Investigadores de la Universidad Europea del Atlántico (UNEATLANTICO), participan en una investigación que propone un nuevo enfoque de predicción de enfermedades de la tiroides basado en el aprendizaje automático.
La glándula tiroides tiene una función elemental en la regulación del metabolismo, y la irregularidad en dicha glándula genera diversas anomalías como el hipertiroidismo y el hipotiroidismo; dos de los más comunes. La enfermedad de la tiroides es una de las enfermedades más usuales que afecta a una gran cantidad de personas en todo el mundo.
Los avances de la tecnología han beneficiado significativamente el ámbito de la salud. Permitiendo detectar y diagnosticar enfermedades tempranamente, predecir brotes de virus, descubrir y probar fármacos, gestionar datos de atención médica, etc. Por otro lado, los profesionales de la salud se esfuerzan por identificar las enfermedades en las etapas tempranas con el fin de brindar tratamientos más adecuados a los pacientes y curar las enfermedades lo más pronto posible y con menos gastos.
La predicción y el diagnóstico de enfermedades de la tiroides es indispensable. Sin embargo, los enfoques existentes para su diagnóstico suelen enfocarse en la clasificación binaria, que consiste en clasificar a las personas en pacientes con tiroides o sujetos sanos. En cambio, existen pocas investigaciones con enfoques múltiples; inclusive, estas investigaciones tienden a enfocarse solo en tres categorías que son: normal, hipotiroidismo e hipertiroidismo.
Por lo tanto, para optimizar la detección y el diagnóstico de enfermedades de la tiroides, investigadores de UNEATLANTICO, junto con otros profesionales, proponen un nuevo enfoque de predicción de enfermedades tiroideas basado en el aprendizaje automático, centrado en el problema de clases múltiples.
Resultados de la investigación
Este enfoque propuesto es capaz de predecir la tiroiditis de Hashimoto (hipotiroidismo primario), la proteína de unión (incremento de la proteína de unión), la tiroiditis autoinmune (hipotiroidismo compensado) y el síndrome de tiroideo (NTIS) (enfermedad no tiroidea concurrente).
Los experimentos realizados han demostrado que las características seleccionadas basadas en el clasificador de árboles producen resultados precisos de 0,09. Además, se ha determinado que los modelos de aprendizaje automático son la mejor opción para detectar enfermedades tiroideas.
Si quieres conocer más sobre este fascinante estudio, clic aquí.
Para leer más investigaciones, consulta el repositorio de UNIB.