Pesquisador da Universidad Europea del Atlántico (Universidade Europea del Atlántico, UNEATLANTICO), colabora em pesquisas que propõem uma nova abordagem para prever doenças da tireoide baseada em aprendizagem automático.
A glândula tireoide tem função elementar na regulação do metabolismo, e a irregularidade nessa glândula gera diversas anomalias como hipertireoidismo e hipotireoidismo; dois dos mais comuns. A doença da tireoide é uma das doenças mais comuns que afeta um grande número de pessoas em todo o mundo.
Os avanços na tecnologia beneficiaram significativamente o campo da saúde. Permitindo detectar e diagnosticar doenças precocemente, prever surtos de vírus, descobrir e testar medicamentos, gerenciar dados de saúde etc. Por outro lado, os profissionais de saúde se esforçam para identificar as doenças em estágios iniciais, a fim de fornecer tratamentos mais adequados aos pacientes e curar as doenças o mais rápido possível e com menos gastos.
A previsão e o diagnóstico de doenças da tireoide são essenciais. No entanto, as abordagens existentes para o seu diagnóstico geralmente focam na classificação binária, que consiste em classificar as pessoas em pacientes com tireoide ou indivíduos saudáveis. Por outro lado, há poucas pesquisas com abordagens múltiplas; na verdade, essas pesquisas tendem a focar apenas em três categorias: normal, hipotireoidismo e hipertireoidismo.
Portanto, para otimizar a detecção e diagnóstico de doenças da tireoide, os pesquisadores da UNEATLANTICO, em conjunto com outros profissionais, propõem uma nova abordagem de previsão de doenças da tireoide baseada em aprendizado de máquina, com foco no problema multiclasse.
Resultados da pesquisa
Esta abordagem proposta é capaz de prever tireoidite de Hashimoto (hipotireoidismo primário), proteína de ligação (proteína de ligação aumentada), tireoidite autoimune (hipotireoidismo compensado) e síndrome da tireoide (NTIS) (doença não tireoidiana concomitante).
Os experimentos realizados mostraram que os recursos selecionados com base no classificador de árvore produzem resultados precisos de 0,09. Além disso, os modelos de aprendizado de máquina foram considerados a melhor opção para detectar doenças da tireoide.
Se você quiser saber mais sobre este fascinante estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório da UNIB.