Los trastornos tiroideos representan un desafío significativo para la salud global, afectando aproximadamente al 5% de la población y necesitando un cribado preciso para prevenir riesgos como arritmias cardiacas e desequilibrios metabólicos. Esta investigación aborda las limitaciones de los diagnósticos manuales—frecuentemente subjetivos y propensos a errores—introduciendo un Asistente Diagnóstico Automatizado de Tiroides. Aprovechando el algoritmo de aprendizaje automático XGBoost, el sistema clasifica el estado del paciente en cuatro categorías distintas: Normal, Hipotiroidismo Primario, Hipotiroidismo Compensado y Hipertiroidismo. El modelo se desarrolló utilizando el conjunto de datos de Enfermedades de Tiroides de la UCI, utilizando 18 características críticas, incluidas demografía, historial médico y niveles hormonales (TSH, T3 y T4). Para asegurar su utilidad clínica, el sistema se despliega a través de una interfaz web basada en Flask, proporcionando a los profesionales médicos predicciones casi en tiempo real y puntajes de confianza.
Joseph et al. (Thu,) estudiaron esta cuestión.