Toksik adenom nedeniyle radyoaktif iyot tedavisi alanlarda hipotiroidi gelişiminin tahmininde makine öğrenimi modellerinin kullanımı

Abstract

Giriş ve Amaç:Toksik nodüllerin tedavisinde kullanılan radyoaktif iyot tedavisi sonrasında istenmeyen bir etki olarak hipotiroidi gelişebilmektedir. Çalışmamızın amacı toksik adenom tanılı hastalarda radyoaktif iyot(RAİ) sonrası hipotiroidiyi öngörebilecek faktörlerin makine öğrenmesi yöntemleri yardımıyla araştırmaktır. Gereç ve Metod:2014-2023 yılları arası toksik adenom tanısıyla RAİ tedavisi almış 166 hastayı çalışmamıza dahil ettik. Veriler konvansiyonel istatistiksel yöntemler ve makine öğrenmesi modelleri ile incelendi ve yöntemlerin tahmin performansları karşılaştırıldı. Bulgular: Çalışmaya katılan hastaların yaş ortancası 68 idi.Bu hastaların %61.4 ü kadınlardan oluşmaktaydı. Hastaların ortanca takip süresi 21 aydı.Tedavi sonrası vakaların %30.7'sinde (n=51) hipotiroidi geliştiği; %62 (n=103) vakada ötiroidi sağlandığı; %7.2 (n=12) vakada hipertiroidi durumunun devam ettiği görüldü.Remisyona giren vakaların %92.8'inin ilk bir yıl içinde ve hipotiroidlilerin %85'inin ilk 10 ay içerisinde geliştiği saptandı. Hipotirodi gelişen grubun (17.6 ml) tiroid hacmi, ötiroidi (25.3 ml) ve hipertiroidi (31.5) gruplarından düşüktü(p<0.002). Hipotiroidiyi öngörme üzerine yapılan lojistik regresyon analizinde tiroid hacminin(OR=1.876; 95% GA 0.942-3.734; p?0.073) azalması ve TSH'ın ( OR 0.941; 95% GA 0.904-0.978;p?0.002) artışının hipotiroidi gelişim riskini arttırdığı saptandı.Makine öğrenme yöntemlerinin lojistik regresyona göre daha iyi performans gösterebileceği saptandı.Performans metriklerinin eş zamanlı değerlendirilmesinde en başarılı modelin Naive Bayes olduğu ve bunu Random Forrest'ın izlediği gözlenmiştir. ATİ kullanımı ve TSH düzeyleri Naive Bayes modelinde anlamlı değişkenler olarak saptandı. Sonuç: Çalışmamızda TA nedeniyle RAİ verilmesinin %30 oranında hipotiroidiye yol açtığını ve bunun sıklıkla ilk yıl içerisinde gerçekleştiğini saptadık. Çalışmamız da makine öğrenme modellerinin klasik yöntemlere göre RAİ sonrası hipotiroidiyi daha iyi tahmin edebileceğini gösterdik. Tiroid hacmi, TSH düzeyi ve anti-tiroid ilaç kullanımı hipotiroidiyi öngörebilecek anlamlı değişkenler olarak saptandı.

Introduction and Objective: Hypothyroidism can develop as an undesired effect following radioactive iodine (RAI) treatment for toxic nodules. Our study aims to identify factors predicting post-RAI hypothyroidism in patients diagnosed with toxic adenoma using machine learning methods. Materials and Methods: We analyzed 166 patients diagnosed with toxic adenoma who received RAI treatment from 2014 to 2023. Data were assessed using conventional statistical methods and machine learning models, with method performance comparisons. Results: Patients had a median age of 68; 61.4% were female. Median follow-up was 21 months. Post-treatment, 30.7% (n=51) developed hypothyroidism, 62% (n=103) achieved euthyroidism, and 7.2% (n=12) remained hyperthyroid. Remissions mostly occurred within the first year (92.8%), with 85% of hypothyroidism cases developing within the initial 10 months. The hypothyroid group (17.6 ml) had a smaller thyroid volume compared to euthyroid (25.3 ml) and hyperthyroid (31.5 ml) groups (p<0.002). Logistic regression indicated reduced thyroid volume (OR=1.876; 95% CI 0.942-3.734; p=0.073) and increased TSH (OR 0.941; 95% CI 0.904-0.978; p=0.002) raised hypothyroidism risk. The performance of machine learning was better than that of logistic regression. Naive Bayes (NB) was the most successful model, followed by Random Forest (RF). Anti-thyroid medication use and TSH levels were NB's significant variables. Conclusion: Our study found that RAI treatment for toxic adenoma resulted in hypothyroidism in 30% of cases, often within the first year. Machine learning models may better predict post-RAI hypothyroidism. Thyroid volume, TSH level, and anti-thyroid medication usage were significant predictors for hypothyroidism.