TR01:超越FT3/FT4比率:一种用于甲状腺功能亢进症鉴别诊断的机器学习决策支持模型

《European Journal of Endocrinology》:TR01 Beyond the FT3/FT4 ratio: a machine learning decision-support model for the differential diagnosis of thyrotoxicosis

【字体: 大 中 小 】 时间:2026年08月28日 来源:European Journal of Endocrinology 6.7

编辑推荐:

   摘要 背景/引言 格雷夫斯病(GD)和破坏性甲状腺炎(DT)是甲状腺功能亢进最常见的原因。虽然游离三碘甲状腺原氨酸(FT3)与游离甲状腺素(FT4)

  

摘要

背景/引言

格雷夫斯病(GD)和破坏性甲状腺炎(DT)是甲状腺功能亢进最常见的原因。虽然游离三碘甲状腺原氨酸(FT3)与游离甲状腺素(FT4)的比率在鉴别诊断中得到广泛应用,但其诊断性能存在局限性。

目的

评估使用FT3和FT4测量值区分GD和DT的机器学习方法。

方法

我们回顾性地纳入了100例GD患者和100例DT患者。数据集被分为训练集(70%,n = 140)和测试集(30%,n = 60)。评估了五种特征工程策略:原始FT3/FT4比率、正常上限(ULN)标准化比率、对数变换后的ULN比率、参考范围缩放比率,以及将FT3和FT4作为单独的变量。训练并比较了逻辑回归、支持向量机、随机森林和XGBoost模型。通过接收者操作特征曲线下面积(AUC)、布里尔分数(Brier score)、敏感性、特异性、校准曲线和决策曲线分析来评估模型性能。

结果

与基于树的模型相比,逻辑回归表现出更强的泛化能力。随机森林和XGBoost出现过拟合现象,训练集AUC为0.93–0.96,测试集AUC为0.75–0.79。表现最佳的模型是在逻辑回归模型中将FT3和FT4缩放到其参考范围内作为独立预测因子,取得了0.862的AUC、93.3%的特异性和70.0%的敏感性。FT3和FT4的回归系数方向相反。FT3/FT4比率的单一临界值为2.78时诊断性能平衡,而临界值为3.28时特异性达到95%。

结论

将FT3和FT4作为独立缩放的变量使用,可以提高诊断准确性,优于传统的FT3/FT4比率方法。这种基于机器学习的模型为格雷夫斯病和破坏性甲状腺炎的鉴别诊断提供了一个可解释且可转移的决策支持工具。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号