های ندول تیروئید بیماران مستعد پیش آگهی بد شناسایی شوند. هدف از مطالعه حاضر طراحی و
اعتبارسنجی یک مدل خطر بالینی برای پیش بینی
بدخیمی در بیماران مبتلا به ندول تیروئید بوده است.
مواد و روش ها: در این مطالعه مقطعی تحلیلی داده های ۶۵۰ بیمار (میانگین سنی: ۱۳/۴۵ ± ۴۲/۳۶ سال، جنسیت زن: ۸۶/۱۵ درصد) مبتلا به ندول تیروئیدی که تحت تیروئدکتومی قرار گرفته بودند، بررسی شده اند. نمونه ها، بیماران مراجعه کننده به کلینیک تخصصی غدد در بازه زمانی ۱۳۹۳ تا ۱۴۰۱ بوده اند. یک مدل چندمتغیره با استفاده از داده های جمعیت شناختی، بالینی و همچنین داده های سیستم بتسدا از طریق تحلیل رگرسیون لجستیک به مثابه یک مدل خطی تعمیم یافته (generalized linear model; GLM) ساخته شده است. اعتبار درونی مدل با استفاده از نمونه گیری مجدد بوت استرپ ارزیابی شده است. توانایی تشخیصی، کالیبراسیون و سودمندی مدل به ترتیب با استفاده از سطح زیر منحنی راک (area under the ROC curve ; AUC)، نمره Brier و تحلیل منحنی تصمیم گیری (decision curve analysis; DCA) ارزیابی شده است. عملکرد تشخیصی مدل GLM با پنج الگوریتم
یادگیری ماشین شامل آنالیز تشخیصی خطی (linear discriminant analysis; LDA) ، جنگل تصادفی (random forest; RF) ، شبکه عصبی (neural network; NN) ، ماشین بردار پشتیبان (support vector machine; SVM) و k- نزدیک ترین همسایگی (k-nearest neighbor; kNN) مقایسه شده است.
یافته ها: از ۶۵۰ بیمار جراحی شده ۴۳ % خوش خیم و ۵۷ % بدخیم بوده اند. سن، جنسیت، سابقه بیماری های تیروئید در بستگان درجه اول، نوع بیماری تیروئید، فوکال بودن ندول تیروئید، آدنوپاتی گردنی و سیستم بتسدا ویژگی های مهم برای ساخت مدل پیش بینی بر اساس GLM بوده اند. مقدار AUC و نمره Brier مدل به ترتیب ۰/۸۹ و ۰/۱۲بوده است. همچنین نتایج DCA نشان دهنده سودمندی بالینی مدل است. به طور کلی، از نظر عملکرد پیشگویی بین شش الگوریتم
یادگیری ماشین تفاوتی وجود نداشته است؛ با این حال، پارامترهای پیشگویی الگوریتم های GLM و LDA از سایرین بالاتر بوده است.
نتیجه گیری: طراحی و
اعتبارسنجی مدل پیشگویی مبتنی بر الگوریتم های
یادگیری ماشین با استفاده از داده های جمعیت شناختی، بالینی و داده های بتسدا ممکن است برای مدیریت درمان بیماران مبتلا به ندول تیروئید سودمند باشد.
