用于分析格雷夫斯病中TSH受体抗体动态的人工智能

《Indian Journal of Surgery》：Artificial Intelligence for Analyzing the Dynamics of TSH Receptor Antibodies in Graves’ Disease

甲状腺刺激激素受体抗体分析应用人工智能模型研究Graves病预后，50例患者术后6.9年平均随访，CNN识别抗体动态衰减趋势，发现初始抗体水平与甲状腺眼病显著相关（p=0.039），随机森林分类器预测眼病准确率0.90，无复发。

　　

摘要

甲状腺刺激激素受体抗体在格雷夫斯病的诊断和管理中起着关键作用。人工智能在各个医学领域展现出了识别模式的能力。这项探索性研究旨在探讨应用人工智能分析格雷夫斯病患者甲状腺刺激激素受体抗体水平的可行性。该病例系列分析了2006年2月至2022年7月期间接受甲状腺全切除术的50名格雷夫斯病患者的医疗记录。收集了包括合并症、家族史和实验室检测结果在内的临床数据以评估预后。使用卷积神经网络模型来分析抗体时间序列数据，并通过Python编程实现和解释这些模型，结果经过传统统计软件的严格验证。患者平均随访时间为6.9年。在50名患者中，16名为男性（32%），5名有甲状腺功能障碍的家族史。初始抗体平均水平为37.1 IU/L，远高于正常范围。卷积神经网络识别出描述抗体随时间变化的指数衰减模型。亚组分析显示，初始抗体水平与甲状腺眼病的存在存在显著关联（p = 0.039）。随机森林分类器的预测性能较高（准确率：0.90；曲线下面积：0.88；精确度：0.75；召回率：0.65；F1分数：0.70）。随访期间未观察到复发情况。人工智能辅助的甲状腺刺激激素受体抗体建模可能为预测格雷夫斯病的临床结果和指导治疗提供一种新方法。