طراحی و اعتبارسنجی یک مدل خطر بالینی برای پیش‌بینی بدخیمی در بیماران مبتلا به ندول تیروئید

Abstract

سابقه و هدف: سرطان تیروئید شایع‌ترین بدخیمی سیستم اندوکرین است. از نظر بالینی بسیار مهم است که با توجه به خصوصیات بیماران و ویژگی‌های ندول تیروئید بیماران مستعد پیش‌آگهی بد شناسایی شوند. هدف از مطالعه حاضر طراحی و اعتبارسنجی یک مدل خطر بالینی برای پیش‌بینی بدخیمی در بیماران مبتلا به ندول تیروئید بوده است. مواد و روش‌‌ها: در این مطالعه مقطعی تحلیلی داده‌های 650 بیمار (میانگین سنی: 13/45 ± 42/36 سال، جنسیت زن: 86/15 درصد) مبتلا به ندول تیروئیدی که تحت تیروئدکتومی قرار گرفته بودند، بررسی شده‌اند. نمونه‌ها، بیماران مراجعه‌کننده به کلینیک تخصصی غدد در بازه زمانی 1393 تا 1401 بوده‌اند. یک مدل چندمتغیره با استفاده از داده‌های جمعیت‌شناختی، بالینی و همچنین داده‌های سیستم بتسدا از طریق تحلیل رگرسیون لجستیک به مثابه یک مدل خطی تعمیم‌یافته (generalized linear model; GLM) ساخته شده است. اعتبار درونی مدل با استفاده از نمونه‌گیری مجدد بوت‌استرپ 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 تصمیم‌گیری (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- نزدیک‌ترین همسایگی (k-nearest neighbor; kNN) مقایسه شده است. یافته‌ها: از 650 بیمار جراحی‌شده 43 % خوش‌خیم و 57 % بدخیم بوده‌اند. سن، جنسیت، سابقه بیماری‌های تیروئید در بستگان درجه اول، نوع بیماری تیروئید، فوکال بودن ندول تیروئید، آدنوپاتی گردنی و سیستم بتسدا ویژگی‌های مهم برای ساخت مدل پیش‌بینی بر اساس GLM بوده‌اند. مقدار AUC و نمره Brier مدل به ترتیب 0/89 و 0/12بوده است. همچنین نتایج DCA نشان‌دهنده 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 الگوریتم‌های GLM و LDA از سایرین بالاتر بوده است. نتیجه‌گیری: طراحی و اعتبارسنجی مدل پیشگویی مبتنی بر الگوریتم‌های یادگیری ماشین با استفاده از داده‌های جمعیت‌شناختی، بالینی و داده‌های بتسدا ممکن است برای مدیریت درمان بیماران مبتلا به ندول تیروئید سودمند باشد.